一种变压器过热故障诊断方法
【技术领域】：
[0001] 本发明涉及变压器过热故障诊断方法，更具体涉及一种基于后验概率SVM和证据 合成技术的变压器过热故障诊断方法。
【背景技术】：
[0002] 在电力系统中，变压器是电力系统的重要设备，其工作状态直接影响电网的稳定 性，因此，研究变压器故障诊断技术，提高变压器的运行维护水平，具有重要的现实意义。在 变压器的过热故障诊断中，油中溶解气体分析DGA被公认为是一种探测变压器初期故障的 有效手段，变压器过热故障是指高温过热故障、中温过热故障和低温过热故障，用于变压器 故障诊断的油中溶解特征气体主要有：氢气H 2、甲烷CH4、乙烷C2H6、乙烯C2H 4和乙炔C2H25 种，变压器故障与这5种气体具有高度的关联性。基于DGA形成了多种判断设备故障的方 法，正确率可达80%左右，但是这种方法存在编码不全或码值无对应故障以及编码不够科 学的缺陷。
[0003] 此外，基于机器学习的变压器故障诊断技术在业界得到了重视，并进行了大量的 研究和实践，一方面机器学习方法有效利用了先验知识，样本数据越多对学习越有利，另一 方面可以通过调整机器学习算法和参数配置使得分类器的性能达到最优。此类研究更多的 关注单一算法本身的性能，决策结果依赖于被筛选后的特征信息和分类算法，在变压器故 障诊断中，仅仅利用设备一方面的故障特征信息具有不确定性，甚至有些结果不可靠，需要 综合利用设备多方面的故障信息，才能实现对设备全面而准确的诊断。
[0004] 针对以上问题，本发明提出一种基于后验概率SVM和证据合成技术的变压器过热 故障诊断方法。传统的支持向量机是一种基于统计学习理论的通用的机器学习方法，后验 概率SVM在"一对一"多类SVM的基础上引入sigmoid函数参数模型拟合后验概率，并采用 逐对耦合法完成二分类概率向多分类概率的转化，概率化输出不但保留了 SVM小样本、泛 化能力强的特点，保证在有限的故障样本情况下也能建立推广能力强的模型，同时克服了 SVM硬判决的缺点，提供故障类型的概率输出。在此基础上，基于证据理论计算不同证据体 集体作用下的融合结果，本发明采用的证据体为无编码四比值和特征气体，根据证据融合 函数计算最终的合成判断结果。后验概率SVM提供近似真实概率的输出，满足证据理论不 确定性信息输入的特点，与证据理论之间形成优势互补，预测结果更加准确并能更为全面 的反映设备状态。
【发明内容】
：
[0005] 本发明的目的是提供一种变压器过热故障诊断方法，该方法基于多故障特征综合 诊断结果的准确性和可靠性比基于单一故障特征的诊断有较大提高，有助于变压器故障类 型的诊断，并对变压器维修策略的制定具有现实意义。
[0006] 为实现上述目的，本发明采用以下技术方案：一种变压器过热故障诊断方法，所述 方法包括基本概率分配函数构造过程和证据合成过程并分别通过构造基本概率分配函数 模块和证据合成模块实现；
[0007] 所述基本概率分配函数构造模块为利用后验概率SVM计算无编码四比值和特征 气体两种证据体下各类故障的基本概率分配函数；
[0008] 所述证据合成模块为基于证据理论，将所述两种证据体进行合成，形成最终的判 断结果，所述结果形式为变压器属于各类故障的概率值。
[0009] 本发明提供的一种变压器过热故障诊断方法，其特征在于：所述基本概率分配函 数构造过程包括以下步骤：
[0010] (1-1)提取特征气体的特征向量；
[0011] (1-2)确定变压器故障的标准SVM硬判断结果；
[0012] (1-3)确定后验概率值；
[0013] (1-4)确定后验概率矢量；
[0014] (1-5)构造函数。
[0015] 本发明提供的一种变压器过热故障诊断方法，所述步骤（1-1)中的特征向量通过 无编码四比值法和特征气体法进行提取，并以变压器油中样本数据溶解特征气体含量为输 入；
[0016] 所述特征气体包含氢气h2、甲烷ch4、乙烷c2h 6、乙烯c2h4和乙炔c2h2。
[0017] 本发明提供的另一优选的一种变压器过热故障诊断方法，所述无编码四比值法的 特征矢量包括 CH4/H2、C2H2/C2H 4、C2H4/C2H6 和 C2H6/CH4 ;
[0018] 所述特征气体法的特征矢量包括、CH4/ (Q+CJ和和总烃的相对大小，其中q+q代表甲烷ch4、乙烷c 2h6、乙烯c2h4和 乙炔C2H 2的含量总和，（；+(：2+Η2代表氢气H2、甲烷CH 4、乙烷C2H6、乙烯C2H4和乙炔C 2H2含量 的总和。
[0019] 本发明提供的再一优选的一种变压器过热故障诊断方法，所述总烃相对大小通过 下式⑴确定： 12345
[0025] 其中，参数A、B根据训练机通过下式（3)确定； , " (1) 2 其中，u。为总烃的相对大小，X为总烃的实际大小。 3 本发明提供的又一优选的一种变压器过热故障诊断方法，其特征在于：所诉步骤 (1-2)中的判断结果通过支持向量机SVM分类器确定；所述分类器通过一对一多类SVM法 分别对所述无编码四比值法、特征气体法和样本数据进行学习训练得到。 4 本发明提供的又一优选的一种变压器过热故障诊断方法，所述步骤（1-3)中的后 验概率值是通过概率转换函数将标准SVM硬判断结果拟而成；所述后验概率通过下式（2) 确定： (2) 5
[0026]
[0027]
[0028] 其中，1为训练集中的样本数，t为第i个样本的概率贡献参数，N+为所有样本中 属于故障类型f的样本个数，N为所有样本中不属于故障类型f的样本个数，yi为第i个 样本是否属于故障类型f，属于则值为1，否则值为-1 ;Pl = V(l+eAf+B)为样本Xl的概率估 计值，f为故障类型。
[0029] 本发明提供的又一优选的一种变压器过热故障诊断方法，所述步骤（1-4)中的后 验概率矢量是通过逐对耦合法完成二分类概率向多分类概率的转化结果；
[0030] 所述后验概率矢量，记为P，其目标计算函数如下式（4):
[0031]
[0032] 其中，1?是第i类和第j类训练样本的数目；rij为第i类和第j类训练样本得到 的单个SVM的后验概率输出。
[0033] 本发明提供的又一优选的一种变压器过热故障诊断方法，所述步骤（1-5)通过多 分类后的验概率构造基本概率分配函数；所述概率分类函数的计算结果反应了当前环境对 不同证据体的支持程度；所述证据体为无编码四比值法和特征气体法计算得到的多分类后 验概率分布。
[0034] 本发明提供的又一优选的一种变压器过热故障诊断方法，所述证据合成过程包括 以下步骤：
[0035] 所述证据合成通过融合可信度分配函数和决策规则进行证据融合得到最终的故 障诊断概率值。
[0036] 本发明提供的又一优选的一种变压器过热故障诊断方法，证据所述融合可信度分 配函数通过下式（5)确定：
[0037]
12 <-^Au:r'A2hrv···^, 2 其中，t为证据体个数，1?为证据体i的概率分配值，Altj代表证据体i下的不同故 障类型,1? (Altl)为证据1下故障类型为ti的概率分配值，Ct和A为故障类型，Φ为空集。
[0040] 和最接近的现有技术比，本发明提供技术方案具有以下优异效果
[0041] 1、本发明基于后验概率SVM将硬判断结果转为故障类型的概率输出；
[0042] 2、本发明在标准SVM的基础上引入后验概率计算函数，将标准的SVM硬判断输出 转为故障类型的概述输出，故障类型的概率输出相对于硬判断输出涵盖的判断信息更大， 对实际故障诊断具有更高的实用化价值；
[0043] 3、本发明利用逐对耦合法将二分类概率转为多分类概率；
[0044] 4、本发明在二分类故障概率输出的基础上，基于逐对耦合方法计算多分类情况下 的后验概率值，变压器故障类型多样，二分类的输出结果显然无法满足故障诊断需求，多分 类概率输出的结果是故障矢量，代表诊断变压器属于不同故障的概率值，对故障类型数据 不做限定，可细化故障大类后调整SVM分类器得到更对精准的故障诊断器；
[0045] 5、本发明基于信息互补采用证据合成技术融合多种证据下的诊断结果；
[0046] 6、本发明使基于多故障特征综合诊断结果的准确性和可靠性比基于单一故障特 征的诊断有较大提高，有助于变压器故障类型的诊断，并对变压器维修策略的制定具有现 实意义。
【附图说明】
[0047] 图1为本发明的方法流程图。
【具体实施方式】
[0048] 下面结合实施例对发明作进一步的详细说明。
[0049] 实施例1 :
[0050] 如图1所示，本例的发明一种变压器过热故障诊断方法，所述方法包括基本概率 分配函数构造过程和证据合成过程并分别通过构造基本概率分配函数模块和证据合成模 块实现；
[0051] 所述基本概率分配函数构造模块为利用后验概率SVM计算无编码四比值和特征 气体两种证据下各类故障的基本概率分配函数；
[0052] 所述证据合成模块为基于证据理论，将所述两种证据体进行合成，形成最终的判 断结果，所述结果形式为变压器属于各类故障的概率值。
[0053] 所述基本概率分配函数构造过程包括以下步骤：
[0054] 1)本发明方法实施前需要准备一组变压器过热故障样本数据，样本数据内容包括 变压器