一种用于电力变压器故障识别的理论方法研究

支持向量机方法基于小样本的统计学习理论,其本质上是个优化和分类问题。设计了一种使用遗传算法优化多分类支持向量机参数,并将参数优化后的多分类支持向量机用于电力变压器故障识别的方法。该方法对色谱分析法检测到的特征气体含量进行数值预处理,提取出故障识别所需要的n+1个特征量,然后利用数值预处理后得到的数据样本对多分类支持向量机进行训练和识别,通过输出结果判断变压器所处的状态,以达到设备状态监测的目的。     

用LS-SVMs分析油浸式变压器故障

鉴于支持向量机法可较好地解决小样本、非线性、高阶动态系统的检测、分类、诊断等领域的一类实际问题,为改进变压器的故障诊断方法,采用分层决策最小二乘支持向量机作为油浸式变压器故障分类器,利用多层动态自适应优化算法优化了径向基核函数δ,惩罚参数c。采用最少特征量—4种气体作为故障识别的依据,用4级支持向量机进行训练和诊断,以此判断油浸式变压器运行所处的状态。最小二乘多级支持向量机分类器克服了神经网络存在大量的学习样本又易陷入局部极小值等缺点,具有所用特征量少,训练时间短,诊断准确率高等优点。     

基于模糊理论与支持向量机的变压器故障诊断方法

针对变压器结构的复杂性和故障机理的多样性,提出一种基于模糊理论和支持向量机的变压器故障诊断方法.该方法首先采用模糊理论对故障样本数据进行预处理,提取故障特征,再用支持向量机方法进行故障分类,通过采用一对多(1-a-r)的方法实现多目标分类,得出诊断结果.针对支持向量机参数不易确定的问题,采用多层动态自适应算法与k-折交叉验证方法结合对参数进行优化分析.故障诊断实例测试结果显示,该方法不仅克服了传统比值法中编码缺失、编码边界过于绝对的问题,诊断结果具有更高的准确率,而且也具有较好的适用性.     

混沌支持向量机在变压器局部放电检测中的应用

针对变压器故障诊断中缺少实际典型故障样本的问题,提出了混沌支持向量机(CSVMs)变压器局部放电检测方法。该方法采用K均值聚类(KMC)对变压器油中5种特征气体样本进行预选取作为特征向量,输入到混沌优化多分类支持向量机中进行训练,建立CSVMs诊断模型,实现对故障样本的诊断分类。实例分析表明,KMC算法浓缩了故障信息,有效地解决了确定模型参数时耗时巨大的问题;混沌优化较好地提高了模型的推广能力。该方法在有限样本情况下,能够达到较高的故障正判率,满足变压器故障自动诊断的目的。     

模糊支持向量机在变压器故障诊断中的应用

为了解决在变压器故障诊断时复杂难辨的问题,提出了利用模糊支持向量机构建变压器故障诊断模型的方法。该方法是在支持向量机(SVM)的基础上引入模糊度隶属函数,从而有效消除噪声和野点对诊断结果的影响。通过模糊C均值算法(FCM)求取模糊支持向量机的隶属度,对所得样本进行预处理,然后利用交叉验证和网格搜索相结合的方法对支持向量机进行参数寻优。实验表明,该方法比改良IEC比值法和传统支持向量机法具有更高的准确率,更适用于变压器故障诊断。     

基于支持向量机和交叉验证的变压器故障诊断

为及时监测变压器潜伏性故障和准确诊断故障,提出基于优化惩罚因子C参数的支持向量机算法（C-SVC：C-support vector classification）和交叉验证算法相结合的变压器故障诊断方法。该方法利用变压器在故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的体积分数数据建立训练集和测试集。在训练集中,该方法能自动优化出（寻找最佳）支持向量机的核函数的参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而诊断出变压器的故障类型。变压器故障诊断实例分析结果证明,该方法可行,有效,且具有较高的故障诊断准确率。     

基于1-DISVM的无刷直流电动机故障识别方法

提出一种基于改进无监督学习支持向量机(1-DISVM)的无刷直流电动机故障识别方法.通过对无刷直流电动机正常以及驱动电路开关管断路、定子绕组端部断路、Hall传感器断线三种故障状态的仿真模拟,对仿真过程中得到的母线电流采样数据进行FFT频谱分析,作为输入特征向量用于支持向量机分类器的训练和故障识别.将改进无监督学习支持向量机用于无刷直流电动机的故障识别,并与无监督学习支持向量机(1-SVM)的故障识别结果进行比较,结果表明基于改进无监督学习支持向量机的无刷直流电动机故障识别方法具有更高的准确率.     

基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法

电力变压器运行故障的准确诊断有利于提高变电设备状态检修和电网安全运行水平，为实现故障的准确分类，文章以油中溶解的5种典型气体作为故障诊断的特征量，提出一种基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法。该方法通过改进灰狼算法寻求最小二乘支持向量机中的最优惩罚系数C和核函数参数g，用以提高故障诊断的准确率。首先阐明最小二乘支持向量机和灰狼算法的改进点并将二者耦合，将其代入413组电力变压器的油中溶解气体检测数据来诊断故障类型，与其他诊断方法进行对比；其次研究惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响规律；最后借助训练后的改进灰狼算法与最小二乘支持向量机耦合方法，通过两台不同电压等级的变压器故障实例分析，验证了故障诊断方法的有效性。研究结果表明：相较于单一使用最小二乘支持向量机和传统灰狼算法与最小二乘支持向量机耦合，改进灰狼算法与最小二乘支持向量机耦合方法对电力变压器故障诊断的准确率分别提高了14%和7%。此外，惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响呈现非线性规律，凸显了通过智能算法找到最优解的便捷性、必要性、有效性。     

基于粗糙集与支持向量机的变压器故障诊断

提出了一种基于支持向量机、粗糙集和属性约简集选择的变压器故障诊断方法,以二值分类法为基础,构建了基于支持向量机的多值分类器。利用领域知识对变压器连续性色谱数据进行离散化,采用粗糙集进行约简,并用约简集选择算法提取其重要特征子集,建立特征气体比值与故障类型的映射关系,采用粒子群算法对支持向量机核参数进行优化,达到了故障诊断的目的。仿真结果表明,该方法对变压器故障诊断具有较高的诊断率。     

基于参数优化的电力变压器故障诊断模型

针对当前电力变压器故障诊断效率低、误差大的难题,提出了基于参数优化的电力变压器故障诊断模型。首先提取电力变压器故障的特征,将其作为最小二乘支持向量机输入,电力变压器故障类型作为输出,然后采用最小二乘支持向量机对电力变压器的故障诊断样本进行学习,构建电力变压器故障识别的分类器,并引入混沌粒子群算法对最小二乘支持向量机的参数进行优化,最后进行了电力变压器故障诊断的仿真对比测试。测试结果表明,本文模型可以准确辨识各种类型的电力变压器故障,获得较高正确率的变压器故障诊断结果,电力变压器故障诊断的速度,而且电力变压器故障诊断整体性能要优于当前其它电力变压器故障诊断模型。     

支持向量机参数优化及其在变压器故障诊断中的应用

支持向量机(Support Vector Machines,SVM)分类器在变压器故障诊断中取得了较好的效果,然而对其性能起关键作用的参数选择,却没有理论依据或有效方法。鉴于交叉验证(Cross validation,CV)是模型性能评估和模型选择的有效方法,而遗传算法(Genetic Algorithm,GA)可以实现全局寻优,将CV与GA方法相结合用来选取SVM分类器参数。该方法采用GA方法对SVM分类器参数进行优化,利用CV构造GA适应度函数,为SVM分类器参数选择提供评价标准。并将其应用于变压器故障诊断,从而充分利用有限的变压器故障样本数据,提高SVM分类器的推广性。实例分析表明同Grid与SVM相结合,CV、Grid与SVM相结合及GA与SVM相结合的方法相比,所提方法具有更好的效果。     

Power transformer fault diagnosis based on dissolved gas analysis by support vector machine

This paper presents an intelligent fault classification approach to power transformer dissolved gas analysis (DGA). Support vector machine (SVM) is powerful for the problem with small sampling (small amounts of training data), nonlinear and high dimension (large amounts of input data). The standard IEC 60599 proposes two DGA methods which are the ratios and graphical representation. According the experimental data, for the same input data, these two methods give two different faults diagnosis results, what brings us to a problem. This paper investigates a novel extension method which consists in elaborating an input vector establishes by the combination of ratios and graphical representation to resolve this problem. SVM is applied to establish the power transformers faults classification and to choose the most appropriate gas signature between the DGA traditional methods and a novel extension method. The experimental data from Tunisian Company of Electricity and Gas (STEG) is used to illustrate the performance of proposed SVM models. Then, the multi-layer SVM classifier is trained with the training samples. Finally, the normal state and the six fault types of transformers are identified by the trained classifier. In comparison to the results obtained from the SVM, the proposed DGA method has been shown to possess superior performance in identifying the transformer fault type. The SVM approach is compared with other AI techniques (fuzzy logic, MLP and RBF neural network); the proposed method gives a good performance for transformers fault diagnosis. The test results indicate that the novel extension method and the SVM approach can significantly improve the diagnosis accuracies for power transformer fault classification.     

基于K-L特征提取与支持向量机的油浸式变压器故障诊断模型研究

针对变压器多故障问题,提出了基于Mercer核函数的欧式距离查询策略算法,并建立了基于Karhunen-Loeve(K-L)特征提取与支持向量机的变压器故障诊断模型,利用K-L变换提取信号的特征值,最后通过支持向量机学习算法完成对信号的选择与分类。通过实例应用表明:所训练的SVM分类器较之直接任意选取训练样本作为训练集的传统方法具有更高的诊断率。     

基于Focal损失SSDAE的变压器故障诊断方法

研究变压器的故障诊断对电力系统安全稳定运行具有重大现实意义。以油中溶解气体特征为输入的传统变压器故障诊断方法在处理样本不平衡数据时具有较大的局限性。针对这一问题,文中提出一种基于Focal损失栈式稀疏降噪自编码器（SSDAE）的变压器故障诊断方法。该方法通过类别权重确定超参数,并在原始输入中加入高斯白噪声,有利于自编码器充分提取有效特征,进而得到有效的深度特征提取模型;采用Focal损失函数对模型进行优化,并利用Softmax分类器输出诊断结果。案例分析结果表明,与传统三比值法、反向传播神经网络（BPNN）和支持向量机（SVM）法等变压器故障诊断方法相比,文中方法可进一步提升诊断准确率。     

基于特征提取与INGO-SVM的变压器故障诊断方法

针对使用支持向量机(support vector machine, SVM)对变压器进行故障诊断时有效特征提取困难、模型参数难以选择的问题,提出一种基于特征提取与INGO-SVM的变压器故障诊断方法。首先,使用核主成分分析(kernel principal component analysis, KPCA)方法对构建的21维待选特征进行特征融合和低维敏感特征提取。其次,使用佳点集、随机反向学习和维度交叉学习等策略对北方苍鹰优化算法(northern goshawk optimization, NGO)进行改进。通过2个典型测试对改进北方苍鹰优化算法(improved northern goshawk optimization, INGO)进行性能测试,验证了INGO算法的优越性。然后,基于KPCA提取的低维敏感特征,使用INGO对SVM的参数进行组合寻优,建立基于KPCA特征提取与INGO-SVM的变压器故障诊断模型。最后,对不同变压器故障诊断模型进行实例仿真对比实验。结果表明：所提方法故障诊断精度高、稳定性好,更适用于变压器的故障诊断。     

基于支持向量同归的电力变压器状态评估

为提高电力变压器状态评估的准确性,将变压器健康状态分为5级。鉴于支持向量机对小样本具有良好的拟合能力,而变压器数据具有小样本、贫信息的特点,提出了基于支持向量回归的电力变压器状态评估模型。将变压器的油色谱分析数据和电气实验数据利用半岭模型确定变压器各个参数的分值,评分项目结果作为支持向量机的自变量,通过多层动态自适应优化算法优化了支持向量回归的参数,形成变权重的预测。实例验证了变压器状态评估模型的正确性及可行性,其结果更接近变压器的真实运行状态。     

一种自主核优化的二值粒子群优化–多核学习支持向量机变压器故障诊断方法

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性.提出了基于二值粒子群优化(binary particle swarm optimization , BPSO)的多核学习 SVM 分类方法(BPSO-MKSVC)进行变压器故障诊断.多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解.采用BPSO 优化算法对 MKSVC 中的基核数及模型参数进行优化,实现了参数的自主选择.与常用诊断算法相比, BPSO-MKSVC 具有更高的诊断精度;与 PSO 优化的 SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性     

基于选择性贝叶斯分类器的变压器故障诊断

电力变压器故障诊断中的测试数据信息不完备、有偏差,而贝叶斯网络处理不确定性问题能力强.提出了一种基于选择性贝叶斯分类器的、溶解气体分析结合其他电气试验结果的变压器故障诊断方法,并建立了变压器选择性贝叶斯故障诊断模型.详细阐述并验证了该方法解决信息不完备问题的优越性.该模型还可以通过不断积累完善训练样本,自动修正网络结构...     

基于支持向量机混合模型的短期负荷预测方法

将支持向量机专家系统混合模型应用于短期负荷预测采用方法分为2个阶段:应用神经网络中的聚类算法将历史数据分割成不相连的数据域;对每个数据域选择最佳核函数预测单个SVMs。实际数据验证表明,该方法与单个多项式核、高斯核和3次样条核的SVMs预测相比具有预测精度高、支持向量少和计算量小等优点。     

基于贝叶斯优化随机森林的变压器故障诊断

针对集成学习参数众多,缺乏高效准确的参数寻优方法的问题,文章提出了基于贝叶斯优化随机森林(RF)的变压器故障诊断方法.该方法采用了多个决策树构成RF故障诊断模型,然后将高斯过程(GP)作为概率代理模型、提升策略(PI)作为采集函数,构建贝叶斯优化(B0)算法,进行RF模型参数寻优.此外,还对支持向量机(SVM)和K最近邻(KNN)两种模型进行贝叶斯优化并对比.在RF模型上,将贝叶斯优化与随机搜索优化进行性能对比.实验结果表明:RF模型经贝叶斯参数寻优后,诊断准确率有明显提高;与随机搜索优化方法相比,贝叶斯优化搜索的模型参数更优,寻优效率更高.