本發(fā)明涉及變壓器故障診斷技術(shù)，具體涉及一種基于化學(xué)反應(yīng)算法的RVM變壓器故障診斷方法，用于針對(duì)油浸式變壓器，通過(guò)對(duì)其使用過(guò)程中油箱內(nèi)的氣體含量比值進(jìn)行分析，結(jié)合相關(guān)向量機(jī)(RVM)以及化學(xué)反應(yīng)(CRO)算法對(duì)變壓器進(jìn)行智能診斷。

背景技術(shù)：

電力變壓器對(duì)于電力系統(tǒng)的正常運(yùn)轉(zhuǎn)至關(guān)重要，其運(yùn)行狀態(tài)正常與否直接關(guān)系到電力系統(tǒng)的安全水平。盡管變壓器的結(jié)構(gòu)十分穩(wěn)定，經(jīng)過(guò)多年的發(fā)展改進(jìn)其機(jī)械性能以及電氣強(qiáng)度都已經(jīng)達(dá)到較高的水平，然而由于制造時(shí)局部缺陷難以完全杜絕，再加上變壓器在長(zhǎng)期運(yùn)行過(guò)程中，由于自身的熱、電條件變化再加上復(fù)雜的外部運(yùn)行環(huán)境影響，容易出現(xiàn)絕緣老化以及材質(zhì)劣化的現(xiàn)象，進(jìn)而引發(fā)故障。所以有必要對(duì)變壓器的故障進(jìn)行有效監(jiān)測(cè)，及時(shí)應(yīng)對(duì)。

目前大型電力變壓器主要是油浸式電力變壓器，實(shí)踐證明變壓器油中溶解氣體的組分和含量可以在很大程度上變壓器的運(yùn)行狀態(tài)，并且由于油中氣體的檢測(cè)不受電磁波的干擾，檢測(cè)結(jié)果具有復(fù)現(xiàn)性和可靠性。所以在現(xiàn)行的《電力設(shè)備預(yù)防性試驗(yàn)規(guī)程》中已經(jīng)將變壓器油中氣相色譜分析方法放在首要的位置?；贒GA數(shù)據(jù)的變壓器故障診斷方法能及時(shí)發(fā)現(xiàn)變壓器潛在故障,可在變壓器運(yùn)行過(guò)程中進(jìn)行故障分析,并能發(fā)現(xiàn)電氣試驗(yàn)方法很難發(fā)現(xiàn)的故障基于DGA數(shù)據(jù)的變壓器故障診斷方法已成為變壓器故障診斷的一種有效方法,形成了特征氣體組分法、特征氣體含量法、特征氣體含量比值法等傳統(tǒng)診斷方法。電力變壓器故障產(chǎn)氣機(jī)理復(fù)雜,油中氣體含量之間的分布特性很難推測(cè),油中溶解氣體含量及含量比值與故障類(lèi)型之間的映射關(guān)系復(fù)雜，僅靠人為試驗(yàn)總結(jié)難以歸納出故障征兆與故障類(lèi)型之間的關(guān)系。于是支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)和貝葉斯分類(lèi)器等人工智能方法被引入變壓器故障診斷,并取得了較好的效果。盡管上述幾種人工智能診斷方法，相對(duì)于傳統(tǒng)診斷方式已經(jīng)有了極大的提高，但是各項(xiàng)技術(shù)診斷都還存在不足，靈敏度和準(zhǔn)確度要求都差強(qiáng)人意。人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和貝葉斯分類(lèi)器的變壓器故障診斷方法都是通過(guò)搜集到的變壓器樣本數(shù)據(jù)進(jìn)行模型學(xué)習(xí),從而確定故障征兆與故障類(lèi)別之間的映射關(guān)系。這些診斷方法的特征變量通常都是選用特征氣體含量或特征氣體含量比值。三種診斷方法都以全局診斷正確率最高為目標(biāo),默認(rèn)故障誤診為正常和正常誤診為故障、高危故障誤診為低危故障和低危故障誤診為高危故障等各種誤診造成的損失代價(jià)相同。

相關(guān)向量機(jī)(Relevance vector machine,RVM)具有支持向量機(jī)可有效解決小樣本、高維、非線性分類(lèi)問(wèn)題等優(yōu)點(diǎn),克服了貝葉斯分類(lèi)器需要大量樣本數(shù)據(jù),支持向量機(jī)規(guī)則化系數(shù)確定困難、核函數(shù)受Mercer條件限制的問(wèn)題；RVM還兼有貝葉斯分類(lèi)器可以以概率的形式輸出診斷結(jié)果的優(yōu)點(diǎn),克服了支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)診斷輸出為硬分類(lèi)間隔的問(wèn)題。RVM已在電力系統(tǒng)暫態(tài)穩(wěn)定評(píng)估、電力負(fù)荷預(yù)測(cè)齒輪早期故障智能診斷、軸承故障檢測(cè)等預(yù)測(cè)和分類(lèi)領(lǐng)域并取得了很好的應(yīng)用效果。故此，針對(duì)變壓器可訓(xùn)練數(shù)據(jù)少的特點(diǎn)，將其引入變壓器故障診斷領(lǐng)域，可使得在相同的診斷時(shí)間下，診斷的準(zhǔn)確率有了明顯的提升。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問(wèn)題：針對(duì)現(xiàn)有技術(shù)的上述問(wèn)題，提供一種能夠有效提升變壓器故障診斷準(zhǔn)確率，所需數(shù)據(jù)少、診斷速度快的基于化學(xué)反應(yīng)算法的RVM變壓器故障診斷方法。

為了解決上述技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案為：

一種基于化學(xué)反應(yīng)算法的RVM變壓器故障診斷方法，步驟包括：

1)從待診斷變壓器的DGA原始特征數(shù)據(jù)中選擇能夠反應(yīng)故障類(lèi)型的多種DGA故障特征氣體的濃度值進(jìn)行歸一化處理后構(gòu)建訓(xùn)練輸入向量，得到訓(xùn)練樣本；

2)建立基于RVM的二叉樹(shù)多分類(lèi)模型；

3)采用化學(xué)反應(yīng)算法對(duì)所述基于RVM的二叉樹(shù)多分類(lèi)模型進(jìn)行參數(shù)尋優(yōu)，得到基于RVM的二叉樹(shù)多分類(lèi)模型的最佳核函數(shù)參數(shù)；

4)利用訓(xùn)練樣本訓(xùn)練基于RVM的二叉樹(shù)多分類(lèi)模型；

5)將待診斷變壓器的DGA測(cè)試特征數(shù)據(jù)中選擇能夠反應(yīng)故障類(lèi)型的多種DGA故障特征氣體的濃度值進(jìn)行歸一化處理后構(gòu)建測(cè)試輸入向量，將測(cè)試輸入向量輸入訓(xùn)練好的基于RVM的二叉樹(shù)多分類(lèi)模型，得到待診斷變壓器的故障診斷結(jié)果。

優(yōu)選地，所述步驟1)中的DGA故障特征氣體包括H₂、CH₄、C2H₄、C₂H₆及C₂H₂五種氣體；所述步驟5)中的故障診斷結(jié)果包括中低溫過(guò)熱狀態(tài)、高溫過(guò)熱狀態(tài)、低能放電狀態(tài)、高能放電狀態(tài)、正常狀態(tài)共五種結(jié)果。

優(yōu)選地，所述步驟1)中進(jìn)行歸一化處理的函數(shù)表達(dá)式如式(1)所示；

式(1)中，x_i′代表DGA故障特征氣體的歸一化處理后的數(shù)據(jù)，x_i代表DGA故障特征氣體的濃度值原始數(shù)據(jù)，x_min代表DGA故障特征氣體的濃度值最小值，x_max代表DGA故障特征氣體的濃度值最大值。

優(yōu)選地，所述步驟2)中基于RVM的二叉樹(shù)多分類(lèi)模型包括RVM分類(lèi)器RVM1～RVM4，其中RVM分類(lèi)器RVM1的分類(lèi)結(jié)果包括正常狀態(tài)和故障狀態(tài)，故障狀態(tài)對(duì)應(yīng)分類(lèi)器RVM2，RVM分類(lèi)器RVM2的分類(lèi)結(jié)果包括過(guò)熱故障和放電故障，過(guò)熱故障對(duì)應(yīng)分類(lèi)器RVM3，RVM分類(lèi)器RVM3的分類(lèi)結(jié)果包括中低溫過(guò)熱狀態(tài)和高溫過(guò)熱狀態(tài)，放電故障對(duì)應(yīng)分類(lèi)器RVM4，RVM分類(lèi)器RVM4的分類(lèi)結(jié)果包括低能放電狀態(tài)和高能放電狀態(tài)。

優(yōu)選地，所述步驟2)中基于RVM的二叉樹(shù)多分類(lèi)模型的核函數(shù)采用如式(2)所示徑向基核函數(shù)；

式(2)中，K(x,y)表示核函數(shù)的值，σ表示核函數(shù)的高寬參數(shù)。

優(yōu)選地，所述步驟3)的詳細(xì)步驟包括：

3.1)初始化基于RVM的二叉樹(shù)多分類(lèi)模型的核函數(shù)參數(shù)作為化學(xué)反應(yīng)算法的分子，確定目標(biāo)函數(shù)，所述目標(biāo)函數(shù)為實(shí)際輸出和期望輸出的誤差平均值，計(jì)算各個(gè)分子動(dòng)能及勢(shì)能的初始值；

3.2)判斷是否存在分子間碰撞，如果存在分子間碰撞，則跳轉(zhuǎn)執(zhí)行步驟3.3)，否則跳轉(zhuǎn)步驟3.4)；

3.3)選中分子，且被選中的分子數(shù)量為多個(gè)，判斷選中的多個(gè)分子是否滿足合成條件，如果不滿足合成條件，則發(fā)生分子間碰撞，跳轉(zhuǎn)執(zhí)行步驟3.2)；否則，將選中的多個(gè)分子合成，跳轉(zhuǎn)執(zhí)行步驟3.5)；

3.4)選中分子，且被選中的分子數(shù)量為一個(gè)，判斷選中的分子是否滿足分解條件，如果不滿足分解條件，則發(fā)生分子間碰撞，跳轉(zhuǎn)執(zhí)行步驟3.5)；否則，將選中的多個(gè)分子分解，跳轉(zhuǎn)執(zhí)行步驟3.2)；

3.5)計(jì)算分子的勢(shì)能，選取勢(shì)能PE最小的分子；

3.6)判斷勢(shì)能PE最小的分子是否滿足化學(xué)反應(yīng)算法預(yù)設(shè)的停止條件，如果不滿足化學(xué)反應(yīng)算法的停止條件，則跳轉(zhuǎn)執(zhí)行步驟3.2)；否則，將勢(shì)能PE最小的分子對(duì)應(yīng)的核函數(shù)參數(shù)作為基于RVM的二叉樹(shù)多分類(lèi)模型的最佳核函數(shù)參數(shù)。

本發(fā)明基于化學(xué)反應(yīng)算法的RVM變壓器故障診斷方法具有下述優(yōu)點(diǎn)：本發(fā)明通過(guò)從待診斷變壓器的DGA原始特征數(shù)據(jù)中選擇能夠反應(yīng)故障類(lèi)型的多種DGA故障特征氣體的濃度值進(jìn)行歸一化處理后構(gòu)建訓(xùn)練輸入向量，得到訓(xùn)練樣本，建立基于RVM的二叉樹(shù)多分類(lèi)模型，采用化學(xué)反應(yīng)算法對(duì)所述基于RVM的二叉樹(shù)多分類(lèi)模型進(jìn)行參數(shù)尋優(yōu)，得到基于RVM的二叉樹(shù)多分類(lèi)模型的最佳核函數(shù)參數(shù)，利用訓(xùn)練樣本訓(xùn)練基于RVM的二叉樹(shù)多分類(lèi)模型，將待診斷變壓器的DGA測(cè)試特征數(shù)據(jù)中選擇能夠反應(yīng)故障類(lèi)型的多種DGA故障特征氣體的濃度值進(jìn)行歸一化處理后構(gòu)建測(cè)試輸入向量，將測(cè)試輸入向量輸入訓(xùn)練好的基于RVM的二叉樹(shù)多分類(lèi)模型，得到待診斷變壓器的故障診斷結(jié)果，解決了基于DGA采用傳統(tǒng)的三比值法進(jìn)行變壓器故障診斷時(shí)由于故障與故障特征數(shù)據(jù)之間的對(duì)應(yīng)關(guān)系存在模糊性，判斷時(shí)容易出現(xiàn)誤判的問(wèn)題，本發(fā)明使用RVM這種人工智能診斷模式，可以避免出現(xiàn)三比值法編碼缺失或者是判斷標(biāo)準(zhǔn)過(guò)于絕對(duì)的問(wèn)題，同時(shí)由于化學(xué)反應(yīng)算法的引入，可以有效優(yōu)化參數(shù)，提升故障診斷準(zhǔn)確率，基于RVM的二叉樹(shù)多分類(lèi)模型對(duì)于小樣本泛化能力優(yōu)越，所得診斷結(jié)果契合實(shí)際，對(duì)于變壓器故障診斷有著極高的實(shí)用價(jià)值，能夠及時(shí)的診斷并修復(fù)變壓器故障，具有能夠有效提升變壓器故障診斷準(zhǔn)確率，所需數(shù)據(jù)少、診斷速度快的優(yōu)點(diǎn)，對(duì)于提升電網(wǎng)的系統(tǒng)運(yùn)行經(jīng)濟(jì)性和可靠性都有著極大的意義。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例方法的基本流程示意圖。

圖2為本發(fā)明實(shí)施例中得到的基于RVM的二叉樹(shù)多分類(lèi)模型的示意圖。

具體實(shí)施方式

如圖1所示，本實(shí)施例基于化學(xué)反應(yīng)算法的RVM變壓器故障診斷方法的步驟包括：

1)從待診斷變壓器的DGA原始特征數(shù)據(jù)中選擇能夠反應(yīng)故障類(lèi)型的多種DGA故障特征氣體的濃度值進(jìn)行歸一化處理后構(gòu)建訓(xùn)練輸入向量，得到訓(xùn)練樣本；

2)建立基于RVM的二叉樹(shù)多分類(lèi)模型；

3)采用化學(xué)反應(yīng)算法對(duì)基于RVM的二叉樹(shù)多分類(lèi)模型進(jìn)行參數(shù)尋優(yōu)，得到基于RVM的二叉樹(shù)多分類(lèi)模型的最佳核函數(shù)參數(shù)；

4)利用訓(xùn)練樣本訓(xùn)練基于RVM的二叉樹(shù)多分類(lèi)模型；

5)將待診斷變壓器的DGA測(cè)試特征數(shù)據(jù)中選擇能夠反應(yīng)故障類(lèi)型的多種DGA故障特征氣體的濃度值進(jìn)行歸一化處理后構(gòu)建測(cè)試輸入向量，將測(cè)試輸入向量輸入訓(xùn)練好的基于RVM的二叉樹(shù)多分類(lèi)模型，得到待診斷變壓器的故障診斷結(jié)果。

變壓器的主要故障可以分為過(guò)熱故障以及放電故障兩類(lèi)，其中過(guò)熱故障又可以進(jìn)一步分為中低溫過(guò)熱(T₁)和高溫過(guò)熱(T₂)，放電故障可進(jìn)一步分為低能放電(PD₁)和高能放電(PD₂)。本實(shí)施例中，步驟1)中的DGA故障特征氣體包括H₂、CH₄、C2H₄、C₂H₆及C₂H₂五種氣體；步驟5)中的故障診斷結(jié)果包括中低溫過(guò)熱狀態(tài)、高溫過(guò)熱狀態(tài)、低能放電狀態(tài)、高能放電狀態(tài)、正常狀態(tài)共五種結(jié)果。

本實(shí)施例中，步驟1)中進(jìn)行歸一化處理的函數(shù)表達(dá)式如式(1)所示；

式(1)中，x_i′代表DGA故障特征氣體的歸一化處理后的數(shù)據(jù)，x_i代表DGA故障特征氣體的濃度值原始數(shù)據(jù)，x_min代表DGA故障特征氣體的濃度值最小值，x_max代表DGA故障特征氣體的濃度值最大值。結(jié)合電工操作實(shí)際情況，我們選擇以大型配電變壓器的DGA數(shù)據(jù)作為故障診斷依據(jù)。具體來(lái)說(shuō)是從中擇取了比較能反應(yīng)故障類(lèi)型的5種溶解氣體H₂、CH₄、C2H₄、C₂H₆以及C₂H₂的濃度值作為輸入向量，由于各種氣體溶解在油中的基數(shù)值是不一樣的，為了抹平由這種差異所造成的影響，需要按公式(1)對(duì)其進(jìn)行歸一化處理。將所得原始樣本數(shù)據(jù)進(jìn)行歸一化處理后便得到可以用于測(cè)試以及訓(xùn)練的樣本集。

對(duì)于RVM(相關(guān)向量機(jī))這種機(jī)器學(xué)習(xí)分類(lèi)系統(tǒng)而言，其存在多種可供選擇的核函數(shù)，比如線性核函數(shù)、多項(xiàng)式核函數(shù)以及徑向基核函數(shù)(簡(jiǎn)稱(chēng)為RBF)。本實(shí)施例中，步驟2)中基于RVM的二叉樹(shù)多分類(lèi)模型的核函數(shù)采用如式(2)所示徑向基核函數(shù)；

式(2)中，K(x,y)表示核函數(shù)的值，σ表示核函數(shù)的高寬參數(shù)。

由于單一RVM主要針對(duì)的是二分類(lèi)問(wèn)題，本實(shí)施例中針對(duì)變壓器所具備的多種故障類(lèi)型特點(diǎn)，構(gòu)建起基于RVM的二叉樹(shù)多分類(lèi)模型。如圖2所示，步驟2)中基于RVM的二叉樹(shù)多分類(lèi)模型包括RVM分類(lèi)器RVM1～RVM4，其中RVM分類(lèi)器RVM1的分類(lèi)結(jié)果包括正常狀態(tài)和故障狀態(tài)，故障狀態(tài)對(duì)應(yīng)分類(lèi)器RVM2，RVM分類(lèi)器RVM2的分類(lèi)結(jié)果包括過(guò)熱故障和放電故障，過(guò)熱故障對(duì)應(yīng)分類(lèi)器RVM3，RVM分類(lèi)器RVM3的分類(lèi)結(jié)果包括中低溫過(guò)熱狀態(tài)和高溫過(guò)熱狀態(tài)，放電故障對(duì)應(yīng)分類(lèi)器RVM4，RVM分類(lèi)器RVM4的分類(lèi)結(jié)果包括低能放電狀態(tài)和高能放電狀態(tài)。由于基于RVM的二叉樹(shù)多分類(lèi)模型的準(zhǔn)確性與各層RVM分類(lèi)器的參數(shù)選擇有很大的關(guān)聯(lián)，本實(shí)施例基于化學(xué)反應(yīng)優(yōu)化算法對(duì)基于RVM的二叉樹(shù)多分類(lèi)模型進(jìn)行參數(shù)尋優(yōu)，提升診斷準(zhǔn)確率以及診斷速度。對(duì)于RVM分類(lèi)器而言，其核函數(shù)的高寬參數(shù)σ值取得是否恰當(dāng)，直接關(guān)系系到分類(lèi)效果。本實(shí)施例共用到了RVM分類(lèi)器RVM1～RVM4共4個(gè)RVM分類(lèi)器，那么各自的核函數(shù)參數(shù)可以構(gòu)成一個(gè)四維向量。

由于上述基于RVM的二叉樹(shù)多分類(lèi)模型的準(zhǔn)確性與各層RVM分類(lèi)器的參數(shù)選擇有很大的關(guān)聯(lián)，本實(shí)施例基于化學(xué)反應(yīng)算法對(duì)RVM分類(lèi)模型進(jìn)行參數(shù)尋優(yōu)，提升診斷準(zhǔn)確率以及診斷速度。參見(jiàn)圖1，本實(shí)施例步驟3)的詳細(xì)步驟包括：

3.1)初始化基于RVM的二叉樹(shù)多分類(lèi)模型的核函數(shù)參數(shù)作為化學(xué)反應(yīng)算法的分子，確定目標(biāo)函數(shù)，目標(biāo)函數(shù)為實(shí)際輸出和期望輸出的誤差平均值，計(jì)算各個(gè)分子動(dòng)能及勢(shì)能的初始值；

3.2)判斷是否存在分子間碰撞，如果存在分子間碰撞，則跳轉(zhuǎn)執(zhí)行步驟3.3)，否則跳轉(zhuǎn)步驟3.4)；

3.3)選中分子，且被選中的分子數(shù)量為多個(gè)，判斷選中的多個(gè)分子是否滿足合成條件，如果不滿足合成條件，則發(fā)生分子間碰撞，跳轉(zhuǎn)執(zhí)行步驟3.2)；否則，將選中的多個(gè)分子合成，跳轉(zhuǎn)執(zhí)行步驟3.5)；

3.4)選中分子，且被選中的分子數(shù)量為一個(gè)，判斷選中的分子是否滿足分解條件，如果不滿足分解條件，則發(fā)生分子間碰撞，跳轉(zhuǎn)執(zhí)行步驟3.5)；否則，將選中的多個(gè)分子分解，跳轉(zhuǎn)執(zhí)行步驟3.2)；

3.5)計(jì)算分子的勢(shì)能，選取勢(shì)能PE最小的分子；

3.6)判斷勢(shì)能PE最小的分子是否滿足化學(xué)反應(yīng)算法預(yù)設(shè)的停止條件，如果不滿足化學(xué)反應(yīng)算法的停止條件，則跳轉(zhuǎn)執(zhí)行步驟3.2)；否則，將勢(shì)能PE最小的分子對(duì)應(yīng)的核函數(shù)參數(shù)作為基于RVM的二叉樹(shù)多分類(lèi)模型的最佳核函數(shù)參數(shù)。

化學(xué)反應(yīng)算法(CRO)乃是近幾年發(fā)展起來(lái)的一種元啟發(fā)式算法，其基本原理是通過(guò)對(duì)化學(xué)反應(yīng)過(guò)程中的能量以及運(yùn)動(dòng)過(guò)程進(jìn)行模擬，由于反應(yīng)過(guò)程中反應(yīng)勢(shì)能乃是遞減的，所以化學(xué)反應(yīng)算法的優(yōu)化過(guò)程，簡(jiǎn)言之即搜索系統(tǒng)勢(shì)能達(dá)到最小的過(guò)程?；瘜W(xué)反應(yīng)算法存在兩個(gè)基本運(yùn)算單元即分子(ω)以及容器壁(buffer)，勢(shì)能(PE)以及動(dòng)能(KE)是分子所具備的兩種能量。在化學(xué)反應(yīng)算法的執(zhí)行過(guò)程中，動(dòng)能(KE)參數(shù)的作用是判斷系統(tǒng)是否發(fā)生分子反應(yīng)，而勢(shì)能(PE)則是化學(xué)反應(yīng)停止與否的最終衡量標(biāo)準(zhǔn)，對(duì)于實(shí)際問(wèn)題而言，即目標(biāo)函數(shù)。本實(shí)施例采用化學(xué)反應(yīng)算法對(duì)核函數(shù)的高寬參數(shù)σ進(jìn)行尋優(yōu)，化學(xué)反應(yīng)算法擁有四種基本反應(yīng)算子，依次分別是單分子碰撞算子、單分子分解算子以及分子間碰撞算子和分子合成算子。其中單分子分解算子針對(duì)范圍問(wèn)題擁有較強(qiáng)的局部搜索能力，而分子合成算子則對(duì)化學(xué)反應(yīng)算法的全局搜索能力進(jìn)行了改善。1)首先初始化化學(xué)反應(yīng)算法算法；2)確定目標(biāo)函數(shù)，在這里我們選用實(shí)際輸出與期望輸出的誤差平均值作為目標(biāo)函數(shù)f；3)計(jì)算分子動(dòng)能以及勢(shì)能的初始值；4)進(jìn)行迭代尋優(yōu)；5)終止算法。當(dāng)所得到的勢(shì)能PE值取最小時(shí)，所得結(jié)果極為全局最優(yōu)解。將所得到的核函數(shù)的高寬參數(shù)σ的值代入，最終得到合適的變壓器故障診斷模型。接下來(lái)進(jìn)一步結(jié)合由歸一化特征氣體訓(xùn)練樣本數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練以及測(cè)試，得到最終的基于RVM的二叉樹(shù)多分類(lèi)模型。為了對(duì)本實(shí)施例基于化學(xué)反應(yīng)算法的RVM變壓器故障診斷方法進(jìn)行進(jìn)一步的驗(yàn)證，本實(shí)施例中將歸一化的樣本數(shù)據(jù)分成兩組，一組用于基于RVM的二叉樹(shù)多分類(lèi)模型的訓(xùn)練，另一組用于測(cè)試。通過(guò)與其他診斷方法進(jìn)行對(duì)比，可以發(fā)現(xiàn)本實(shí)施例基于化學(xué)反應(yīng)算法的RVM變壓器故障診斷方法中所提出的油浸式變壓器故障診斷模型在診斷時(shí)間相同的情況下，有著更高的診斷準(zhǔn)確率，并且相比于傳統(tǒng)DGA智能診斷模型而言，有著更好的泛化能力以及適用性。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，本發(fā)明的保護(hù)范圍并不僅局限于上述實(shí)施例，凡屬于本發(fā)明思路下的技術(shù)方案均屬于本發(fā)明的保護(hù)范圍。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理前提下的若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也應(yīng)視為本發(fā)明的保護(hù)范圍。