基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究_第1页
基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究_第2页
基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究_第3页
基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究_第4页
基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究_第5页
已阅读5页,还剩16页未读 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

1、第 23卷 第 7期 中 国 电 机 工 程 学 报Vol.23 No.7 Jul. 20032003年 7月 Proceedings of the CSEE文章编号2003TM835.4 文献标识码470·4027基于支持向量机及油中溶解气体分析的 大型电力变压器故障诊断模型研究董 明徐长响西安交通大学FAULT DIAGNOSIS MODEL FOR POWER TRANSFORMER BASED ON SUPPORTVECTOR MACHINE AND DISSOLVED GAS ANALYSISDONG Ming, MENG Yuan-yuan, XU Chang-xiang

2、, YAN Zhang ABSTRACT: A multi-level decision-making model for powertransformer fault diagnosis based on SVM (Support VectorMachine is presented. Based on correlation analysis, some keygases are selected as the inputs of SVM; furthermore, improving the use of the fault information within DGA(Dissolve

3、d Gas Analysis, the fault diagnosis is accomplished according to the concentration distribution of typical fault gasesin higher dimensional space. The proposed approach is basedon seeking the optimal solution by few training samplessupporting, and it has important features such as goodgeneralization

4、 and consistency performance, etc, which is verysuitable to solve the problems of less typical fault data fordiagnosis. And the comparison between two kinds of SVM ispresented also. Meanwhile the output of this model is improvedby approaching exactly with K-Nearest Neighbor SearchClassification for

5、the SVM classification results, which isadjacent to optimal separating hyperplane. So the dependabilityof this model is enhanced greatly, and its effectiveness andusefulness is proved.KEY WORDS: Transformer; Fault diagnosis; Dissolved gasesin oil; Support vector machine (SVM; K-NN search摘要首先通过相关统计分析

6、然后在深入发掘油中气体所含故障信息基础上该方法基于小训练样本条件下寻求最优解国家自然科学基金项目Project Supported by National Natural Science Foundation of China»¹ÊÊÓÃÓÚ±äѹÆ÷µäÐ͹ÊÕÏÊý¾ÝÉÙµÄÌ&

7、#216;µãΪÁËÌá¸ß¹ÊÕÏÕï¶ÏµÄÕýÅÐÂÊÀûÓÃK -近邻搜索聚类在最优分类面附近对分类结果进行精确逼近 计算结果表明 关键词故障诊断支持向量机而油中溶解气体分析技术是目前对油浸变压器进行故障诊断最方便 它往往能较准确防止由此引起重大事故主要采用 IEC/IEEE推荐的方法 制

8、定了各不相同的油中气 体的及故障判断规则 1已为及时发现变压器故障隐患发挥了重要作用 也发现不少问题 缺编码 编码边界过 于绝对等 各种智能技术如模糊推 理并取得了比较好的效果 3-5µ¥Ò»ÀàÐ͵ıäѹÆ÷¹ÊÕÏÓëÓÍÖÐÆøÌ庬Á¿

9、4;®¼ä²¢Ã»ÓÐÃ÷È·µÄº¯ÊýÓ³Éä¹Øϵ¶øʵ¼ÊÏÖ³¡Êý¾ÝµÄ²É¼¯¾«

10、2;ȼ°ÊýÁ¿Ò²ºÜÓÐÏÞ 第 7期 董 明等即 当样本数量趋向于无穷大时的极限特征这样的前提条件往往难以满足因此基于经验风险的最小 化原理在实际应用中具有很大的局限性利用置信范围最小化以控制诊 断中风险问题利用分层决策解决大类别分类 问题的同时修正了支持向量分类器参数难于选择带来的误差提高了故障诊断的正确性 SVMËüÊÇÔÚСÑù&#

11、177;¾Ñ§Ï°Ìõ¼þÏÂ×îÓÅ·ÖÀàÃæ´Ó¶øʹ¾-Ñé·çÏÕ×îС»¯²¢ÔÚÌá¸ßÑ&

12、#167;Ï°Ò»ÖÂÐÔµÄͬʱ用来构造最优 分类超平面只需能够计算特征空间中的向量的点积 ,(yxyZxZ K=´Ó¶øΪÎÊÌâµÄ½â¾öÌṩÁ˱ãÀûÌõ&#

13、188;þ6Æä»ù±¾Ë¼ÏëÈçͼ1所示的两类线性 可分问题H 为把这两类没有错误地分开的分类线 最优间隔H1HH 2图 1最优分类超平面Fig.1 Optimal separating hyperplane H 2分别为各类样本中离分类线最近而 H 1和 H 2之间的距离是两类的分类 间隔 H 2上的训练样本点称作支持向量 而且要 使分类间隔最大 而后者 使推广性的界中的置信范围最小推广至线性不可分情况并考虑到存在不能被分类超平面正确分类

14、的样 本 则超平面的约束条件为 01(+iiibxwy (1式中 w 为超平面法线方向再经过进一步的简化广义最优分类面问题可转化为(21,(1=+=niiCwww (2式中 C 为某个制定的常数实现在错分样本的比例与算法复杂度之间的 折衷就是要求解如上所述的 二次规划问题 在此仅讨论非 线性可分的情况i÷ ©Kuhn-Tucker 定理 7最 后可得到基于最优超平面的决策函数sgn(bxwxf += (4 3 K-近邻搜索聚类基础最近邻法是非参数模式识别的方法之一 只要比较 x 与 =ciiNN1个已知类 别的样本之间的欧氏距离而 K -近邻搜索聚类 (K-NN Searc

15、h是最近邻法的一种推广 来自 w 1类的样本有 N 1个 Èôk 190中 国 电 机 工 程 学 报第 23卷近邻中属于 w 1 Ôò¿ÉÒÔ¶¨ÒåÅбðº¯ÊýΪc i k x g i i , , 2, 1, (= (5决策规则为 则决策 j w x K -邻近法则为最优分类 样本数 N是有限的另一方面又要求 k 个近邻都很靠近 x 采取折衷 的考虑 为了避免 k 1

16、ÔÚ´Ë´¦Ñ¡Ôñk 为奇数 8变压器油中气体自身测量结果的模糊性表现不同类型故障的灵敏性各异等特点为准确的故障诊断造成了很大的困难变压器故障产生机理不明确等又为故障诊断增加了难 度 本文一方面采用 分层决策的模型 由粗 到细逐步将故障进行分类 逐渐靠近故障的真实情况以完成具体的分类计算减少大类别情 况下多种类别分布非常接近的可能性 从而达到提高诊断效果的目的 单一 SVM 分类器参数设计复杂 如果仅仅不加区别地同等对待分类问题尤其对于处于 H 2之间的区域为了 提高 SVM 对 DGA 数据

17、分类效果 它首先以 SVM 的分类结果为基础在更小范围内进行新的聚类分析此方法既兼顾 DGA 数据在特征空间分布特性 一 种分层决策模型如图 2所示DGASVM-KNN0SVM-KNN1导电回路 过热导磁回路 过热涉及固体 绝缘放电 不涉及固体 绝缘放电过热放电图 2 基于 SVM 分层故障诊断决策模型Fig.2 Multi-level fault diagnosis model based on SVM5 基于支持向量机的分层决策模型5.1 基于油中溶解气体的故障分类本文针对收集到 980台故障明确的变压器油 中气体含量的数据得到 811组故障变压器的油中气体数据以避免欠学习或过学习的出现在

18、分析变压器故障特点的基础上直接将故障定位到部位的分类模型其可靠性将不稳定因此本文先按照故障模式分类如图 2所示将故障由粗到细划分为导电回路过热 涉及固 体绝缘的放电和不涉及固体绝缘的放电 10Ϊ½µµÍÆäÏ໥֮¼äÓÉÓÚÁ¿Öµ²îÒìÔì³ÉµÄ

19、Ó°Ïì¹éÒ»»¯ÒÔ½µµÍÆøÌåÖ®¼äµÄ»¥³âÐÔ11ÈçºÎÑ¡Ôñ¾ßÓдú±íÐ

20、2;µÄ±äÁ¿Óдú±íÐԵıäÁ¿´úÌæ´ó±äÁ¿¼¯Ê±ËùËðʧµÄÐÅÏ¢×îÉ

21、7;¸ù¾ÝµÃµ½µÄÊý¾ÝÊÔͼͨ¹ý·ÖÎöÑ¡Ôñ×îÄÜ·´Ó³¹ÊÕÏÀàÐͲîÒ

22、6;µÄÆøÌå×é·Ö×éºÏ×÷ΪSVM 的输入在该分析中主 要取决于协方差分析的 F 检验的显著性水平 ±1所示 DGA 数据在经过归一化处理后 这表明气体各组份 相对含量是独立的 这 也说明相对含量对分类均是高度有效的输入变量第 7期 董 明等CO 2CH 4C 2H 4表 1变压器油中特征气体相对含量逐步统计分析结果 Tab.1 Results of statistic analysis of

23、relative concentrations of DGA step-by-stepDGA 步数 Wilks' lambda ( 显著性水平 C 2 H6C 2 H2C 2 H4H2CH4注5.3 分类模型的执行步骤根据变压器 DGA 数据应用 SVM 分类模型进 行数据处理分析其中包括数据预处理 见图 3ͨ¹ýѵÁ·µü´úÔËËã¾Í¿ÉÒÔµ

24、95;µ½×îÓÅȨϵÊýµ«DGA 数据还不够多 这给核 函数的选择造成了很大的困难分别使用多项式形式和径向基作为核函 数 见表 2²ÉÓþ¶Ïò»ùºËº¯ÊýµÄÐÔÄÜÒª±È¶

25、;àÏîʽ¸üºÃ²ÉÈ¡¾¶Ïò»ùºËº¯Êý¿ÉÒÔ È¡µÃ½ÏºÃµÄÍƹãЧ¹ûÕý

26、7;ÐÂÊ´óΪÌá¸ßͬʱҲ˵Ã÷²»Í¬µÄÖ§³Ö ÏòÁ¿»ú¿ÉÒԵõ½·ÖÀà

27、08;ÔÄÜÏà½üµÄ½á¹û该实验 得到两种不同的支持向量机最终得出的支持向量只 是总训练样本中的很少一部分以上是重合的故方法的选择应 针对实际问题不同 对于误判的数据全部位于 诊断可疑区间内说明 SVM 分类器的推广性很强6.2 K-邻近法故障识别通过 SVM 故障识别过程可以得到支持向量 接着以支持向量及可疑数据作 为 K -邻近法的训练样本 数 据的分布较集中而且效果也 明显提高 其故障判别图谱 如图 4所示92中 国 电 机 工 程 学 报 第 23卷7

28、 故障诊断应用实例本文将典型样本及输入矢量的选取方法综合 应用于组合分类识别模型后表中还列出了对同样样本用基于模糊数学的 范例检索算法的诊断结果 12表 3分层决策模型实例Tab.3 The application of power transformer fault diagnosis 故障 类型 检验 样本数 正判台次 正判率 /%总正判率 /% 导电回路过热 6562 / 5895.4 / 89.2导磁 回路过热 7972 / 7091.1 / 88.6涉及固体绝缘放电 4744 / 4293.6 / 89.4不涉及固体绝缘放电 4138 / 3392.7 / 80.593.1 / 87

29、.5注a 为采用基于本文算法的诊断结果8结论支持向量分类器有助于深入挖掘有关监测参数中所含的故障信息 同时支持向量分类器是一种通用的机器学习算法因而具有 很强的推广性2±¾ÎIJÉÓÃK -邻近搜索聚类与 SVM 两种分类方法 将支持向量器的分类结果进行修正 文中的实例表明组合分类识别模型具有很好分类性能 参考文献1 Duval MGervais PAcceptable gas-in-oil levelsin generation and transmission power transformers, electrical insulation and dielectric phenomenaCPocomo Mano

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论