本發(fā)明涉及電力變壓器
技術(shù)領(lǐng)域：
，特別涉及一種基于粒子群支持向量機(jī)的變壓器故障診斷方法。
背景技術(shù)：
：電力變壓器是構(gòu)成電力系統(tǒng)的重要樞紐設(shè)備，承擔(dān)連接不同電壓等級(jí)線路、電壓轉(zhuǎn)化與電能分配的重要功能。而由于變壓器在制造、工藝、運(yùn)輸、安裝及使用過程中面臨多種潛在的缺陷與意外，以及運(yùn)行中承受多種不同的物理場(chǎng)應(yīng)力，導(dǎo)致電力變壓器在正常老化及異常操作條件下不可避免的出現(xiàn)各類故障，導(dǎo)致電能供應(yīng)中斷，影響正常的工業(yè)生產(chǎn)、日常生活、社會(huì)秩序等，造成巨大的經(jīng)濟(jì)損失。因此，診斷變壓器故障，及時(shí)進(jìn)行維護(hù)，對(duì)保障電力系統(tǒng)穩(wěn)定、可靠供電，降低潛在經(jīng)濟(jì)損失風(fēng)險(xiǎn)具有重要意義。油中溶解氣分析方法(dissolvedgasanalysis，dga)通過氣體組份比值及相對(duì)占比由于易操作、不受電磁影響，是現(xiàn)在國(guó)內(nèi)外使用最為廣泛的變壓器故障判斷方法。但dga方法存在一些不足：油中體積分?jǐn)?shù)未達(dá)到相應(yīng)注意值時(shí)無法進(jìn)行故障診斷；比值編碼缺失，導(dǎo)致故障類型不能準(zhǔn)確判斷；故障編碼邊界過于苛責(zé)，無法區(qū)分多重故障等問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明旨在至少解決上述技術(shù)問題之一。為此，本發(fā)明的目的在于提出一種基于粒子群支持向量機(jī)的變壓器故障診斷方法，可以充分?jǐn)U展基于dga的故障特征集，有效消除故障表達(dá)特征的冗余性，保留關(guān)鍵、有效特征；利用智能算法選擇故障診斷模型最優(yōu)參數(shù)，提升模型訓(xùn)練速度，提高故障診斷準(zhǔn)確性。為了實(shí)現(xiàn)上述目的，本發(fā)明的實(shí)施例公開了一種基于粒子群支持向量機(jī)的變壓器故障診斷方法，包括以下步驟：s1：基于故障類型明確的油中溶解氣故障樣本建立數(shù)據(jù)庫，構(gòu)成故障診斷模型的訓(xùn)練集和測(cè)試集；s2：基于油中溶解氣組份，通過特征組合方式建立擴(kuò)展特征集，規(guī)范所述擴(kuò)展特征集的特征子集消除特征間數(shù)量級(jí)差異；s3：采用基于距離的特征選擇方法計(jì)算類內(nèi)、類間特征距離，評(píng)估各特征對(duì)分類敏感性，保留敏感特征，刪除不滿足預(yù)設(shè)條件的特征項(xiàng)，構(gòu)成輸入特征子集；s4：選擇基于徑向基核函數(shù)的支持向量機(jī)作為變壓器故障診斷分類器，以所述輸入特征子集作為輸入項(xiàng)，各樣本對(duì)應(yīng)故障類型作為輸出；s5：利用粒子群算法優(yōu)化支持向量機(jī)的懲罰參數(shù)和徑向基核函數(shù)參數(shù)，根據(jù)所述懲罰參數(shù)和所述徑向基核函數(shù)參數(shù)得到最優(yōu)參數(shù)組合；s6：使用基于最優(yōu)參數(shù)組合的支持向量機(jī)診斷模型確定待測(cè)樣本故障類型。根據(jù)本發(fā)明實(shí)施例的基于粒子群支持向量機(jī)的變壓器故障診斷方法，通過充分?jǐn)U展基于dga組份的故障特征，發(fā)現(xiàn)并挖掘潛在的有效新特征，利用基于距離的特征選擇方法，保留對(duì)分類敏感的重要特征，刪除冗余特征項(xiàng)，降低故障特征項(xiàng)維度；通過粒子群算法求取徑向基核支持向量機(jī)最優(yōu)關(guān)鍵參數(shù)組合，建立具有高可靠性的電力變壓器故障診斷模型，提升故障診斷模型可解釋性，有效提高故障診斷精度。另外，根據(jù)本發(fā)明上述實(shí)施例的基于粒子群支持向量機(jī)的變壓器故障診斷方法，還可以具有如下附加的技術(shù)特征：進(jìn)一步地，在步驟s1中，選擇油中溶解氣通用組份，包括氫氣、甲烷、乙烷、乙烯和乙炔。進(jìn)一步地，在步驟s1中，對(duì)應(yīng)于所述擴(kuò)展特征集的故障類型包括：正常狀態(tài)、局部放電、低能放電、高能放電、低溫過熱、中溫過熱和高溫過熱。進(jìn)一步地，在步驟s2還包括：利用所述故障特征集構(gòu)建故障樣本集合,并規(guī)范化所述故障樣本集合。進(jìn)一步地，在步驟s3中，通過計(jì)算樣本類內(nèi)距離、類內(nèi)平均值、特征平均值、類間平均距離，計(jì)算差異性因子，構(gòu)建距離評(píng)估因子，基于評(píng)估因子閾值，保留滿足所述評(píng)估因子閾值要求的特征項(xiàng)，刪除不滿足要求的特征項(xiàng)，構(gòu)成所述特征子集。進(jìn)一步地，在步驟s4中，利用基于徑向基核函數(shù)的支持向量機(jī)，建立故障診斷模型；其中，所述故障診斷模型選擇所述特征子集作為輸入，而各油中溶解氣樣本對(duì)應(yīng)故障類型作為輸出。進(jìn)一步地，在步驟s5中，采用粒子群算法，對(duì)粒子群速度與位置的更新和適應(yīng)值求解進(jìn)行迭代，直至滿足預(yù)設(shè)終止條件迭代停止，獲得所述最優(yōu)參數(shù)組合。進(jìn)一步地，在步驟s6中，依據(jù)所述最優(yōu)參數(shù)組合建立支持向量機(jī)診斷模型，并分析待測(cè)油中溶解氣故障樣本，輸出最終故障類型。本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。附圖說明本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：圖1是本發(fā)明實(shí)施例的基于粒子群支持向量機(jī)的變壓器故障診斷方法的流程圖；圖2是本發(fā)明一個(gè)實(shí)施例的基于粒子群算法的支持向量機(jī)關(guān)鍵參數(shù)選擇流程圖。具體實(shí)施方式下面詳細(xì)描述本發(fā)明的實(shí)施例，所述實(shí)施例的示例在附圖中示出，其中自始至終相同或類似的標(biāo)號(hào)表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實(shí)施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對(duì)本發(fā)明的限制。參照下面的描述和附圖，將清楚本發(fā)明的實(shí)施例的這些和其他方面。在這些描述和附圖中，具體公開了本發(fā)明的實(shí)施例中的一些特定實(shí)施方式，來表示實(shí)施本發(fā)明的實(shí)施例的原理的一些方式，但是應(yīng)當(dāng)理解，本發(fā)明的實(shí)施例的范圍不受此限制。相反，本發(fā)明的實(shí)施例包括落入所附加權(quán)利要求書的精神和內(nèi)涵范圍內(nèi)的所有變化、修改和等同物。以下結(jié)合附圖描述本發(fā)明。圖1是本發(fā)明實(shí)施例的基于粒子群支持向量機(jī)的變壓器故障診斷方法的流程圖。如圖1所示，根據(jù)本發(fā)明實(shí)施例的基于粒子群支持向量機(jī)的變壓器故障診斷方法，包括以下步驟：s1：基于故障類型明確的油中溶解氣故障樣本建立數(shù)據(jù)庫d，構(gòu)成故障診斷模型的訓(xùn)練集和測(cè)試集。在本發(fā)明的一個(gè)實(shí)施例中，基于常用特征氣體氫氣(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、乙炔(c2h2)，未考慮一氧化碳(co)、二氧化碳(co2)、氮?dú)?n2)、氧氣(o2)等，建立擴(kuò)展特故障征項(xiàng)數(shù)據(jù)集d，包括但不限于各氣體相對(duì)含量、相互比值組合、烴類氣體比值及總和等特征項(xiàng)。s2：基于油中溶解氣組份，通過特征組合方式建立擴(kuò)展特征集d1，規(guī)范化擴(kuò)展特征集d1的特征子集以消除特征間數(shù)量級(jí)差異。在本發(fā)明的一個(gè)實(shí)施例中，對(duì)應(yīng)于擴(kuò)展特征集d1的故障類型包括：正常狀態(tài)(nf)、局部放電(pd)、低能放電(ld)、高能放電(hd)、低溫過熱(lt)、中溫過熱(mt)、高溫過熱(ht)。具體地，建立故障特征集如下表1所示：表1基于dga的擴(kuò)展故障特征集特征名特征內(nèi)容特征名特征內(nèi)容r1h2％r13ch4/c2h2r2ch4％r14ch4/thr3c2h6％r15c2h6/c2h4r4c2h4％r16c2h6/c2h2r5c2h2％r17c2h6/thr6h2/ch4r18c2h4/c2h2r7h2/c2h6r19c2h4/thr8h2/c2h4r20c2h2/thr9h2/c2h2r21c2h2/tdr10h2/thr22c2h4/tdr11ch4/c2h6r23ch4/tdr12ch4/c2h4r24ts其中，h2％＝h2/(h2+ch4+c2h6+c2h4+c2h2)，其余類似；th＝ch4+c2h6+c2h4+c2h2；td＝c2h4+c2h2+ch4；ts＝h2+ch4+c2h6+c2h4+c2h2。在本發(fā)明的一個(gè)實(shí)施例中，利用故障特征集d1構(gòu)建dga故障樣本集合d’,規(guī)范化故障樣本集d’。具體地，通過以下公式進(jìn)行規(guī)范化處理：其中xi、xni分別各故障特征項(xiàng)歸一化前及歸一化后的值，ximax和ximin為各故障特征項(xiàng)最大值和最小值。s3：采用基于距離的特征選擇方法，計(jì)算類內(nèi)、類間特征距離，評(píng)估各特征對(duì)分類敏感性，保留敏感特征，刪除不滿足相關(guān)條件的特征項(xiàng)，構(gòu)成輸入特征子集d2。在本發(fā)明的一個(gè)實(shí)施例中，通過計(jì)算樣本類內(nèi)距離、類內(nèi)平均值、特征平均值、類間平均距離，計(jì)算差異性因子，構(gòu)建距離評(píng)估因子。基于評(píng)估因子閾值ε，保留滿足閾值要求的特征項(xiàng)，刪除不滿足要求的特征項(xiàng)，構(gòu)成輸入特征子集d2。具體地，假定針對(duì)一個(gè)dga故障樣本數(shù)據(jù)庫d，其故障類型包括c類，由dga組份構(gòu)成的特征集s：s：{tm,c,j，m＝1,2…mc；c＝1,2,…,c；j＝1,2,…,j}其中：tm,c,j為第c類故障的第m個(gè)樣本的第j個(gè)特征；mc表示第c類的樣本數(shù)，j代表各類特征個(gè)數(shù)；計(jì)算同一類所有樣本的類內(nèi)平均距離c個(gè)類內(nèi)距離的平均值為：計(jì)算類內(nèi)距離的差異性因子計(jì)算同一類所有樣本的每個(gè)樣本平均值：計(jì)算不同類之間的平均距離：計(jì)算類間距離的差異性因子：計(jì)算加權(quán)因子計(jì)算具有加權(quán)因子的類間和類內(nèi)距離比值：利用最大值規(guī)范化方法，得到距離評(píng)估因子：設(shè)定距離評(píng)估閾值ε，當(dāng)時(shí)，相應(yīng)的特征；而當(dāng)時(shí)，則剔除該特征項(xiàng)，從而構(gòu)成輸入特征子集d2。s4：選擇基于徑向基核函數(shù)的支持向量機(jī)作為變壓器故障診斷分類器，以輸入特征子集d2作為輸入項(xiàng)，各樣本對(duì)應(yīng)故障類型作為輸出。在本發(fā)明的一個(gè)實(shí)施例中，利用基于徑向基(rbf)核函數(shù)的支持向量機(jī)，建立故障診斷模型；其中，故障診斷模型選擇輸入特征子集d2作為輸入，而各dga樣本對(duì)應(yīng)故障類型作為輸出。具體地，步驟s4進(jìn)一步包括：s401：設(shè)定輸入與輸入：將經(jīng)過基于距離的特征選擇方法精簡(jiǎn)后的輸入特征子集d2作為輸入，將各故障樣本對(duì)應(yīng)的狀態(tài)類型(包括：正常、局部放電、低能放電、高能放電、低溫過熱、中溫過熱、高溫過熱)作為輸出。s402：面對(duì)非線性可分問題(變壓器故障診斷)，依據(jù)svm原理，在線性不可分時(shí)的最優(yōu)分類面可用下式描述的優(yōu)化問題表示。式中，表示樣本集中錯(cuò)分樣本個(gè)數(shù)的上界，c用于控制對(duì)錯(cuò)分樣本的懲罰程度，w為超平面法線，b為分類閾值，||ω||為分類間隔。面對(duì)非線性問題，通過非線性變換轉(zhuǎn)化為高維空間的線性問題，在變換空間中求最優(yōu)分類面。由于核函數(shù)滿足mercer條件，可采用適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)非線性變換后的線性分類。本次分析采用基于rbf核函數(shù)的svm。rbf核函數(shù)為k(xi,x)＝exp(-||xi-x||2/2γ2)式中：γ為徑向基核函數(shù)的寬度參數(shù)。s5：利用粒子群算法(particleswarmoptimization，pso)優(yōu)化支持向量機(jī)關(guān)鍵參數(shù)——懲罰參數(shù)c和徑向基核函數(shù)參數(shù)γ，求得最優(yōu)參數(shù)組合(c,γ)。在本發(fā)明的一個(gè)實(shí)施例中，為了選擇故障診斷模型最優(yōu)關(guān)鍵參數(shù)——c與γ，采用粒子群算法，通過粒子群速度與位置的更新、適應(yīng)值求解、終止條件對(duì)比等步驟迭代優(yōu)化獲得最優(yōu)參數(shù)組合(c,γ)。具體地，步驟s5進(jìn)一步包括：s501：粒子群算法初始化設(shè)定；隨機(jī)初始化各個(gè)例子的初始位置與速度，設(shè)定適應(yīng)度函數(shù)，慣性權(quán)值，加速度常數(shù)、最大速度及最大代數(shù)等。s502：評(píng)價(jià)粒子適應(yīng)度值；通過計(jì)算各個(gè)粒子對(duì)應(yīng)的適應(yīng)度值來確定粒子更新粒子位置與適應(yīng)度值，通過迭代不斷對(duì)每個(gè)粒子的適應(yīng)度值、位置分別于pbest、gbest作比較并更新。本次分析以故障診斷診斷率為適應(yīng)度函數(shù)，即是：fsvm(c,γ)＝accuracy其中，各個(gè)例子位置、速度及慣性權(quán)重的更新計(jì)算公式如下所示：vid(i+1)＝ω×vid(i)+c1×rand()×(pbest-xid(i)+c2×rand()×gbest-xid(i))xid(i+1)＝xid(i)+vid(i+1)式中：n和nmax為當(dāng)前進(jìn)化代數(shù)和最大進(jìn)化代數(shù)；vid(i)為當(dāng)前粒子速度，vid(i+1)為例子更新后的速度；xid(i)是當(dāng)前粒子的位置；xid(i+1)是粒子更新后的位置；w為慣性權(quán)重，用于平衡全局搜索和局部搜索；rand()為介于(0,1)的隨機(jī)數(shù)，c1、c2是學(xué)習(xí)因子，通常c1＝c2＝2；基于粒子群算法的支持向量機(jī)關(guān)鍵參數(shù)選擇流程圖2所示。s503：所有粒子進(jìn)行迭代計(jì)算；當(dāng)?shù)螖?shù)達(dá)到最大代數(shù)或適應(yīng)度值達(dá)到所需要求，則停止迭代，選擇最好的適應(yīng)度值條件下的粒子參數(shù)來選擇對(duì)應(yīng)的支持向量機(jī)的最優(yōu)參數(shù)組合(c,γ)，并基于該參數(shù)組合構(gòu)建故障診斷模型。s6：使用基于最優(yōu)參數(shù)組合的支持向量機(jī)診斷模型確定待測(cè)dga樣本故障類型。在本發(fā)明的一個(gè)實(shí)施例中，依據(jù)最優(yōu)參數(shù)組合(c,γ)建立支持向量機(jī)診斷模型，并分析待測(cè)dga故障樣本，輸出最終故障類型。根據(jù)本發(fā)明實(shí)施例的基于粒子群支持向量機(jī)的變壓器故障診斷方法，通過充分?jǐn)U展基于dga組份的故障特征，發(fā)現(xiàn)并挖掘潛在的有效新特征，利用基于距離的特征選擇方法，保留對(duì)分類敏感的重要特征，刪除冗余特征項(xiàng)，降低故障特征項(xiàng)維度；通過粒子群算法求取徑向基核支持向量機(jī)最優(yōu)關(guān)鍵參數(shù)組合，建立具有高可靠性的電力變壓器故障診斷模型，提升故障診斷模型可解釋性，有效提高故障診斷精度。另外，本發(fā)明實(shí)施例的基于粒子群支持向量機(jī)的變壓器故障診斷方法的其它構(gòu)成以及作用對(duì)于本領(lǐng)域的技術(shù)人員而言都是已知的，為了減少冗余，不做贅述。在本說明書的描述中，參考術(shù)語“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說明書中，對(duì)上述術(shù)語的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同限定。當(dāng)前第1頁12