[发明专利]基于DAG-SVM的变压器故障诊断提升方法

摘要

本发明公开的基于DAG‑SVM的变压器故障诊断提升方法：对所采集的油浸式变压器带有类标签的样本集每一类按3：1比例分为：训练样本和测试样本；从训练样本中有放回的抽取数量小于原训练样本的T个新的训练样本集训练SVM模型，得到T个弱学习器，即得到一组决策函数序列；利用正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电这6种类别标签及所获取的决策函数序列建立T个DAG‑SVM分类树模型；利用得到的T个DAG‑SVM分类树模型分别进行故障诊断。本发明基于DAG‑SVM的变压器故障诊断提升方法，将DAG‑SVM算法进行Bagging集成，有效提高了故障预测精度。

主权项

1.基于DAG‑SVM的变压器故障诊断提升方法，其特征在于，具体按照以下步骤实施：步骤1、对所采集的油浸式变压器带有类标签的样本集S＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}每一类按3：1比例分为：训练样本和测试样本；其中，x_i代表样本属性，包括有氢气、甲烷、乙烷、乙烯、乙炔五种属性，y_i代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电6个状态；步骤2、从步骤1的训练样本中有放回的抽取数量小于原训练样本的T个新的训练样本集训练SVM模型，得到T个弱学习器，即得到一组决策函数序列H_t＝{h₁,h₂,...,h_T}；步骤3、利用正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电这6种类别标签及步骤2中所获取的决策函数序列建立T个DAG‑SVM分类树模型；步骤4、利用步骤3得到的T个DAG‑SVM分类树模型分别进行故障诊断；所述步骤2具体按照以下步骤实施：步骤2.1、设置训练次数为T；步骤2.2、经步骤2.1后，在训练样中利用bootstrap抽样方法进行随机抽样，每次抽样样本数为3/4的训练样本，并以抽样样本为每一轮迭代的训练样本；步骤2.3、经步骤2.2后，对标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类这15对，分别用每一对标签所对应的抽样样本进行SVM训练；在训练过程中，每一对类别标号小的对应为正样本1，类别标号大的对应为负样本‑1，则得到15个决策函数，决策函数的表达式具体如下：f＝w^Tx+b  (1)；式(1)中，w、b指的是权值矢量，则第i次迭代下的决策函数h_i＝(f_i1,f_i2,...,f_i15)包含上述的15个决策函数；步骤2.4、经步骤2.3后，若迭代次数i＜T，则跳到步骤2.2，否则就要跳出循环，并得出函数序列H_t＝{h₁,h₂,...,h_T}；所述步骤4具体按照以下步骤实施：步骤4.1、设定迭代次数为T；步骤4.2、以测试样本中数据为待测样本，作为分类树的输入，经过分类树的分析，得出结论，其中涉及的方法为：在第i次迭代时，则调用第i个DAG‑SVM分类树模型，对测试样本进行测试，得到第i组结果；步骤4.3、经步骤4.2后，若得到i＜T，则转到步骤4.2，否则结束循环；步骤4.4、通过对得到的得到T组结果进行投票，得到待测样本最终的输出结果。