一种基于组合核相关向量机的变压器故障诊断方法与流程

本发明属于变压器设备状态监测技术领域，尤其是一种基于组合核相关向量机的变压器故障诊断方法。

背景技术：

电力变压器是电力系统的重要设备，其运行状态直接影响系统的安全水平。变压器虽然在设计上具有良好的机械性能和足够的电气强度，但制造过程中不可避免会存在一些局部缺陷，此外长期运行过程中，在热、电以及外部的破坏和影响等因素作用下会发生绝缘老化、材质劣化，而引发故障和事故。因此必须采取有效措施来及时发现变压器的潜伏性故障，以保证变压器可靠运行。随着变压器状态检/监测的发展和逐步推广，目前出现了包括油中气体含量检/监测、局部放电测量(超高频和超声波方法等)、接地电流的宽频带测量、基于光纤的绕组变形和温度测量等各种检/监测装置和系统。因此，基于这些检/监测数据建立变压器故障诊断系统是十分可行和必要的。

变压器油中溶解气体的含量和气体含量的比值可在不同的方面反映变压器的运行状态，基于此已形成了iec推荐的三比值法、rogers法等传统诊断方法，以及人工神经网络、支持向量机等人工智能诊断方法。但目前这些方法主要是依据溶解气体的含量，或者是依据气体含量比值，然而仅根据可反映变压器运行状态的单一特征信息很难对故障情况做出较为正确的分析。

技术实现要素：

本发明的目地在于克服现有技术的不足，提出一种基于组合核相关向量机的变压器故障诊断方法，其结合变压器运行状态的多种特征信息能够对故障情况做出较为正确的分析。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于组合核相关向量机的变压器故障诊断方法，包括以下步骤：

步骤1、划分变压器的状态类型，确定各种状态类型的表示方法；

步骤2、选取变压器运行状态的监测数据；

步骤3、对监测数据进行特征提取，确定从不同角度反映变压器运行状态的特征变量组；

步骤4、确定由不同特征变量组组成的不同特征空间的组合核相关向量机融合模型；

步骤5、对应各组特征变量，选取相应的核函数；

步骤6、采集变压器在各种运行状态下的样本数据；

步骤7、进行变压器的组合核相关向量机故障诊断模型的学习和测试，采用快速type-ii最大似然估计求解先验参数，采用最大期望估计和二次规划的方法解核组合参数。

所述步骤1变压器的状态类型划分为正常状态、低能放电状态、高能放电状态、中低温过热状态、高温过热状态和局部放电状态。

所述步骤3进行特征提取时，选用特征气体含量和特征气体含量比值两组特征变量。

所述步骤4选用h2、ch4、c2h6、c2h4、c2h2气体含量作为一组特征变量，并按下式对其进行归一化处理：

式中：x、xnew分别表示归一化前、后的样本值；xmin、xmax分别表示样本的最小值和最大值。

所述步骤5采用径向基函数作为核函数，该核函数的组合核相关向量机采用分层贝叶斯模型结构，通过引入多项概率似然函数实现非同构的多信息数据或多特征空间的有机融合以及多分类。

所述核函数参数采用k-cv和ga的核函数参数优化方法进行优化处理，其具体处理过程为：

⑴将s个样本数据x^s各自随机的分成元素个数近似相等的k个相互独立的子集

⑵用作为训练集对模型进行训练，用作为验证集对模型进行验证，得到k个组合核相关向量机模型以及该k个模型在相应的验证集上的正判率；

⑶以k个模型的平均正判率作为ga的适应度函数，采用下式评估待选择的核函数参数；

其中，

式中：为由数据集学习得到的分类器对输入向量xi的分类结果；为数据集含有的样本数；

⑷采用ga选取核函数参数：ga采用实数编码方式、精英选择法，以正确率满足给定值或连续几代最优个体适应度相同为终止条件。

本发明的优点和积极效果是：

本发明设计合理，其融合了蕴含变压器运行状态的多种特征信息；输出变压器为各种状态的概率，为变压器的运行维护提供更多的可用信息，提高了变压器故障检测的准确性。本发明给出了基于组合核相关向量机诊断方法的具体实现方法，并以融合油溶解气体数据提出的不同特征空间为例，采用诊断实例验证组合核相关向量机诊断方法的有效性。

附图说明

图1是本发明的处理流程图；

图2是本发明的组合核相关向量机融合模型示意图；

图3是本发明的组合核相关向量机原理示意图；

图4是本发明的组合相关向量机采用的是模型结构示意图；

图5是本发明的基于k-cv和ga的核函数参数优化方法的流程图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

一种基于组合核相关向量机的变压器故障诊断方法，如图1所示，包括以下步骤：

步骤1：依据研究问题的特点，划分变压器的状态类型，并确定各种状态类型的表示方法。

依据研究问题的需要和特点划分变压器的状态类型；例如研究变压器的总体运行状态，可将变压器的运行状态划分为正常(n)、低能放电(d1)、高能放电(d2)、中低温过热(t12)、高温过热(t3)、局部放电(pd)6种状态。若要研究变压器的局部放电的放电类型，可将变压器的局部放电类型划分为针尖放电、气泡放电、悬浮放电、沿面放电等放电类型。变压器故障诊断是一个多分类问题，本发明将变压器状态划分为n、d1、d2、t12、t3、pd6种状态，并分别采用向量[0,0,0,0,0,1]^t、[0,0,0,0,1,0]^t、[0,0,0,1,0,0]^t、[0,0,1,0,0,0]^t、[0,1,0,0,0,0]^t、[1,0,0,0,0,0]^t表示。

步骤2：依据研究问题需要，选取变压器各类型运行状态的监测数据，且数据量相近。

步骤3：进行特征提取，确定可以从不同角度反映变压器运行状态的特征变量组，要求每组特征变量都可以独立的表征变压器的运行状态；组合核相关向量机既可以融合同一个监测数据提取的不同特征空间，也可以融合由不同监测数据提取的不同特征空间，因此能反映变压器运行状态的监测数据均可选用。前者例如，融合由油溶解气体数据提取的可从不同方面反映变压器运行状态的不同的特征信息，如溶解气体含量为一组特征变量组成的特征空间、气体含量比值为一组特征变量组成的特征空间、产气率为一组特征变量组成的特征空间等；后者例如，融合分别由变压器的脉冲电流监测数据、超高频局放监测数据、超声波局放监测数据等提取的可从不同方面反映变压器运行状态的不同特征变量组组成的不同特征空间。本发明监测数据采用油溶解气体数据，选用特征气体含量和特征气体含量比值两组特征变量；

步骤4：确定由不同特征变量组组成的不同的特征空间的组合核相关向量机融合模型。特征融合模型如图2所示，图中β1、β2，…，βn为核组合参数；变压器正常运行时，h2、ch4、c2h6、c2h4、c2h2含量很少，热或电故障时这些气体的产气速度加快；当故障点温度较低时，油中溶解气体的组成主要是ch4，随着温度升高，产气率最大的气体依次是ch4、c2h6、c2h4和c2h2；而c2h6不稳定，极易分解为c2h4和h2，c2h4和h2总是相伴而生，通常c2h6的含量小于ch4；

一般低温过热时，h2占氢烃(h2、ch4、c2h6、c2h4、c2h2含量之和)的27％以上。而中温过热时，h2占氢烃的27％以下；高温过热时，特征气体主要是c2h4，其次是ch4，二者能占总烃(ch4、c2h6、c2h4、c2h2含量之和)的80％以上；严重过热时，也会产生微量的c2h2，一般不超过总烃的6％；一般局部放电时，总烃含量不高，特征气体主要是h2，其次是ch4；通常h2可占氢烃的90％以上，ch4占总烃的90％以上；放电能量密度大时可能会出现少量c2h2，一般小于总烃的2％。一般低能放电时，总烃含量不高，特征气体主要是c2h2和h2。c2h2可占总烃的25％～90％，c2h4小于总烃的20％，h2占氢烃的30％以上。通常高能放电时，特征气体主要是c2h2和h2及相当数量的ch4和c2h4，通常c2h2的含量高于ch4，c2h2占总烃的20％～70％，h2占氢烃的30％～90％。

因此，本发明气体含量选用h2、ch4、c2h6、c2h4、c2h25种气体含量作为一组特征变量，由于上述5种特征气体含量蕴含着总烃含量的信息，所以特征变量没有选用总烃含量；此外，上述五种特征气体含量差异较大，为了减少计算误差，首先按下式对其进行归一化处理；气体含量比值选用h2占氢烃的比值，ch4、c2h6、c2h4、c2h2各自占总烃的比值作为特征变量；

式中：x、xnew分别表示归一化前、后的样本值；xmin、xmax分别表示样本的最小值和最大值；

步骤5：对应各组特征变量，选取相应的核函数；为每组特征变量组选取相应的核函数。本发明由于选用气体含量、气体含量比值两组特征变量，因此需选取两个核函数，本发明均采用变压器故障诊断中通常采用的径向基函数，径向基核函数如下所示，其中为核函数的高宽参数；

组合核相关向量机原理如图3所示。组合核相关向量机采用分层贝叶斯模型结构，通过引入多项概率似然函数(multinomialprobitlikelihood)，实现了非同构的多信息数据或多特征空间的有机融合以及多分类，其中s为信息数据的种类，β1,β2,…,βs为组合核参数；

设有s种信息数据，经特征提取获得s个特征空间。来自特征空间s的样本数据集记为其中n为样本数，d为特征向量的维数，c为类别数；当给定核函数时，可得基核矩阵k^s，k^s∈r^n×n，定义组合核矩阵组合核矩阵的元素可由下式得到，其中k^s为核函数，k^β为组合核函数；

引入辅助回归目标变量y∈r^n×c和权重参数w∈r^n×c，可得标准噪音回归模型如下式，其中ync表示y的第n行第c列的元素，wc表示w的第c列，表示k^β的第n行，nx(m,v)表示x服从均值为m、方差为v的正态分布；

引入多项概率联系函数如下式所示，将回归目标转化为类别标签；

由此可以得到多项概率似然函数如下式，其中ε为标准正态分布p(u)＝n(0,1)的期望，φ为高斯累计分布函数；

为了确保模型的稀疏性，为权重向量引入零均值、方差为的标准正态先验分布，为先验参数矩阵a∈r^n×c中的元素，服从超参数为a、b的伽马分布；

由此可见多组合相关向量机采用的是分层贝叶斯模型结构，模型结构如图4所示。

组合核相关向量机虽然不存在规则化系数确定困难的问题，核组合参数也可在模型学习的过程自动优化，但核函数参数没有采用自动相关学习算法，需要事先人为设定；

k-cv可以确保所有的样本数据都参与模型的训练和验证，而ga则具有较好的全局寻优能力；鉴于此，本发明提出了基于k-cv和ga的核函数参数优化方法，以提高组合核相关向量机的性能；该方法采用k-cv来评估待选择的核函数参数，采用ga选取核函数参数；

基于k-cv和ga的核函数参数优化方法的处理流程如图5所示，主要过程如下：

1)将s个样本数据x^s各自随机的分成元素个数近似相等的k个相互独立的子集

2)用(“-”为集合差运算)作为训练集对模型进行训练，用作为验证集对模型进行验证，这样可以得到k个组合核相关向量机模型以及该k个模型在相应的验证集上的正判率；

3)以k个模型的平均正判率作为ga的适应度函数，如下式所示，用以评估待选择的核函数参数；

其中，

式中：为由数据集学习得到的分类器对输入向量xi的分类结果；为数据集含有的样本数；

4)采用ga选取核函数参数。ga采用实数编码方式、精英选择法，以正确率满足给定值或连续几代最优个体适应度相同为终止条件；本文以正确率达到90％或连续10代最优个体适应度相同作为终止条件。

步骤6：采集变压器在各种运行状态下的样本数据。

步骤7：进行变压器的组合核相关向量机故障诊断模型的学习和测试，采用快速type-ii最大似然估计求解先验参数，采用最大期望估计和二次规划的方法解核组合参数。

组合核相关向量机的输出是变压器为各种状态的概率诊断结果为变压器各种状态中概率最大的状态组合核相关向量机的输出向量为[p1,p2,p3,p4,p5,p6]，其中p1,p2,p3,p4,p5,p6分别代表变压器的状态为pd、t3、t12、d2、d1、n的概率。

为了验证本发明所提方法的有效性，现结合一个实例给出组合核相关向量机方法与bp神经网络方法(backpropagationneuralnetwork，bpnn)、svm方法的变压器故障诊断实例的比较分析。

本实例的bpnn输入层神经元数为5，隐层神经元数为15，输出层神经元为6，隐层激励函数选用tansig，输出层激励函数选用purelin，训练函数选用trainlm，权重学习函数选用learngdm，性能评价函数选用mse；svm核函数选用rbf，采用“一对一”的分类方法，应用网格搜索与10折交叉验证相结合的方法选取规则化系数和核函数参数；组合核相关向量机选用归一化后的气体含量和气体含量比值两组特征变量，需选用两个rbf核函数；

下表列出了bpnn、svm各自分别选用归一化后的气体含量、含量比值作为特征变量与组合核相关向量机方法的6组典型变压器故障诊断实例；

表1.变压器故障诊断实例

对上表分析可知，同样的诊断方法，特征变量选用气体含量诊断结果为错误时，而选用气体含量比值诊断结果则可能是正确的，反之亦然；由此可见变压器溶解气体含量和气体含量比值可以在不同方面反映了变压器的运行状态；

对应于上表中6台变压器故障诊断实例，组合核相关向量机的输出如下式所示；

矩阵p的行向量代表变压器的状态为pd、t3、t12、d2、d1、n的概率；如矩阵p的第一行p1＝[0.1467,0.0137,0.0686,0.0000,0.0313,0.7397]表示上表中第一台变压器的状态为pd、t3、t12、d2、d1、n的概率分别为0.1467、0.0137、0.0686、0.0000、0.0313、0.7397，其中变压器为正常状态的概率值最大，故诊断结果为n，依次类推可以得到上表给出的其它5台变压器组合核相关向量机方法的诊断结果。

由上式可知，组合核相关向量机可以直接输出变压器为各种状态的概率，便于分析问题的不确定性。

下表给出了bpnn、svm方法均采用归一化后的气体含量和气体含量比值为特征变量时的故障诊断正判率，以及组合核相关向量机方法的故障诊断正判率的对比情况。通过对表2分析可知，与基于bpnn、svm的变压器故障诊断方法相比，本发明所提方法具有较高的故障诊断正确率。

表2.bpnn、svm和mkl-rvm方法的变压器故障诊断正判率对比

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。