本發(fā)明涉及電力變壓器
技術(shù)領(lǐng)域：
，特別涉及一種基于粒子群支持向量機的變壓器故障診斷方法。
背景技術(shù)：
：電力變壓器是構(gòu)成電力系統(tǒng)的重要樞紐設(shè)備，承擔(dān)連接不同電壓等級線路、電壓轉(zhuǎn)化與電能分配的重要功能。而由于變壓器在制造、工藝、運輸、安裝及使用過程中面臨多種潛在的缺陷與意外，以及運行中承受多種不同的物理場應(yīng)力，導(dǎo)致電力變壓器在正常老化及異常操作條件下不可避免的出現(xiàn)各類故障，導(dǎo)致電能供應(yīng)中斷，影響正常的工業(yè)生產(chǎn)、日常生活、社會秩序等，造成巨大的經(jīng)濟損失。因此，診斷變壓器故障，及時進行維護，對保障電力系統(tǒng)穩(wěn)定、可靠供電，降低潛在經(jīng)濟損失風(fēng)險具有重要意義。油中溶解氣分析方法(dissolvedgasanalysis，dga)通過氣體組份比值及相對占比由于易操作、不受電磁影響，是現(xiàn)在國內(nèi)外使用最為廣泛的變壓器故障判斷方法。但dga方法存在一些不足：油中體積分數(shù)未達到相應(yīng)注意值時無法進行故障診斷；比值編碼缺失，導(dǎo)致故障類型不能準確判斷；故障編碼邊界過于苛責(zé)，無法區(qū)分多重故障等問題。技術(shù)實現(xiàn)要素：本發(fā)明旨在至少解決上述技術(shù)問題之一。為此，本發(fā)明的目的在于提出一種基于粒子群支持向量機的變壓器故障診斷方法，可以充分擴展基于dga的故障特征集，有效消除故障表達特征的冗余性，保留關(guān)鍵、有效特征；利用智能算法選擇故障診斷模型最優(yōu)參數(shù)，提升模型訓(xùn)練速度，提高故障診斷準確性。為了實現(xiàn)上述目的，本發(fā)明的實施例公開了一種基于粒子群支持向量機的變壓器故障診斷方法，包括以下步驟：s1：基于故障類型明確的油中溶解氣故障樣本建立數(shù)據(jù)庫，構(gòu)成故障診斷模型的訓(xùn)練集和測試集；s2：基于油中溶解氣組份，通過特征組合方式建立擴展特征集，規(guī)范所述擴展特征集的特征子集消除特征間數(shù)量級差異；s3：采用基于距離的特征選擇方法計算類內(nèi)、類間特征距離，評估各特征對分類敏感性，保留敏感特征，刪除不滿足預(yù)設(shè)條件的特征項，構(gòu)成輸入特征子集；s4：選擇基于徑向基核函數(shù)的支持向量機作為變壓器故障診斷分類器，以所述輸入特征子集作為輸入項，各樣本對應(yīng)故障類型作為輸出；s5：利用粒子群算法優(yōu)化支持向量機的懲罰參數(shù)和徑向基核函數(shù)參數(shù)，根據(jù)所述懲罰參數(shù)和所述徑向基核函數(shù)參數(shù)得到最優(yōu)參數(shù)組合；s6：使用基于最優(yōu)參數(shù)組合的支持向量機診斷模型確定待測樣本故障類型。根據(jù)本發(fā)明實施例的基于粒子群支持向量機的變壓器故障診斷方法，通過充分擴展基于dga組份的故障特征，發(fā)現(xiàn)并挖掘潛在的有效新特征，利用基于距離的特征選擇方法，保留對分類敏感的重要特征，刪除冗余特征項，降低故障特征項維度；通過粒子群算法求取徑向基核支持向量機最優(yōu)關(guān)鍵參數(shù)組合，建立具有高可靠性的電力變壓器故障診斷模型，提升故障診斷模型可解釋性，有效提高故障診斷精度。另外，根據(jù)本發(fā)明上述實施例的基于粒子群支持向量機的變壓器故障診斷方法，還可以具有如下附加的技術(shù)特征：進一步地，在步驟s1中，選擇油中溶解氣通用組份，包括氫氣、甲烷、乙烷、乙烯和乙炔。進一步地，在步驟s1中，對應(yīng)于所述擴展特征集的故障類型包括：正常狀態(tài)、局部放電、低能放電、高能放電、低溫過熱、中溫過熱和高溫過熱。進一步地，在步驟s2還包括：利用所述故障特征集構(gòu)建故障樣本集合,并規(guī)范化所述故障樣本集合。進一步地，在步驟s3中，通過計算樣本類內(nèi)距離、類內(nèi)平均值、特征平均值、類間平均距離，計算差異性因子，構(gòu)建距離評估因子，基于評估因子閾值，保留滿足所述評估因子閾值要求的特征項，刪除不滿足要求的特征項，構(gòu)成所述特征子集。進一步地，在步驟s4中，利用基于徑向基核函數(shù)的支持向量機，建立故障診斷模型；其中，所述故障診斷模型選擇所述特征子集作為輸入，而各油中溶解氣樣本對應(yīng)故障類型作為輸出。進一步地，在步驟s5中，采用粒子群算法，對粒子群速度與位置的更新和適應(yīng)值求解進行迭代，直至滿足預(yù)設(shè)終止條件迭代停止，獲得所述最優(yōu)參數(shù)組合。進一步地，在步驟s6中，依據(jù)所述最優(yōu)參數(shù)組合建立支持向量機診斷模型，并分析待測油中溶解氣故障樣本，輸出最終故障類型。本發(fā)明的附加方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。附圖說明本發(fā)明的上述和/或附加的方面和優(yōu)點從結(jié)合下面附圖對實施例的描述中將變得明顯和容易理解，其中：圖1是本發(fā)明實施例的基于粒子群支持向量機的變壓器故障診斷方法的流程圖；圖2是本發(fā)明一個實施例的基于粒子群算法的支持向量機關(guān)鍵參數(shù)選擇流程圖。具體實施方式下面詳細描述本發(fā)明的實施例，所述實施例的示例在附圖中示出，其中自始至終相同或類似的標號表示相同或類似的元件或具有相同或類似功能的元件。下面通過參考附圖描述的實施例是示例性的，僅用于解釋本發(fā)明，而不能理解為對本發(fā)明的限制。參照下面的描述和附圖，將清楚本發(fā)明的實施例的這些和其他方面。在這些描述和附圖中，具體公開了本發(fā)明的實施例中的一些特定實施方式，來表示實施本發(fā)明的實施例的原理的一些方式，但是應(yīng)當(dāng)理解，本發(fā)明的實施例的范圍不受此限制。相反，本發(fā)明的實施例包括落入所附加權(quán)利要求書的精神和內(nèi)涵范圍內(nèi)的所有變化、修改和等同物。以下結(jié)合附圖描述本發(fā)明。圖1是本發(fā)明實施例的基于粒子群支持向量機的變壓器故障診斷方法的流程圖。如圖1所示，根據(jù)本發(fā)明實施例的基于粒子群支持向量機的變壓器故障診斷方法，包括以下步驟：s1：基于故障類型明確的油中溶解氣故障樣本建立數(shù)據(jù)庫d，構(gòu)成故障診斷模型的訓(xùn)練集和測試集。在本發(fā)明的一個實施例中，基于常用特征氣體氫氣(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、乙炔(c2h2)，未考慮一氧化碳(co)、二氧化碳(co2)、氮氣(n2)、氧氣(o2)等，建立擴展特故障征項數(shù)據(jù)集d，包括但不限于各氣體相對含量、相互比值組合、烴類氣體比值及總和等特征項。s2：基于油中溶解氣組份，通過特征組合方式建立擴展特征集d1，規(guī)范化擴展特征集d1的特征子集以消除特征間數(shù)量級差異。在本發(fā)明的一個實施例中，對應(yīng)于擴展特征集d1的故障類型包括：正常狀態(tài)(nf)、局部放電(pd)、低能放電(ld)、高能放電(hd)、低溫過熱(lt)、中溫過熱(mt)、高溫過熱(ht)。具體地，建立故障特征集如下表1所示：表1基于dga的擴展故障特征集特征名特征內(nèi)容特征名特征內(nèi)容r1h2％r13ch4/c2h2r2ch4％r14ch4/thr3c2h6％r15c2h6/c2h4r4c2h4％r16c2h6/c2h2r5c2h2％r17c2h6/thr6h2/ch4r18c2h4/c2h2r7h2/c2h6r19c2h4/thr8h2/c2h4r20c2h2/thr9h2/c2h2r21c2h2/tdr10h2/thr22c2h4/tdr11ch4/c2h6r23ch4/tdr12ch4/c2h4r24ts其中，h2％＝h2/(h2+ch4+c2h6+c2h4+c2h2)，其余類似；th＝ch4+c2h6+c2h4+c2h2；td＝c2h4+c2h2+ch4；ts＝h2+ch4+c2h6+c2h4+c2h2。在本發(fā)明的一個實施例中，利用故障特征集d1構(gòu)建dga故障樣本集合d’,規(guī)范化故障樣本集d’。具體地，通過以下公式進行規(guī)范化處理：其中xi、xni分別各故障特征項歸一化前及歸一化后的值，ximax和ximin為各故障特征項最大值和最小值。s3：采用基于距離的特征選擇方法，計算類內(nèi)、類間特征距離，評估各特征對分類敏感性，保留敏感特征，刪除不滿足相關(guān)條件的特征項，構(gòu)成輸入特征子集d2。在本發(fā)明的一個實施例中，通過計算樣本類內(nèi)距離、類內(nèi)平均值、特征平均值、類間平均距離，計算差異性因子，構(gòu)建距離評估因子。基于評估因子閾值ε，保留滿足閾值要求的特征項，刪除不滿足要求的特征項，構(gòu)成輸入特征子集d2。具體地，假定針對一個dga故障樣本數(shù)據(jù)庫d，其故障類型包括c類，由dga組份構(gòu)成的特征集s：s：{tm,c,j，m＝1,2…mc；c＝1,2,…,c；j＝1,2,…,j}其中：tm,c,j為第c類故障的第m個樣本的第j個特征；mc表示第c類的樣本數(shù)，j代表各類特征個數(shù)；計算同一類所有樣本的類內(nèi)平均距離c個類內(nèi)距離的平均值為：計算類內(nèi)距離的差異性因子計算同一類所有樣本的每個樣本平均值：計算不同類之間的平均距離：計算類間距離的差異性因子：計算加權(quán)因子計算具有加權(quán)因子的類間和類內(nèi)距離比值：利用最大值規(guī)范化方法，得到距離評估因子：設(shè)定距離評估閾值ε，當(dāng)時，相應(yīng)的特征；而當(dāng)時，則剔除該特征項，從而構(gòu)成輸入特征子集d2。s4：選擇基于徑向基核函數(shù)的支持向量機作為變壓器故障診斷分類器，以輸入特征子集d2作為輸入項，各樣本對應(yīng)故障類型作為輸出。在本發(fā)明的一個實施例中，利用基于徑向基(rbf)核函數(shù)的支持向量機，建立故障診斷模型；其中，故障診斷模型選擇輸入特征子集d2作為輸入，而各dga樣本對應(yīng)故障類型作為輸出。具體地，步驟s4進一步包括：s401：設(shè)定輸入與輸入：將經(jīng)過基于距離的特征選擇方法精簡后的輸入特征子集d2作為輸入，將各故障樣本對應(yīng)的狀態(tài)類型(包括：正常、局部放電、低能放電、高能放電、低溫過熱、中溫過熱、高溫過熱)作為輸出。s402：面對非線性可分問題(變壓器故障診斷)，依據(jù)svm原理，在線性不可分時的最優(yōu)分類面可用下式描述的優(yōu)化問題表示。式中，表示樣本集中錯分樣本個數(shù)的上界，c用于控制對錯分樣本的懲罰程度，w為超平面法線，b為分類閾值，||ω||為分類間隔。面對非線性問題，通過非線性變換轉(zhuǎn)化為高維空間的線性問題，在變換空間中求最優(yōu)分類面。由于核函數(shù)滿足mercer條件，可采用適當(dāng)?shù)膬?nèi)積函數(shù)實現(xiàn)非線性變換后的線性分類。本次分析采用基于rbf核函數(shù)的svm。rbf核函數(shù)為k(xi,x)＝exp(-||xi-x||2/2γ2)式中：γ為徑向基核函數(shù)的寬度參數(shù)。s5：利用粒子群算法(particleswarmoptimization，pso)優(yōu)化支持向量機關(guān)鍵參數(shù)——懲罰參數(shù)c和徑向基核函數(shù)參數(shù)γ，求得最優(yōu)參數(shù)組合(c,γ)。在本發(fā)明的一個實施例中，為了選擇故障診斷模型最優(yōu)關(guān)鍵參數(shù)——c與γ，采用粒子群算法，通過粒子群速度與位置的更新、適應(yīng)值求解、終止條件對比等步驟迭代優(yōu)化獲得最優(yōu)參數(shù)組合(c,γ)。具體地，步驟s5進一步包括：s501：粒子群算法初始化設(shè)定；隨機初始化各個例子的初始位置與速度，設(shè)定適應(yīng)度函數(shù)，慣性權(quán)值，加速度常數(shù)、最大速度及最大代數(shù)等。s502：評價粒子適應(yīng)度值；通過計算各個粒子對應(yīng)的適應(yīng)度值來確定粒子更新粒子位置與適應(yīng)度值，通過迭代不斷對每個粒子的適應(yīng)度值、位置分別于pbest、gbest作比較并更新。本次分析以故障診斷診斷率為適應(yīng)度函數(shù)，即是：fsvm(c,γ)＝accuracy其中，各個例子位置、速度及慣性權(quán)重的更新計算公式如下所示：vid(i+1)＝ω×vid(i)+c1×rand()×(pbest-xid(i)+c2×rand()×gbest-xid(i))xid(i+1)＝xid(i)+vid(i+1)式中：n和nmax為當(dāng)前進化代數(shù)和最大進化代數(shù)；vid(i)為當(dāng)前粒子速度，vid(i+1)為例子更新后的速度；xid(i)是當(dāng)前粒子的位置；xid(i+1)是粒子更新后的位置；w為慣性權(quán)重，用于平衡全局搜索和局部搜索；rand()為介于(0,1)的隨機數(shù)，c1、c2是學(xué)習(xí)因子，通常c1＝c2＝2；基于粒子群算法的支持向量機關(guān)鍵參數(shù)選擇流程圖2所示。s503：所有粒子進行迭代計算；當(dāng)?shù)螖?shù)達到最大代數(shù)或適應(yīng)度值達到所需要求，則停止迭代，選擇最好的適應(yīng)度值條件下的粒子參數(shù)來選擇對應(yīng)的支持向量機的最優(yōu)參數(shù)組合(c,γ)，并基于該參數(shù)組合構(gòu)建故障診斷模型。s6：使用基于最優(yōu)參數(shù)組合的支持向量機診斷模型確定待測dga樣本故障類型。在本發(fā)明的一個實施例中，依據(jù)最優(yōu)參數(shù)組合(c,γ)建立支持向量機診斷模型，并分析待測dga故障樣本，輸出最終故障類型。根據(jù)本發(fā)明實施例的基于粒子群支持向量機的變壓器故障診斷方法，通過充分擴展基于dga組份的故障特征，發(fā)現(xiàn)并挖掘潛在的有效新特征，利用基于距離的特征選擇方法，保留對分類敏感的重要特征，刪除冗余特征項，降低故障特征項維度；通過粒子群算法求取徑向基核支持向量機最優(yōu)關(guān)鍵參數(shù)組合，建立具有高可靠性的電力變壓器故障診斷模型，提升故障診斷模型可解釋性，有效提高故障診斷精度。另外，本發(fā)明實施例的基于粒子群支持向量機的變壓器故障診斷方法的其它構(gòu)成以及作用對于本領(lǐng)域的技術(shù)人員而言都是已知的，為了減少冗余，不做贅述。在本說明書的描述中，參考術(shù)語“一個實施例”、“一些實施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點包含于本發(fā)明的至少一個實施例或示例中。在本說明書中，對上述術(shù)語的示意性表述不一定指的是相同的實施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點可以在任何的一個或多個實施例或示例中以合適的方式結(jié)合。盡管已經(jīng)示出和描述了本發(fā)明的實施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對這些實施例進行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同限定。當(dāng)前第1頁12