基于精简集约简不均衡svm变压器故障检测方法
【专利摘要】基于精简集约简不均衡SVM变压器故障检测方法。本发明包括：（1）利用基于GARCH模型的故障特征提取方法得到变压器特征矢量集合，然后针对少数类样本进行边界样本的确定，所述的少数类样本是故障样本，得到少数类边界样本集合；（2）随机选取，为集合的基数，，设置为1，利用精简集求解算法得到，重复操作次，其中：是多数类样本数目，是少数类样本个数，于是得到个人工少数类样本，保证至少一次--；（3）将步骤（2）产生的人工少数类样本同原有的少数类样本结合后，与原有多数类样本集合共同组合作为SVM分类器的训练样本，最终得到SVM决策模型；（4）将新得到的变压器特征矢量输入到决策模型中进行判断。本发明用于变压器故障检测。
【专利说明】基于精简集约简不均衡SVM变压器故障检测方法
[0001]【技术领域】:
本发明涉及一种基于精简集约简不均衡SVM变压器故障检测方法。
[0002]【背景技术】:
变压器作为电力系统重要的枢纽设备，不但价格昂贵作用也十分重要，保证其安全可靠运行是整个电网安全运行的关键。然而变压器内部结构十分复杂，在制造和安装工艺上可能会出现各种问题，如变压器绕组短路、变形、位移或松动、铁心的压紧状况变化及支脚螺栓松动等，这些问题都会导致变压器无法长期运行。因此，对其运行状态进行检测就变得十分必要。然而由于导致变压器故障的原因有很多种且很随机，这使得对其进行检测变得非常困难。近几年来，学者们利用人工神经网络、灰色系统和模糊聚类等方法对其进行研究获得了一些成果，但也存在一些不足。
[0003]支持向量机(support vector machine, SVM)是一种以统计学习理论及结构风险最小化为基础的机器学习方法。它在解决传统神经网络过学习、小样本及高维模式识别等诸多问题上表现出很多优势，且具备较强的推广能力，现已成为模式识别领域一个新的研究热点。近年来，相关学者也将SVM方法应用到变压器故障诊断中，并取得了较好的研究成果。然而实践中我们发现，在变压器故障检测领域，故障样本的收集工作十分困难，故障样本往往可遇不可求，通常收集到故障样本数要远远小于正常样本数，从而导致训练样本不均衡。当SVM面对不均衡数据集时，学习后的分类界面会向故障样本类别偏移，从而导致SVM分类器对故障样本产生很大的泛化误差。然而，在变压器故障检测领域中，漏识行为所带来的危害要远远大于误识行为。因此，如何提高SVM算法在不均衡数据下的故障检测性能是目前亟待解决的关键问题。
[0004]近年来，国内外学者从不同角度提出一些解决方法，其主要包括改善原有算法参数的方法，如提出了代价敏感SVM算法等；和调整训练集样本分布实现数据均衡的方法，其中调整训练集样本分布又分下取样和上取样。下取样由于只选择部分多数类样本，可能会忽略掉有用的样本信息导致分类性能下降。上取样算法是利用已有的少数类样本生成人工样本，如通过简单复制少数类样本来增加规模的随机上取样算法，以及利用少数类邻近样本来合成新样本的SMOTE算法。这些算法都不同程度地改善了 SVM算法的分类性能。然而，由于这些上取样算法只考虑选取少数类的部分子集来生成人工样本实现均衡，并未兼顾整体空间结构信息，因此有时分类效果的提高并不明显。
[0005]
【发明内容】
:
本发明的目的是提供一种基于精简集约简不均衡SVM变压器故障检测方法。
[0006]上述的目的通过以下的技术方案实现:
一种基于精简集约简不均衡SVM变压器故障检测方法，该方法包括如下步骤:
(I)利用基于GARCH模型的故障特征提取方法得到变压器特征矢量集合，然后针对少数类样本进行边界样本的确定，所述的少数类样本是故障样本，得到少数类边界样本集合
C.-vJ ，(2)随机选取
【权利要求】
1.一种基于精简集约简不均衡SVM变压器故障检测方法，其特征是:该方法包括如下步骤: (1)利用基于GARCH模型的故障特征提取方法得到变压器特征矢量集合，然后针对少数类样本进行边界样本的确定，所述的少数类样本是故障样本，得到少数类边界样本集合S ； (2)随机选取
2.根据权利要求1所述的基于精简集约简不均衡SVM变压器故障检测方法，其特征是:所述的步骤(1)中所述的基于GARCH模型的故障特征提取方法包括如下步骤:利用振动加速传感器来收集变压器机箱上的振动信号；然后对振动信号采用截止频率为1500Hz的低通滤波器处理，去除高频噪声信息，获取降噪后的振动信号；对获取的降噪振动信号按时间序列进行分段处理，并对分段后的时间序列利用广义自回归条件异方差模型GARCH进行建模，然后选用建模后的模型参数作为故障特征对变压器的状态进行分析，具体方法如下: 对振动?目号进行W =1024截断处理，得到截断 信号
3.根据权利要求1或2所述的基于精简集约简不均衡SVM变压器故障检测方法，其特征是:所述的步骤(1)中针对少数类样本进行边界样本的确定包括如下步骤:首先确定少数类边界样本集，流程如下:设总的训练样本集为T，少数类样本集为F ={f1，f2，L，fn} ，首先求出少数类样本集f*中每一个样本在τ中的A个最F中的样本进行归类:假如这i个最近邻都是多数类样本或者既有多数类样本又有少数类样本则认为是边界样本；反之，都是少数类样本的则认为该样本是远离分类边界的样本。
【文档编号】G01R31/00GK103941131SQ201410204294
【公开日】2014年7月23日 申请日期:2014年5月14日 优先权日:2014年5月14日
【发明者】刘福荣, 陶新民, 孙福军, 田伟, 张凯 申请人:国家电网公司, 国网黑龙江省电力有限公司, 哈尔滨工程大学