[发明专利]一种变压器故障组合诊断模型建立方法及诊断方法

说明书

本发明提供了一种新型的电力变压器故障组合诊断模型建立方法以故障诊断方法，其中诊断模型建立方法包括：采用朴素贝叶斯诊断模型、RVM诊断模型和物元诊断模型中的至少两种诊断模型对油中溶解气体分析数据进行初步诊断；将上述初步诊断的诊断结果进行加权平均，经二次RVM诊断模型进行二次诊断，从而得到组合诊断模型。模型建立后，采用建立的模型进行故障诊断。该方法充分利用各个诊断模型的优点，能有效地提高诊断精度和有效性。

技术领域

本发明属于变压器领域，具体涉及一种电力变压器故障组合诊断方法。

背景技术

基于油中溶解气体分析(DGA)对变压器进行故障诊断是简单易行的，在实际运行、维护和大量研究成果中已得到了验证，但存在的问题是故障样本稀少，这为基于DGA和样本学习的变压器故障诊断方法的推广带来了困难。根据已有的各种智能诊断方法的研究结果，各种方法存在着不同的优缺点。鉴于此，寻找一种能充分发挥多种智能诊断方法的优势，

物元理论能很好地处理定性定量问题，且具有建模简单、效果良好的优点，而云模型则能综合地考虑变压器数据的模糊性和随机性。鉴于此，采用云模型改造物元结构，在此基础上建立基于物元理论和云模型的变压器故障诊断新模型，

朴素贝叶斯分类器是一种基于贝叶斯公式的分类器—Naive Bayes分类器。在该分类器中，假设各个属性变量之间相互独立。当训练数据库D的所有实例都完整时，通过对实例出现频率的统计，求出给定类变量C条件下各个属性变量Xi的条件概率P(Xi|C)以及类变量的概率P(C)，就可以完成分类器的学习。

相关向量机(Relevance Vector Machine，RVM)是基于稀疏贝叶斯学习理论的一种机器学习算法，该方法结合了贝叶斯理论、马尔科夫性质、最大似然估计以及自动相关决定先验等理论。RVM通过引入超参数对权重向量赋予零均值高斯先验分布确保模型的稀疏性；采用最大化边缘似然函数的方法来估计超参数，不存在规则化系数确定困难的问题。RVM具有SVM所具有的可有效的解决小样本、非线性分类问题等优点之外，还能够克服SVM固有的局限。RVM核函数不受Mercer条件的限制；基函数权值只有少数非零，相关向量数量少，比SVM更加稀疏；具有更好的泛化性能；无规则化系数，不需要通过交叉验证等方法获取该参数；可以输出后验概率分布，便于分析问题不确定性。

组合诊断是指综合利用单个模型的信息，以适当的加权平均形式得出组合诊断模型。因此，为保证诊断的准确性与可靠性，通常对同一事件采取组合各种诊断方法，尽可能利用全部信息，以得到一个较好的诊断模型，达到改善诊断结果的目的。

将多个弱分类器组合起来，达到提高分类精度的目的，这类似于Boosting的思想，其具体的数学形式为：

式(1)中，wk为第k个模型的组合权重，且满足可有拉格朗日乘子法或其他数学规划方法得到；yi′为组合诊断结果，fki为第k个诊断模型第i次的诊断结果。

但是这些诊断方法没有充分考虑各个诊断模型的优缺点，在诊断精度和有效性方面表现较差。

发明内容