基于SVM多分类法的变压器油中溶解气体故障诊断.pdf

《基于SVM多分类法的变压器油中溶解气体故障诊断.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第47卷第3期Vol.47No.32010年3月TRANSFORMERMarch2010基于SVM多分类法的变压器油中溶解气体故障诊断张哲，朱永利，武中利，韩凯（华北电力大学计算机学院，河北保定071003）摘要：提出了一种基于支持向量机多分类法的变压器油中溶解气体分析诊断模型，并给出了故障实例。关键词：变压器；支持向量机；交叉验证中图分类号：TM406文献标识码：B文章编号：1001－8425（2010）03－0059－05FaultDiagnosisofTransformerDissolvedGasAnalysisBasedonSVMMultipleClassificatio

2、nZHANGZhe,ZHUYong-li,WUZhong-li,HANKai（NorthChinaElectricPowerUniversity,Baoding071003,China）Abstract：ThemodelofthedissolvedgasanalysisanddiagnosisoftransformerbasedonSVMmultipleclassificationispresented.Theexamplesaregiven.Keywords：Transformer；SVM；Cross-validation题，已成为继神经网络研究之后机器学习界的研究1引言热点。

3、电力变压器是电力系统中的重要设备，也是导本文中笔者针对变压器DGA气体数据差异性致电力系统事故较多的电气设备之一，其运行状态大、故障种类较多等特点，采用支持向量机一对多直接影响系统的安全水平。（1-v-r）和一对一（1-v-1）算法的分类方法组合诊油中溶解气体分析法（DGA法）被认为是诊断断。首先将变压器正常状态与故障状态分离，再对油浸式电力变压器故障的方便、有效的手段。它能变压器故障状态进行具体诊断。结果表明，将两种及时发现变压器内部存在的潜伏性故障，有利于促多分类算法结合起来有很好的分类效果和推广能进定期维修向状态维修方式的过渡。利用DGA数力。据来诊断变压器故障的方法较多，

4、采用IEC/IEEE2支持向量机基础推荐的三比值法是常用方法。但在其实际应用中仍暴露出编码不全、编码边界过于绝对等弊端。目前，支持向量机是根据统计学习理论中结构风险最许多智能的方法如人工神经网络、贝叶斯理论及专小化原则提出的，SVM能够尽量提高学习机的推广家系统等被应用于电力变压器故障诊断中，取得了能力，即使有限数据集得到的判别函数对独立的测比较好的效果。然而各种智能方法需要大量的故障试集仍能够得到较小的误差。支持向量机目前有两数据样本或先验知识，实际工程中得到的数据样本种应用：回归与分类，本文中笔者讨论的是分类问有限，制约了各种智能诊断方法在该领域的发展应题。用。2.1最优分类

5、面支持向量机（SVM）是在统计学习理论基础上发支持向量机理论是从线性可分的情况下的最优展而来的一种新的学习方法，它基于结构风险最小分类面发展而来，其基本思想可以用图1所示的二化准则取得实际风险，最终解决的是一个凸二次规维情况来说明。划问题，理论上说，得到的是全局最优解。它能较好图1中，实心点和空心点分别代表两类样本。H地解决小样本、非线性、高维数和局部极值等实际问为分类线，H1、H2分别为过各类中离分类线最近的60第47卷支持向量是直接法；另一类是间接法。间接法是通过组合多H个二分类器来实现多分类器的构造，常见的方法有1分类线H以下几种：H2（1）一对多法（one-versus-

6、rest，1-v-rSVM）。样本2（2）一对一法（one-versus-one，1-v-1SVM）。（3）有项无环图（DirectedAcyclicGraphSVM）。（4）二叉树SVM（BinaryTreeSVM）。Margin=2/

7、

8、w

9、

10、研究表明，基于1-v-1算法的多类SVM分类器样本1具有较好的实际实用性能。图1最优分类超平面3基于SVM多分类法的变压器油中溶解气Fig.1Optimalclassificationhyperplane体分析诊断样本且平行于分类线的直线，它们之间的距离叫做3.1特征提取分类间隔（Margin），并将H1、H2上的样本称为支持通过油色谱

11、分析法得到的油中溶解气体类型和向量。所谓最优分类线就是要求分类线不但能将两变压器内部故障性质的对应关系，采用多种以油中类正确分开，而且使分类间隔最大。溶解气体为依据的判别故障方法。目前多采用H2、推广至线性不可分情况，为了描述分类超平面，CH4、C2H6、C2H4和C2H2等5种气体进行诊断，笔者引入松弛变量εi≥0，允许错分样本的存在，此时超选取这5种气体的含量作为输入特征，利用SVM对平面约束条件为：这5种特征量进行训练和诊断。yi[（ω·xi）+b]≥1-εii=1，…，n