基于油中溶解气体的支持向量机变压器故障诊断

《基于油中溶解气体的支持向量机变压器故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、国内图书分类号：TM411网际图书分类号：621

2、39硕士学位论文学校代码：10079密级：公丌基于油中溶解气体的支持向量机变压器故障诊断硕士研究生：导师：申请学位：学科：专业：所在学院：答辩日期：授予学位单位：祖文超苑津莎教授工学硕士信息与通信工程通信与信息系统电气与电子工程学院2013年3月华北电力大学ClassifiedIndex：TM41U．D．C：621．39ThesisfortheMasterDegreePowerTransformerFaultDiagnosisBasedonSupportVectorMach

3、inesandDissolvedGasAnalysisCandidate：Supervisor：School：DateofDefelice：ZuWenchaoProf．YuanJinshaSchoolofElectricalandElectronicsEngineeringMarch，2013Degree—Conferring—lnstitutio：NorthChinaElectricPowerUniversity华北电力大学硕士学位论文原创性声明本人郑重声明：此处所提交的顾l：学位论文《基于汕中溶解气体的支持向量机变压器

4、故障诊断》，是本人在导师指导下，在华北电力大学攻读硕士学位期问独立进行研究工作所取得的成果。据本人所知，沦文中除已注明部分外不包含他人己发表或撰写过的研究成果。对本文的研究工作做出重要贡献的个人和集体，均已在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签名：租之挺日期：V协年>月5-n华北电力大学硕士学位论文使用授权书《基于油中溶解气体的支持向量机变压器故障诊断》系本人在华北电力大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归华北电力大学所有，本论文的研究内容不得以其它单位的名义发表。本

5、人完全了解华北电力大学关于保存、使用学位论文的规定，同意学校保留并向有关部门送交论文的复印件和电子版本，允许论文被查阅和借阅。本人授权华北电力大学，可以采用影印、缩印或其他复制手段保存论文，可以公布论文的全部或部分内容。本学位论文属于(请在以下相应方框内打“、／”)：保密口，在年解密后适用本授权书不保密∥作者签名：痈玟挺日期：№f岁年3月，日导师签名：枥协日期：如哆年；月丁同华北I乜力大学硕二l：学位论文摘要SVM算法最初是为二值分类问题设计的，在模式识别领域处理多类问题时，需要构造合适的多类分类器，变压器故障诊断实际上就

6、是一种多分类问题，所以为了将SVM用于解决变压器的故障多分类问题，人们对SVM多分类算法方面进行了大量的研究，提出了一些有效的SVM多类分类算法(如“一对一”，“一对多”，“二叉树决策”)。然而在实际应用中，现实条件的限制会存在训练数据不足，特征提取不完整以及训练算法本身的固有缺陷，影响识别的的准确性，产生分类误差，而纠错编码(ECOC)最大的优势能够对分类误差进行有效地修正，如果对于一组纠错编码其最小汉明距离为d，至少能修正id．I／2I位误差，即便有d一1／21个分类出错，系统还是能给出正确的判别结果。而且如果错误量很

7、少，还可能恢复原始信息。因此本文将基于纠错编码的SVM多类分类算法应用于变压器故障诊断中。最后，本文将SVM模型同BP神经网络识别方法相比，ECC．SVM分类器应用到电力变压器故障诊断中识别错误率更低，它的计算时间小于BP神经网络。本文采用方法远大于三比值识别精确度，主要因为三比值有时会出现分类错误和诊断结果没有对应的编码问题。可见，通过和BP神经网络以及三比值作对比，ECC．SVM可以降低在实际应用中油气数据训练样本不足以及特征提取不完整带来的分类误差，提高了故障识别精度。关键词：支持向量机；电力变压器；故障诊断；纠错编

8、码华北I乜力大学硕十学位论文AbstractSVMalgorithmwasoriginallYdesignedforbinary—classificationproblems．Tosolvemulti．classclassificationprobleminthefieldofthepatternrecognition，suitablemulti。classclassificationsareneededtobeconstructed，Transformerfaultdiagnosisisakindofmulti．clas

9、sclassificationproblem，SOinordertosolvetransformerfaultmulti—classclassificationproblembyusingtheSVM，peopledoalotofresearchonSVMmulti—classclassificatio