[發明專利]基于支持向量機多分類概率輸出的變壓器故障診斷方法

有效

• 申請號: 202010804566.5
• 申請日: 2020-08-12
• 公開（公告）號: CN112085064B
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 陳仕驕;姚小龍;黃建濤;吳國天;楊昌隆;蘇克勇;羅巍;周嘉璐;寧嘉;王一
• 申請（專利權）人: 云南電網有限責任公司普洱供電局
• 主分類號: G06F18/2411
• 分類號: G06F18/2411;G06F18/214;G01R31/00
• 代理公司: 昆明正原專利商標代理有限公司 53100
• 代理人: 金耀生;于洪

1.一種基于支持向量機多分類概率輸出的變壓器故障診斷方法，其特征在于，包括如下步驟：

步驟(1)，故障特征量的選取和故障分類：

選取了油中溶解的H₂、CH₄、C₂H₆、C₂H₄、C₂H₂作為氣體特征參數；

SVM模型輸入的樣本(x,y)的特征向量x是這5類氣體的含量構成的向量(x₁,x₂,x₃,x₄,x₅)，y為樣本的故障類型；

步驟(2)，收集已知故障類型的變壓器油中溶解氣體數據，形成訓練樣本集；

步驟(3)，SVM模型核函數和懲罰參數C的選擇：SVM模型核函數采用徑向基函數；核函數中的參數γ和SVM的懲罰參數C的確定是采用網格搜索的方法，對訓練樣本集進行交叉驗證，選擇其中準確率最高的一組(C,γ)作為模型的參數；

步驟(4)，采用訓練樣本集使用步驟(3)選擇的準確率最高的一組(C,γ)訓練出SVM模型；所述的SVM模型的輸入為訓練樣本集，輸出為故障類型；

步驟(5)，將每一個SVM的訓練樣本(x_i,y_i)對應的(f_i,y_i)作為Sigmoid函數的訓練集，進行訓練，得出Sigmoid函數中的參數A、B，從而得到Sigmoid函數；

其中f_i為SVM決策函數計算得出的值；

其中，K(x_i,x_gus)為SVM模型核函數，x_gus表示變量，α_i是拉格朗日乘子，可極大似然估計算法求解；x_i為樣本數據；y_i為樣本標簽值，即樣本的故障類型；b為常數；

將SVM決策函數f_i的輸出值映射成到區間[0,1]，從而實現概率輸出，如式(10)：

其中，f_i＝f_i(x)是分類決策函數輸出，A、B是Sigmoid函數的待定參數；P_A,B(f_i)表示各類輸出故障類型對應的概率；

步驟(6)，基于步驟(4)的故障診斷模型，結合步驟(5)得到的各類故障發生時的P_A,B(f_i)值和樣本標準差的值，進行故障診斷。

2.根據權利要求1所述的基于支持向量機多分類概率輸出的變壓器故障診斷方法，其特征在于，懲罰參數C的取值范圍為[10^-6,10^-5,...,10⁵,10⁶]，徑向基函數的參數γ的取值范圍為[10^-5,10^-4,...,10⁴,10⁵]。

3.根據權利要求1所述的基于支持向量機多分類概率輸出的變壓器故障診斷方法，其特征在于，b取值為1.02。

4.根據權利要求1所述的基于支持向量機多分類概率輸出的變壓器故障診斷方法，其特征在于，步驟(1)中，故障類型分為六種：低溫過熱T₁，即絕緣油溫度≤300℃；中溫過熱T₂，即絕緣油溫度高于300℃并低于等于700℃；高溫過熱T₃，即絕緣油溫度高于700℃；局部放電PD；低能放電D₁；高能放電D₂。

5.根據權利要求1所述的基于支持向量機多分類概率輸出的變壓器故障診斷方法，其特征在于，步驟(6)中，具體診斷方法為：

故障樣本標準差計算公式如下：

其中，σ表示樣本的標準差的值，表示樣本的平均值，n表示樣本的個數；

(1)當max(P_A,B(f_i))60％且σ0.25時，則認為變壓器故障特征明確，SVM模型輸出故障類型為變壓器實際故障類型；

(2)若不滿足上述條件時，則認為變壓器的故障特征不明確，SVM模型輸出的故障類型可能是變壓器實際故障；然后按照概率從大到小進行排序，選擇概率排序前兩到三個故障類型，對設備進行有針對性的人工校正。