一種基于Adaboost算法的變壓器故障診斷方法
【專利摘要】本發(fā)明涉及一種基于Adaboost算法的變壓器故障診斷方法，包括：通過(guò)所述訓(xùn)練樣本集對(duì)弱分類器進(jìn)行訓(xùn)練；經(jīng)過(guò)循環(huán)訓(xùn)練與權(quán)值調(diào)整后將弱分類器集成為更高分類精度的強(qiáng)分類器；將所述測(cè)試樣本作為強(qiáng)分類器的輸入，從而得出相應(yīng)的故障類型。本發(fā)明通過(guò)集成弱分類器，解決了強(qiáng)分類器難以獲得的問(wèn)題，另外，本發(fā)明操作簡(jiǎn)單，對(duì)變壓器故障模式進(jìn)行分類識(shí)別具有較好的實(shí)用性。
【專利說(shuō)明】
一種基于Adaboost算法的變壓器故障診斷方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于變壓器故障在線監(jiān)測(cè)技術(shù)領(lǐng)域，特指根據(jù)變壓器故障時(shí)產(chǎn)生的氣體對(duì) 變壓器進(jìn)行故障診斷，具體涉及一種基于Adaboost算法的變壓器故障診斷方法。
【背景技術(shù)】
[0002] 隨著電網(wǎng)建設(shè)的高速發(fā)展，我國(guó)電網(wǎng)已從城市孤立電網(wǎng)，發(fā)展成為大區(qū)電網(wǎng)，西電 東送，南北互供，全國(guó)聯(lián)網(wǎng)的格局正在形成。電力系統(tǒng)是一個(gè)由眾多發(fā)、送、輸、配、用電設(shè)備 連接而成的大系統(tǒng)，這些設(shè)備的可靠性及運(yùn)行狀況直接決定整個(gè)系統(tǒng)的穩(wěn)定和安全，也決 定著供電質(zhì)量和供電可靠性，隨著電力系統(tǒng)向高電壓、大容量、互聯(lián)網(wǎng)發(fā)展，以及各用電部 門要求的提高，對(duì)電力系統(tǒng)的安全可靠性指標(biāo)的要求也越來(lái)越高。電力變壓器是電力系統(tǒng) 重要的組成部分，其正常可靠運(yùn)行是保證整個(gè)電網(wǎng)穩(wěn)定運(yùn)行的主要原因之一。幾十年來(lái)形 成的預(yù)防性維修體系，對(duì)提高電網(wǎng)運(yùn)行的可靠性起了非常重要的作用，但這不能及時(shí)發(fā)現(xiàn) 設(shè)備內(nèi)部的絕緣隱患。
[0003] 另外，預(yù)防性維修的費(fèi)用也高。隨著電網(wǎng)向高度自動(dòng)化方向發(fā)展和國(guó)計(jì)民生對(duì)供 電可靠性的要求越來(lái)越高，迫切需要對(duì)現(xiàn)行的設(shè)備維修體系進(jìn)行變革，以在線監(jiān)測(cè)及故障 診斷技術(shù)為基礎(chǔ)的狀態(tài)維修體系逐漸取代預(yù)防性維修體系或用來(lái)追蹤監(jiān)視故障的發(fā)展趨 勢(shì)已經(jīng)明確。因此如何及時(shí)可靠的對(duì)變壓器潛在的故障進(jìn)行診斷具有十分重要的意義。
[0004] 目前變壓器故障診斷算法有很多種，例如:BP神經(jīng)網(wǎng)絡(luò)為變壓器的故障診斷問(wèn)題 提供了一種比較好的結(jié)構(gòu)體系，但存在著訓(xùn)練收斂速度慢、容易陷入局部極小點(diǎn)的缺點(diǎn)；專 家系統(tǒng)能夠有效地模擬故障診斷人類專家來(lái)完成故障診斷過(guò)程，但也存在著知識(shí)獲取困 難、不確定性推理以及自學(xué)習(xí)困難等許多技術(shù)問(wèn)題;模糊控制能夠用精確的數(shù)學(xué)工具將模 糊的概念或自然語(yǔ)言清晰化，從而對(duì)故障現(xiàn)象能夠合理的加以量化等，但其模糊隸屬度函 數(shù)需要專家經(jīng)驗(yàn)或反復(fù)試驗(yàn)才能確定。
[0005] 為了解決上述問(wèn)題，本發(fā)明提出了一種基于Adaboost算法的變壓器故障診斷方 法。

【發(fā)明內(nèi)容】

[0006] 針對(duì)上述問(wèn)題的不足，本發(fā)明提出一種基于Adaboost算法的變壓器故障診斷方 法。本發(fā)明的一個(gè)目的是解決至少一個(gè)上述問(wèn)題或缺陷，并提供至少一個(gè)后面將說(shuō)明的優(yōu) 點(diǎn)。
[0007] 本發(fā)明還有一個(gè)目的是提供了一種基于Adaboost算法的變壓器故障診斷方法，通 過(guò)利用AdaBoost對(duì)所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)分類器不斷訓(xùn)練，根據(jù)誤差不斷調(diào)整，再通過(guò) 加權(quán)投票將其組合提升為最終強(qiáng)分類器，提高了故障診斷精度。
[0008] 本發(fā)明還有一個(gè)目的是提供了一種基于Adaboost算法的變壓器故障診斷方法，其 把變壓器在線監(jiān)測(cè)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)的現(xiàn)場(chǎng)氣體數(shù)據(jù)作為樣本集數(shù)據(jù)，根據(jù)這些變壓器故障特 征氣體的濃度變化，預(yù)測(cè)出變壓器故障模式類型。
[0009] 本發(fā)明還有一個(gè)目的是提供了一種基于Adaboost算法的變壓器故障診斷方法，其 將AdaBoost算法應(yīng)用在變壓器故障診斷分析上，根據(jù)現(xiàn)場(chǎng)氣體的濃度變化預(yù)測(cè)變壓器故 障。
[0010] 本發(fā)明還有一個(gè)目的是提供了一種基于Adaboost算法的變壓器故障診斷方法，其 大大減小了計(jì)算復(fù)雜度和計(jì)算量，更適合在線快速診斷。
[0011] 為了實(shí)現(xiàn)根據(jù)本發(fā)明的這些目的和其它優(yōu)點(diǎn)，本發(fā)明提供了一種基于Adaboost算 法的變壓器故障診斷方法，包括以下步驟：
[0012] 步驟一，采集多種變壓器故障特征氣體的濃度值，將多種所述濃度值歸一化后作 為樣本集的樣本，同時(shí)編碼變壓器的故障模式類型，將對(duì)應(yīng)變壓器的故障模式類型的目標(biāo) 輸出編碼作為所述樣本集中屬性值對(duì)應(yīng)的類標(biāo)簽，將一部分樣本集作為訓(xùn)練樣本集，而另 一部分樣本集作為測(cè)試樣本集；
[0013] 其中，所述訓(xùn)練樣本集中的每一個(gè)訓(xùn)練樣本具有相等的初始權(quán)重；
[0014] 步驟二，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)作為弱分類器，將所述訓(xùn)練樣本集中的所有樣 本設(shè)為所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的中心；
[0015] 步驟三，通過(guò)所述訓(xùn)練樣本集對(duì)所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行循環(huán)訓(xùn)練，直至得 到預(yù)測(cè)函數(shù)；
[0016] 步驟四，根據(jù)所述預(yù)測(cè)函數(shù)的預(yù)測(cè)效果，來(lái)賦予所述預(yù)測(cè)函數(shù)與所述初始權(quán)重不 同的權(quán)重，采用帶權(quán)重的投票法產(chǎn)生最終預(yù)測(cè)函數(shù)序列組合；
[0017] 步驟五，將所述步驟一中的所述測(cè)試樣本集輸入所述最終預(yù)測(cè)函數(shù)序列組合中， 經(jīng)所述最終預(yù)測(cè)函數(shù)序列組合判斷識(shí)別后，通過(guò)匹配所述類標(biāo)簽，得出所述故障模式類型， 完成診斷。
[0018] Adaboost算法只需尋找若干個(gè)分類準(zhǔn)確率比隨機(jī)分類準(zhǔn)確率略高（即正確率略大 于50%)的弱分類器，本發(fā)明選擇所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，通過(guò)對(duì)其訓(xùn)練產(chǎn)生預(yù)測(cè)函數(shù)序 列，并采用加權(quán)投票機(jī)制產(chǎn)生所述最終預(yù)測(cè)函數(shù)，即為最終強(qiáng)分類器。從而，可以將弱分類 器有機(jī)的集成為一個(gè)分類精度更高的所述最終強(qiáng)分類器。利用此方法對(duì)變壓器故障模式類 型進(jìn)行分類識(shí)別具有較好的實(shí)用性。本發(fā)明通過(guò)做對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，采用單一徑向基神經(jīng)網(wǎng) 絡(luò)算法的分類準(zhǔn)確率約為81.25%，而采用基于Adaboost算法的變壓器故障診斷方法方法 的分類準(zhǔn)確率為93.75 %，整體準(zhǔn)確率提升了 12.5 %。
[0019]優(yōu)選的是，所述步驟一中，同時(shí)編碼變壓器的故障類型具體如下：
[0020] 將正常狀態(tài)、中溫過(guò)熱、高溫過(guò)熱、局部放電、火花放電及電弧放電六類故障模式 分別編碼為阿拉伯?dāng)?shù)字1、2、3、4、5和6，作為所述樣本集中屬性值所對(duì)應(yīng)的類標(biāo)簽。
[0021] 本發(fā)明將Adaboost算法應(yīng)用在變壓器故障模式類型識(shí)別的實(shí)際應(yīng)用中，提高了變 壓器故障識(shí)別精度。
[0022]優(yōu)選的是，所述變壓器故障特征氣體為氫氣、甲烷、乙烷、乙烯及乙炔。
[0023]本發(fā)明的數(shù)據(jù)來(lái)源于變壓器在線監(jiān)測(cè)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)的現(xiàn)場(chǎng)氣體數(shù)據(jù)，不僅監(jiān)測(cè)變 壓器出現(xiàn)故障時(shí)產(chǎn)生的氫氣、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳等信息，并根據(jù)這 些氣體的濃度變化大致預(yù)測(cè)出變壓器故障。
[0024]優(yōu)選的是，在所述步驟一中，通過(guò)初始化所述訓(xùn)練樣本集中的每一個(gè)訓(xùn)練樣本的 權(quán)重系數(shù)，使得每一個(gè)所述樣本具有相等的初始權(quán)重。
[0025]優(yōu)選的是，所述步驟二中，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)作為弱分類器，需通過(guò)格林激 活函數(shù)進(jìn)行激活。
[0026]優(yōu)選的是，所述步驟三中，通過(guò)所述訓(xùn)練樣本集對(duì)所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行 循環(huán)訓(xùn)練，直至得到預(yù)測(cè)函數(shù)的具體步驟如下：
[0027]基于K-均值聚類方法求所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的最終基函數(shù)中心；
[0028]根據(jù)所述訓(xùn)練樣本與所述最終基函數(shù)中心之間的最大距離，得到方差值；
[0029] 通過(guò)所述最終基函數(shù)中心和所述方差值，得到所述徑向基神經(jīng)網(wǎng)絡(luò)中的隱含層到 輸出層之間的連接權(quán)值；
[0030] 將所述連接權(quán)值結(jié)合所述徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，得到所述徑向基神經(jīng)網(wǎng)絡(luò)的實(shí) 際輸出，所述實(shí)際輸出與目標(biāo)輸出的正負(fù)差值在預(yù)定范圍內(nèi)，則訓(xùn)練結(jié)束，得到預(yù)測(cè)函數(shù)， 所述正負(fù)差值不在所述預(yù)定范圍內(nèi)，則重復(fù)以上步驟；
[0031] 其中，所述實(shí)際輸出為對(duì)應(yīng)變壓器故障模式類型的實(shí)際輸出編碼，所述目標(biāo)輸出 為對(duì)應(yīng)變壓器故障模式類型的目標(biāo)輸出編碼。
[0032] 優(yōu)選的是，基于K-均值聚類方法求所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的最終基函數(shù)中心包 括以下步驟：
[0033] A、選取所述訓(xùn)練樣本集中的n個(gè)訓(xùn)練樣本作為聚類中心，按照輸入樣本與所述聚 類中心之間的歐式距離，將所述輸入樣本分配到各個(gè)聚類集合中；計(jì)算各個(gè)所述聚類集合 中訓(xùn)練樣本的平均值，得到新聚類中心，判斷所述新聚類中心是否發(fā)生變化來(lái)決定是否進(jìn) 行下一輪的中心求解;是，則執(zhí)行步驟B，否，則執(zhí)行步驟C;
[0034] B、上述步驟的所述新聚類中心即為徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的最終基函數(shù)中心；
[0035] C、重新選取n個(gè)所述訓(xùn)練樣本作為聚類中心，進(jìn)入下一輪的所述聚類中心的求解；
[0036] 其中，輸入樣本為所述訓(xùn)練樣本集中的樣本，所述輸入樣本是根據(jù)與中心之間的 歐式距離進(jìn)行的歸類。
[0037] 優(yōu)選的是，所述步驟四中，根據(jù)所述預(yù)測(cè)函數(shù)序的預(yù)測(cè)效果來(lái)賦予其與所述初始 權(quán)重不同的權(quán)重，采用帶權(quán)重的投票法產(chǎn)生最終預(yù)測(cè)函數(shù)序列組合的具體步驟如下：
[0038] 計(jì)算所述預(yù)測(cè)函數(shù)的權(quán)重訓(xùn)練誤差，得到所述預(yù)測(cè)函數(shù)的預(yù)測(cè)效果；
[0039] 根據(jù)所述預(yù)測(cè)效果，賦予所述預(yù)測(cè)函數(shù)序第一權(quán)重，并對(duì)所述第一權(quán)重進(jìn)行更新， 得到第二權(quán)重；
[0040] 第二權(quán)重進(jìn)行歸一化，且對(duì)歸一化的相應(yīng)權(quán)重進(jìn)行加和，通過(guò)投票法產(chǎn)生最終預(yù) 測(cè)函數(shù)序列組合。
[0041] 當(dāng)所述預(yù)測(cè)函數(shù)的預(yù)測(cè)效果（訓(xùn)練誤差)大于0.5時(shí)，對(duì)所述最終預(yù)測(cè)函數(shù)的第二 權(quán)重進(jìn)行歸一化，且對(duì)歸一化的相應(yīng)權(quán)重進(jìn)行加和，通過(guò)投票法產(chǎn)生最終預(yù)測(cè)函數(shù)序列組 合。
[0042] Adaboost算法只需尋找若干個(gè)分類準(zhǔn)確率比隨機(jī)分類準(zhǔn)確率略高（即正確率略大 于50%)的弱分類器，通過(guò)訓(xùn)練產(chǎn)生預(yù)測(cè)函數(shù)序列，并采用加權(quán)投票機(jī)制產(chǎn)生最終預(yù)測(cè)函 數(shù)，從而可以將弱分類器有機(jī)的集成為一個(gè)分類精度更高的強(qiáng)分類器，即所述最終預(yù)測(cè)函 數(shù)，利用此方法對(duì)變壓器故障模式進(jìn)行分類識(shí)別具有較好的實(shí)用性，解決了強(qiáng)分類器難以 獲得的問(wèn)題，同時(shí)也可提高了識(shí)別精度。
[0043]優(yōu)選的是，所述預(yù)定范圍為0.01-0.05。
[0044] 預(yù)定范圍一般設(shè)定在0-1之間，但本發(fā)明的所述預(yù)定范圍更窄，使得本發(fā)明識(shí)別變 壓器故障模式類型的誤差小，準(zhǔn)確度更高。
[0045] 本發(fā)明的有益效果：
[0046] 1、本發(fā)明提供的基于Adaboost算法的變壓器故障診斷方法，對(duì)徑向基函數(shù)神經(jīng)網(wǎng) 絡(luò)分類器進(jìn)行訓(xùn)練，再通過(guò)加權(quán)投票將其組合提升為最終強(qiáng)分類器，提高了故障診斷精度。
[0047] 2、本發(fā)明提供的基于Adaboost算法的變壓器故障診斷方法，在診斷變壓器故障模 式類型過(guò)程中，避免了人的主觀因素的影響，使選擇更客觀，分類正確率更高。實(shí)驗(yàn)表明，本 發(fā)明診斷變壓器故障模型類型的分類準(zhǔn)確率為93.75%，比單一徑向基神經(jīng)網(wǎng)絡(luò)算法的分 類準(zhǔn)確率提升了 12.5%。
[0048] 3、本發(fā)明提供的基于Adaboost算法的變壓器故障診斷方法，通過(guò)集成弱學(xué)習(xí)算 法，解決了強(qiáng)學(xué)習(xí)算法難以獲得的問(wèn)題，同時(shí)也可提高預(yù)測(cè)精度。
[0049] 4、本發(fā)明提供的基于Adaboost算法的變壓器故障診斷方法，使用徑向基神經(jīng)網(wǎng)絡(luò) (RBF)作為弱分類器，RBF具有準(zhǔn)確率高、結(jié)構(gòu)自適應(yīng)確定、輸出和初始權(quán)值無(wú)關(guān)的優(yōu)良特 性，使訓(xùn)練網(wǎng)絡(luò)的時(shí)間遠(yuǎn)遠(yuǎn)小于其他的網(wǎng)絡(luò)訓(xùn)練，縮短了診斷變壓器故障模型類型的時(shí)間。
[0050] 5、本發(fā)明提供的基于Adaboost算法的變壓器故障診斷方法，該分析方法的樣本數(shù) 據(jù)來(lái)源于變壓器在線監(jiān)測(cè)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)的變壓器故障特征氣體，不僅監(jiān)測(cè)變壓器出現(xiàn)故障 時(shí)產(chǎn)生的氫氣、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳等濃度信息，并根據(jù)這些氣體的 濃度變化大致預(yù)測(cè)出變壓器故障。
[0051 ] 6、本發(fā)明提供的基于Adaboost算法的變壓器故障診斷方法，其可大大減小計(jì)算成 本，滿足在線快速分類診斷的要求。
【附圖說(shuō)明】
[0052]圖1為本發(fā)明所述的徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意；
[0053]圖2為所述基于Adaboost算法的變壓器故障診斷方法的結(jié)構(gòu)圖；
[0054]圖3為所述基于Adaboost算法的變壓器故障診斷方法的流程圖。
【具體實(shí)施方式】
[0055] 下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明做進(jìn)一步的描述。
[0056] 本發(fā)明的流程圖如附圖3所示，包括以下步驟：
[0057]步驟一，采集多種變壓器故障特征氣體的濃度值，將多種所述濃度值歸一化后作 為樣本集的樣本，同時(shí)編碼變壓器的故障模式類型，將正常狀態(tài)、中溫過(guò)熱、高溫過(guò)熱、局部 放電、火花放電及電弧放電六類故障模式分別編碼為阿拉伯?dāng)?shù)字1、2、3、4、5和6,作為所述 樣本集中屬性值所對(duì)應(yīng)的類標(biāo)簽，將一部分樣本集作為訓(xùn)練樣本集，而另一部分樣本集作 為測(cè)試樣本集；
[0058]其中，所述變壓器故障特征氣體為氫氣、甲烷、乙烷、乙烯及乙炔，也可以為氫氣、 甲烷、乙烷、乙烯、乙炔、一氧化碳及二氧化碳的組合；
[0059]得到歸一化后的訓(xùn)練樣本S= {(xl，yl)，（x2，y2)，......，（xn，yn)}，其中，xi GX， (xi為變壓器故障時(shí)5種特征氣體的濃度），yi G Y= {1，2,……，k}，對(duì)應(yīng)變壓器的故障類 型。同時(shí)初始化每一個(gè)樣本的權(quán)重系數(shù)#15 = 1 /?，i = 1，2，……，n。即每一個(gè)樣本具有相等 的初始權(quán)重。
[0060] 該分析方法的樣本數(shù)據(jù)來(lái)源于變壓器在線監(jiān)測(cè)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)的變壓器故障特征 氣體，不僅監(jiān)測(cè)變壓器出現(xiàn)故障時(shí)產(chǎn)生的氫氣、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳 等濃度信息，并根據(jù)這些氣體的濃度變化大致預(yù)測(cè)出變壓器故障。
[0061] 步驟二，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)作為弱分類器，將所述訓(xùn)練樣本集中的所有樣 本設(shè)為所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的中心；
[0062]采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)RBFNN作為弱分類器，先構(gòu)造 RBF神經(jīng)網(wǎng)絡(luò)。選取隱節(jié)點(diǎn) 數(shù)等于輸入樣本數(shù)，隱節(jié)點(diǎn)的激活函數(shù)為Green函數(shù)，具體函數(shù)式為：
[0064]式中，| |xn-ci| |為歐式范數(shù)，c為格林函數(shù)的中心，〇為格林函數(shù)的方差。同時(shí)將所 有輸入樣本設(shè)為徑向基函數(shù)的中心，各徑向基函數(shù)取統(tǒng)一的擴(kuò)展常數(shù)。網(wǎng)絡(luò)結(jié)構(gòu)如圖1所 不。
[0065]使用徑向基神經(jīng)網(wǎng)絡(luò)(RBF)作為弱分類器，RBF具有準(zhǔn)確率高、結(jié)構(gòu)自適應(yīng)確定、輸 出和初始權(quán)值無(wú)關(guān)的優(yōu)良特性，使訓(xùn)練網(wǎng)絡(luò)的時(shí)間遠(yuǎn)遠(yuǎn)小于其他的網(wǎng)絡(luò)訓(xùn)練，縮短了診斷 變壓器故障模型類型的時(shí)間。
[0066] 步驟三，通過(guò)所述訓(xùn)練樣本集對(duì)所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行循環(huán)訓(xùn)練，直至得 到預(yù)測(cè)函數(shù)具體如下：
[0067]基于K-均值聚類方法求所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的最終基函數(shù)中心;選取所給的 n個(gè)訓(xùn)練樣本作為聚類中心ci(i = l，2,......,n);按照xp與中心為ci之間的歐式距離將xp分 配到輸入樣本的各個(gè)聚類集合卟化=1，2，一，？）中；計(jì)算各個(gè)聚類集合卟中訓(xùn)練樣本的平 均值，即新的聚類中心ci，如果新的聚類中心不再發(fā)生變化，則所得的ci即為RBF神經(jīng)網(wǎng)絡(luò) 最終的基函數(shù)中心，否則重新分配訓(xùn)練樣本集合，進(jìn)入下一輪的中心求解。
[0068]根據(jù)所述訓(xùn)練樣本與所述最終基函數(shù)中心之間的最大距離，得到方差值，求解方 差〇i，公式如下
[0070] 式中，cmax為所選中心之間的最大距離，i = l，2,…，n
[0071]通過(guò)所述最終基函數(shù)中心和所述方差值，得到所述徑向基神經(jīng)網(wǎng)絡(luò)中的隱含層到 輸出層之間的連接權(quán)值，計(jì)算隱含層和輸出層之間的權(quán)值的公式如下：
L0073J 其中，n = l，2，."，n;i = l，2，."，n
[0074]將所述連接權(quán)值結(jié)合所述徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，得到所述徑向基神經(jīng)網(wǎng)絡(luò)的實(shí) 際輸出5^，所述實(shí)際輸出與目標(biāo)輸出的正負(fù)差值在預(yù)定范圍內(nèi)，則訓(xùn)練結(jié)束，得到預(yù)測(cè)函 數(shù)，所述正負(fù)差值不在所述預(yù)定范圍內(nèi)，則重復(fù)以上步驟;所述實(shí)際輸出的公式如下：
[0076] 其中，j = l，2,…，n式中，義.=(x1"，x;V"，x:)1'為第n個(gè)輸入樣本，n=l，2,…，N，N表 示樣本總數(shù)，ci為網(wǎng)絡(luò)隱含層結(jié)點(diǎn)的中心，coij為隱含層到輸出層的連接權(quán)值，i = l，2,…， n為隱含層的結(jié)點(diǎn)數(shù)。
[0077] 其中，所述實(shí)際輸出為對(duì)應(yīng)變壓器故障模式類型的實(shí)際輸出編碼，所述目標(biāo)輸出 為對(duì)應(yīng)變壓器故障模式類型的目標(biāo)輸出編碼。
[0078]其中，本發(fā)明所規(guī)定的所述預(yù)定范圍為0.01-0.05。
[0079] 本發(fā)明提供的基于Adaboost算法的變壓器故障診斷方法，其可大大減小計(jì)算成 本，滿足在線快速分類診斷的要求。
[0080] 步驟四，根據(jù)所述預(yù)測(cè)函數(shù)的預(yù)測(cè)效果，來(lái)賦予所述預(yù)測(cè)函數(shù)與所述初始權(quán)重不 同的權(quán)重，采用帶權(quán)重的投票法產(chǎn)生最終預(yù)測(cè)函數(shù)序列組合具體如下：
[0081] 計(jì)算所述預(yù)測(cè)函數(shù)的權(quán)重訓(xùn)練誤差，得到所述預(yù)測(cè)函數(shù)的預(yù)測(cè)效果;計(jì)算ht的權(quán) 重訓(xùn)練誤差，即就是錯(cuò)分率，公式如下：
[0082] ￡K，)I
[0083] 其中，若yi#ht(Xi)，貝ljl = l;否則，1 = 0。
[0084] 根據(jù)所述預(yù)測(cè)效果，賦予所述預(yù)測(cè)函數(shù)序列第一權(quán)重a(t)，并對(duì)所述第一權(quán)重進(jìn)行 更新，得到第二權(quán)重；
[0085]其中，所述第一權(quán)重的公式如下：
[0087]并按上式進(jìn)行第一權(quán)重的更新，更新系數(shù)的公式為：
[0089] 其中，Zt為歸一化系數(shù)，可使得|>廣=1。 如1
[0090] 當(dāng)預(yù)測(cè)函數(shù)的訓(xùn)練誤差大于0.5時(shí)，對(duì)所述最終得到預(yù)測(cè)函數(shù)的第二權(quán)重進(jìn)行歸 一化，得到強(qiáng)分類器：
[0091 ] //(X) = arg max k t：=i
[0092] 當(dāng)ht(x)=k時(shí)，對(duì)相應(yīng)的權(quán)值進(jìn)行加和，通過(guò)投票法產(chǎn)生最終預(yù)測(cè)函數(shù)序列組合：
[0093] Y(x) = signiT^a.hXx)) ./
[0094]其中，arg max g(t)，表達(dá)的是定義域的一個(gè)子集，該子集中任一元素都可使函數(shù) g( ?)取最大值。
[0095]本發(fā)明提供的基于Adaboost算法的變壓器故障診斷方法，對(duì)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 分類器進(jìn)行訓(xùn)練，再通過(guò)加權(quán)投票將其組合提升為最終強(qiáng)分類器，提高了故障診斷精度，也 就是說(shuō)通過(guò)集成弱學(xué)習(xí)算法，解決了強(qiáng)學(xué)習(xí)算法難以獲得的問(wèn)題，同時(shí)也可提高預(yù)測(cè)精度。 [0096]步驟五，將所述步驟一中的所述測(cè)試樣本集輸入所述最終預(yù)測(cè)函數(shù)序列組合中， 經(jīng)所述最終預(yù)測(cè)函數(shù)序列組合判斷識(shí)別后，通過(guò)匹配所述類標(biāo)簽，得出所述故障模式類型， 完成診斷。
[0097] 本發(fā)明提供的基于Adaboost算法的變壓器故障診斷方法，對(duì)徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 分類器進(jìn)行訓(xùn)練，再通過(guò)加權(quán)投票將其組合提升為最終強(qiáng)分類器，提高了故障診斷精度。
[0098] 另一方面，本發(fā)明可大大減小計(jì)算成本，滿足在線快速分類診斷的要求。
[0099] 本發(fā)明提供的一個(gè)實(shí)施例，選取氫氣(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、 乙炔(C2H2)這五種典型特征氣體的組分作為原始屬性數(shù)據(jù)，首先將溶解氣體組分含量進(jìn)行 歸一化處理，使其都在[-1，1 ]的范圍內(nèi)，作為樣本集中的屬性值。
[0100] 然后對(duì)變壓器故障類型進(jìn)行編碼，把正常狀態(tài)、中溫過(guò)熱、高溫過(guò)熱、局部放電、火 花放電、電弧放電分別編碼為1、2、3、4、5、6，作為樣本集中屬性值所對(duì)應(yīng)的類標(biāo)簽。
[0101] 采用已確定故障類型的305組變壓器油中溶解氣體組分作為訓(xùn)練與測(cè)試樣本。在 訓(xùn)練樣本集中，每個(gè)故障類型有35組樣本數(shù)據(jù)，其余95組作為模型的測(cè)試樣本。利用210組 數(shù)據(jù)對(duì)本專利提出Adaboost算法的變壓器故障診斷方法分析模型的進(jìn)行訓(xùn)練，采用95組數(shù) 據(jù)進(jìn)行測(cè)試，其中，部分所述測(cè)試樣本集為16組，如表1所示。
[0102]表1部分所述測(cè)試樣本集16組數(shù)據(jù)
[0104] 為了驗(yàn)證本發(fā)明的有效性和準(zhǔn)確性，以及與單一徑向基神經(jīng)網(wǎng)絡(luò)算法的分類相比 性能優(yōu)劣，進(jìn)行了一組對(duì)比實(shí)驗(yàn)，兩種分類方法的正確率如表2。
[0105] 表2本發(fā)明與單一徑向基神經(jīng)網(wǎng)絡(luò)算法分類正確率的比較結(jié)果
[0107]由表2可以得出，實(shí)驗(yàn)發(fā)現(xiàn)采用單一徑向基神經(jīng)網(wǎng)絡(luò)算法的分類準(zhǔn)確率約為 81.25%，而采用Adaboost算法的變壓器故障診斷方法分析模型分類準(zhǔn)確率為93.75 %，本 發(fā)明所述方法與單一徑向基神經(jīng)網(wǎng)絡(luò)算法相比，分類準(zhǔn)確率提高了 12.5%。
[0108]本發(fā)明使用基于Adaboost算法的變壓器故障指數(shù)損失函數(shù)的Adaboost算法。 Adaboost是一種實(shí)現(xiàn)簡(jiǎn)單，應(yīng)用也很簡(jiǎn)單的算法，并且不會(huì)過(guò)擬合。另外，基于指數(shù)損失函 數(shù)的Adaboost算法該算法大大降低對(duì)弱分類器的精度要求，算法簡(jiǎn)單明了，可直接求解多 類分類問(wèn)題，大大減小計(jì)算復(fù)雜度和計(jì)算量，是一種適合應(yīng)用于變壓器故障診斷的算法。
[0109 ]本發(fā)明在此還有其他實(shí)施例的數(shù)據(jù)，就不一一列舉。
[0110]盡管本發(fā)明的實(shí)施方案已公開如上，但其并不僅僅限于說(shuō)明書和實(shí)施方式中所列 運(yùn)用，它完全可以被適用于各種適合本發(fā)明的領(lǐng)域，對(duì)于熟悉本領(lǐng)域的人員而言，可容易地 實(shí)現(xiàn)另外的修改，因此在不背離權(quán)利要求及等同范圍所限定的一般概念下，本發(fā)明并不限 于特定的細(xì)節(jié)和這里示出與描述的圖例。
【主權(quán)項(xiàng)】
1. 一種基于Adaboost算法的變壓器故障診斷方法，其特征在于，包括以下步驟： 步驟一，采集多種變壓器故障特征氣體的濃度值，將多種所述濃度值歸一化后作為樣 本集的樣本，同時(shí)編碼變壓器的故障模式類型，將對(duì)應(yīng)變壓器的故障模式類型的目標(biāo)輸出 編碼作為所述樣本集中屬性值對(duì)應(yīng)的類標(biāo)簽，將一部分樣本集作為訓(xùn)練樣本集，而另一部 分樣本集作為測(cè)試樣本集； 其中，所述訓(xùn)練樣本集中的每一個(gè)訓(xùn)練樣本具有相等的初始權(quán)重； 步驟二，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)作為弱分類器，將所述訓(xùn)練樣本集中的所有樣本設(shè) 為所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的中心； 步驟三，通過(guò)所述訓(xùn)練樣本集對(duì)所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行循環(huán)訓(xùn)練，直至得到預(yù) 測(cè)函數(shù)； 步驟四，根據(jù)所述預(yù)測(cè)函數(shù)的預(yù)測(cè)效果，來(lái)賦予所述預(yù)測(cè)函數(shù)與所述初始權(quán)重不同的 權(quán)重，采用帶權(quán)重的投票法產(chǎn)生最終預(yù)測(cè)函數(shù)序列組合； 步驟五，將所述步驟一中的所述測(cè)試樣本集輸入所述最終預(yù)測(cè)函數(shù)序列組合中，經(jīng)所 述最終預(yù)測(cè)函數(shù)序列組合判斷識(shí)別后，通過(guò)匹配所述類標(biāo)簽，得出所述故障模式類型，完成 診斷。2. 根據(jù)權(quán)利要求1所述的基于Adaboost算法的變壓器故障診斷方法，其特征在于，所述 步驟一中，同時(shí)編碼變壓器的故障類型具體如下： 將正常狀態(tài)、中溫過(guò)熱、高溫過(guò)熱、局部放電、火花放電及電弧放電六類故障模式分別 編碼為阿拉伯?dāng)?shù)字1、2、3、4、5和6，作為所述樣本集中屬性值所對(duì)應(yīng)的類標(biāo)簽。3. 根據(jù)權(quán)利要求1所述的基于Adaboost算法的變壓器故障診斷方法，其特征在于，多種 所述變壓器故障特征氣體為氫氣、甲烷、乙烷、乙烯及乙炔。4. 根據(jù)權(quán)利要求1所述的基于Adaboost算法的變壓器故障診斷方法，其特征在于，在所 述步驟一中，通過(guò)初始化所述訓(xùn)練樣本集中的每一個(gè)訓(xùn)練樣本的權(quán)重系數(shù)，使得每一個(gè)所 述訓(xùn)練樣本具有相等的初始權(quán)重。5. 根據(jù)權(quán)利要求2至4中任意一項(xiàng)所述的基于Adaboost算法的變壓器故障診斷方法，其 特征在于，所述步驟二中，采用徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)作為弱分類器，需通過(guò)格林激活函數(shù)進(jìn) 行激活。6. 根據(jù)權(quán)利要求1所述的基于Adaboost算法的變壓器故障診斷方法，其特征在于，所述 步驟三中，通過(guò)所述訓(xùn)練樣本集對(duì)所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行循環(huán)訓(xùn)練，直至得到預(yù)測(cè) 函數(shù)的具體步驟如下： 基于K-均值聚類方法求所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的最終基函數(shù)中心； 根據(jù)所述訓(xùn)練樣本與所述最終基函數(shù)中心之間的最大距離，得到方差值； 通過(guò)所述最終基函數(shù)中心和所述方差值，得到所述徑向基神經(jīng)網(wǎng)絡(luò)中的隱含層到輸出 層之間的連接權(quán)值； 將所述連接權(quán)值結(jié)合所述徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，得到所述徑向基神經(jīng)網(wǎng)絡(luò)的實(shí)際輸 出，所述實(shí)際輸出與目標(biāo)輸出的正負(fù)差值在預(yù)定范圍內(nèi)，則訓(xùn)練結(jié)束，得到預(yù)測(cè)函數(shù)，所述 正負(fù)差值不在所述預(yù)定范圍內(nèi)，則重復(fù)以上步驟； 其中，所述實(shí)際輸出為對(duì)應(yīng)變壓器故障模式類型的實(shí)際輸出編碼，所述目標(biāo)輸出為對(duì) 應(yīng)變壓器故障模式類型的目標(biāo)輸出編碼。7. 根據(jù)權(quán)利要求6所述的基于Adaboost算法的變壓器故障診斷方法，其特征在于，基于 K-均值聚類方法求所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的最終基函數(shù)中心包括以下步驟： A、選取所述訓(xùn)練樣本集中的η個(gè)訓(xùn)練樣本作為聚類中心，按照輸入樣本與所述聚類中 心之間的歐式距離，將所述輸入樣本分配到各個(gè)聚類集合中；計(jì)算各個(gè)所述聚類集合中訓(xùn) 練樣本的平均值，得到新聚類中心，判斷所述新聚類中心是否發(fā)生變化來(lái)決定是否進(jìn)行下 一輪的中心求解;是，則執(zhí)行步驟B，否，則執(zhí)行步驟C; Β、上述步驟的所述新聚類中心即為所述徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的最終基函數(shù)中心； C、重新選取η個(gè)所述訓(xùn)練樣本作為聚類中心，進(jìn)入下一輪的所述聚類中心的求解。8. 根據(jù)權(quán)利要求1所述的基于Adaboost算法的變壓器故障診斷方法，其特征在于，所述 步驟四中，根據(jù)所述預(yù)測(cè)函數(shù)的預(yù)測(cè)效果來(lái)賦予其與所述初始權(quán)重不同的權(quán)重，采用帶權(quán) 重的投票法產(chǎn)生最終預(yù)測(cè)函數(shù)序列組合的具體步驟如下： 計(jì)算所述預(yù)測(cè)函數(shù)的權(quán)重訓(xùn)練誤差，得到所述預(yù)測(cè)函數(shù)的預(yù)測(cè)效果； 根據(jù)所述預(yù)測(cè)效果，賦予所述預(yù)測(cè)函數(shù)第一權(quán)重，并對(duì)所述第一權(quán)重進(jìn)行更新，得到第 二權(quán)重； 對(duì)所述第二權(quán)重進(jìn)行歸一化，且對(duì)歸一化的相應(yīng)權(quán)重進(jìn)行加和，通過(guò)投票法產(chǎn)生最終 預(yù)測(cè)函數(shù)序列組合。9. 根據(jù)權(quán)利要求6中所述的基于Adaboost算法的變壓器故障診斷方法，其特征在于，所 述預(yù)定范圍為0.01-0.05。
【文檔編號(hào)】G06K9/62GK105930861SQ201610227946
【公開日】2016年9月7日
【申請(qǐng)日】2016年4月13日
【發(fā)明人】趙新, 黃新波, 耿慶慶
【申請(qǐng)人】西安西拓電氣股份有限公司