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

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

ID:46291357

大小:283.59 KB

页数:4页

时间:2019-11-22

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_第1页
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_第2页
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_第3页
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_第4页
资源描述:

《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》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、第35卷第6期四川电力技术Vo1.35,No.62012年l2月SichuanElectricPowerTechnologyDec.。2012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方飚(四川省电力工业调整试验所,四川成都610072)摘要: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

2、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。关键词:油浸变压器;故障诊断;支持向量机;K—L特征提取Abstract:Aimingatthemulti—faultproblemsoftransformer,theEuclidiandistancequeryalgorithmbasedonMercerkernelfunctionisproposedandamodelbasedonKarhunen—Loeve(K—L)featureextract

3、ingandsuppoavectormachine(SVM)isestablishedforfaultdiagnosisofoil—immersedtransformer,theeigenvalueofsignalisextractedusingK—Ltransform,andfinally,theSVMlearningalgorithmisintroducedtoselectandclassifythetrainingsampledata.Theresultshowsthatthepre-cisio

4、nofthetrainedSVMclassifierisbetterthanthatofthetraditionalmethod,andthereliabilityandefectivenessusingtheabovementionedmethodaresatisfiedinfaultdiagnosis.Keywords:oil—immersedtransformer;faultdiagnosis;supportvectormachine;K—Lfeatureextracting中图分类号:TM85

5、5文献标志码:A文章编号:1003—6954(2012)06—0058—04变压器是电力系统中的重要设备,其运行状态这里针对变压器的5种运行模式(4种故障模直接影响到系统的安全性。油中溶解气体分析式与1种正常运行模式)提出了建立基于支持向量(dissolvedgasanalysis,DGA)是目前诊断充油电气机与K—L特征提取技术的变压器故障诊断模型。设备故障的重要手段,已作为变压器内部潜伏性故该模型的基本思想是在训练数据预选取阶段采用基障的主要试验项目列于DL/T596—1996变压器试于Merce

6、r核函数的欧式距离的查询策略选取最能验项目的首位Hj。DGA往往能够较准确、可靠地发代表各类的样本数据,从而能够更加准确地构造现逐步发展的潜伏性故障,防止由此引起重大事故。sVM分类器,减少训练样本数和缩短训练时间。同近年来的研究已将各种人工智能技术如神经网络、时利用K—L变换的特征提取技术在系统分类精度粗糙集、聚类算法、支持向量机等引人到变压器的故不降低的情况下将样本数据由六维降到三维,提取障诊断当中。了样本数据集的特征值,同时通过三维图表示了降支持向量机算法是在统计学理论基础上发为三维的样本数据,

7、从而为进一步提高分类正确率展起来的一种新的模式识别方法。它是由Vapnik奠定了基础。等人于1995年提出的从统计学习理论发展出的一种模式识别方法,是目前较为流行的适用于小样本1支持向量机分类原理训练的大边缘分类器。K—L变换是经典的传统方法,适用于任何概率1.1线性情况分布,它能保留原样本中方差最大的数据分量,所以当训练样本集线性可分时,分类超平面的描述K—L变换起了减小相关性、突出差异性的效果,因为此是在均方误差最小的意义下获得数据降维的最佳O9·+6=0(1)变换。式(1)中,向量为分类超平面的

8、权系数;b是分类·58·第35卷第6期四川电力技术V0】.35.No.62012年12月SichuanElectricPowerTechnologyDec.,2012阈值。最优分类超平面可通过解下面的凸二次优化择最能代表各类的样本数据。这种策略最大程度地问题获得。缩减了训练样本数据,降低了算法的运算量。min~b()=fI『I/2(2)2.1基于Mercer核函数的欧式距离Yi(W·)+b一1I>0,i=1,2,⋯,(3)Mercer核函数的原理是将输入

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。