一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法与流程

本发明涉及电气设备故障诊断
技术领域：
，具体涉及一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法。
背景技术：
随着计算机、通信和传感技术的高速发展，信息系统和电力系统逐步实现深度融合与协作，电力系统成为了信息物理融合系统cps(cyberphysicalsystem)应用的重要领域之一。在电力系统中，电力变压器是最重要的设备之一，它的运行状况关系到整个电力系统的安全稳定运行，其一旦发生故障将引起局部甚至大面积的停电，这势必会造成巨大的经济损失。因此，准确有效地诊断出电力变压器的故障对提高电力cps的安全性具有重要意义。变压器部分一旦发生故障可能导致电网严重故障，进而造成大停电等巨大损失。因此，如何准确判断变压器的运行状态，评估变压器的故障情况，降低变压器的故障风险，是电力企业急需解决的关键问题，也是保障电力系统稳定运行的重中之重。目前变压器故障诊断的研究主要集中在基于已有的dga特征量(即dga比值，如roger比值、iec比值等)，采用支持向量机(svm)等技术建立变压器故障诊断模型。基于dga数据的svm电力变压器故障诊断方法已取得了较好的效果，但不同文献中svm诊断模型采用不同的核函数，分类的效果有明显的区别，也存在一些问题。比如支持向量机诊断方法的核函数存在规则化参数确定困难、故障诊断的准确率不够高等问题。因此，亟需综合应用dga三比值特征量和svm模型的优点，进行变压器故障诊断，提升变压器故障诊断的准确率。技术实现要素：为了解决上述问题，本发明提供了一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法，具体技术方案如下：一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法包括以下步骤：(1)采集变压器故障样本数据，选取变压器油中溶解气体分析特征量，对变压器油中溶解气体分析特征量的比值进行分析；(2)对分析后的变压器油中溶解气体分析特征量的比值进行归一化预处理，得到归一化后的油中溶解气体分析特征量的三比值数据；(3)采用变压器油中溶解气体作为特征参量，收集特征量集和结果集形成变压器故障诊断的分类集，并形成故障样本集；其中特征量集为变压器油中溶解气体的溶解值的集合，结果集为对应的变压器的运行状况的集合；分类集为变压器运行状态的故障分类的集合；(4)构建支持向量机模型，对支持向量机进行非线性多分类变换；(5)采用高斯径向基核函数作为支持向量机模型的核函数，计算出非线性多分类时支持向量机模型的分类决策函数；(6)构建帝国殖民竞争算法来优化支持向量机模型的核函数的参数；(7)采用所述步骤(6)的帝国殖民竞争算法对支持向量机模型的核函数进行参数优化，构建帝国殖民竞争算法优化支持向量机的变压器故障诊断模型；(8)利用变压器油中溶解气体分析特征量、待定惩罚因子和核参数的支持向量机模型形成故障诊断目标函数，计算出目标函数的最优解，即为故障诊断的最优函数适应度；(9)计算所述步骤(8)中目标函数最优解所对应的支持向量机模型的惩罚因子和核参数，即为最优的支持向量机模型惩罚因子和核参数；(10)将所述步骤(9)中最优的支持向量机模型惩罚因子和核参数代入所述步骤(7)中的故障诊断目标函数，得到基于帝国殖民竞争算法优化支持向量机的变压器故障诊断模型，采用该诊断模型对电力变压器油中溶解气体进行故障诊断，判断变压器的运行状态。优选地，所述步骤(2)中的归一化预处理的表达式如下式：式中，xsn为归一化计算后的溶解气体分析三比值特征量数据，xn为归一化前的溶解气体分析特征量比值，xnmax为归一化前溶解气体分析特征量比值的最大值，xnmin为归一化前溶解气体分析特征量比值的最小值。优选地，所述步骤(4)中对支持向量机进行非线性变换可表示为：式中，ω为超平面的法向量，ξi为松弛变量，c为支持向量机模型的惩罚因子，b为偏差量，xi为第i个样本,yi为类别标签，yi∈{-1，1}；ωt为超平面的法向量的转置矩阵；l为松弛变量个数；构建拉格朗日函数为：其中，αi>0,βi>0为拉格朗日乘子；得到其对偶优化形式为：决策函数为：其中，核函数k(xi,xj)＝αt(xi)α(xj)为满足mercer定理的任意对称函数；选择好合适的核函数后，即可实现支持向量机的非线性变换。优选地，支持向量机的非线性多分类变换的决策函数为：式中，ω为超平面的法向量，b为偏差量，jk表示多分类，为非线性映射，即核参数σ。优选地，所述步骤(5)中采用高斯径向基核函数作为支持向量机模型的核函数具体表示为：k(xi,xj)＝exp(-γ||xi-xj||2)；(7)其中，γ＞0；γ为高斯径向基核函数中一个可变的参数值，它反应的是高斯径向基核函数宽度的倒数值，需对其进行优化。优选地，所述步骤(6)构建帝国殖民竞争算法中国家成本的计算函数表达式如下：其中，li为利用支持向量机算法分类时第i个验证集中的样本个数；为利用支持向量机算法分类时该验证集中被正确分类的个数；k为交叉验证的折数；ccountr为国家成本；p＝[pi1,pi2,...,pin]为一数据组；l11和l12分别表征支持向量机的惩罚因子c和核参数γ；求取国家成本f1的最小值即为目标函数，其最优化问题表达式如下式所示：约束条件为：其中，l11max、l11min分别为支持向量机的惩罚因子c的最大值、最小值；l12max、l12min分别为支持向量机的核参数γ的最大值、最小值。本发明的有益效果为：本发明所提供的基于帝国殖民竞争算法优化svm变压器故障诊断方法，对所选变压器油中溶解气体(dga)特征量的比值进行分析，由归一化预处理，得到dga三比值特征量数据，实现了三比值特征量的有效性和简洁性；本发明采用oao一对一对支持向量机进行了非线性和多分类变化，构建了k-折平均分类准确率目标函数，结合交叉验证原理对变压器进行故障诊断，并采用帝国殖民竞争算法进行核函数的参数优化，提高了故障诊断的准确率；本发明将二分类svm拓展为多分类svm，能够对变压器的多种故障类型进行一次性的诊断识别，简单快捷，为判断变压器的运行状态、评估变压器的故障情况、保障变压器安全稳定运行提供了新方法。附图说明图1是本发明的流程示意图；图2本发明变压器故障诊断模型ica算法在不同迭代次数下的平均成本和最小成本；图3是本发明变压器故障诊断模型训练样本的分类准确率；图4是本发明变压器故障诊断模型测试样本的分类准确率。具体实施方式为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：一种基于帝国殖民竞争算法的优化svm变压器故障诊断方法，其特征在于：包括以下步骤：1、采集变压器故障样本数据，选取变压器油中溶解气体分析特征量，对变压器油中溶解气体分析特征量的比值进行分析；具体为：从七种特征气体中选择两种溶解度和扩散系数相近似的气体组分组成三对比值数据进行分析，这三对比值数据分别为c2h2/c2h4、ch4/h2和c2h4/c2h6。2、对分析后的变压器油中溶解气体分析特征量的比值进行归一化预处理，得到归一化后的油中溶解气体分析特征量的三比值数据；归一化预处理的表达式如下式：式中，xsn为归一化计算后的溶解气体分析三比值特征量数据，xn为归一化前的溶解气体分析特征量比值，xnmax为归一化前溶解气体分析特征量比值的最大值，xnmin为归一化前溶解气体分析特征量比值的最小值。3、采用变压器油中溶解气体作为特征参量，收集特征量集和结果集形成变压器故障诊断的分类集，并形成故障样本集；其中特征量集为变压器油中溶解气体的溶解值的集合，结果集为对应的变压器的运行状况的集合；分类集为变压器运行状态的故障分类的集合；4、构建支持向量机模型，对支持向量机进行非线性多分类变换；具体步骤包括：(1)构建非线性多分类的支持向量机模型，并求解优化函数minφ(ω,ξ)：式中，ω为超平面的法向量，c为支持向量机模型的惩罚因子，ξi为松弛变量，l为松弛变量个数；同时满足以下约束条件：其中，xi为第i个样本,yi为类别标签，设{(x1,y1),(x2,y2),...,(xn,yn)}是样本个数为n，样本xi(1,2,...,n)对应的类别yi∈{-1,1}，为非线性映射，b为偏差量；ωt为超平面的法向量的转置矩阵；本文的t均指代矩阵转置。(2)对于步骤(1)中的qp问题(quadraticprogrammingproblem二次约束问题)，构建拉格朗日函数为：其中，αi>0,βi>0为拉格朗日乘子；有：(3)将式(5)代入拉格朗日函数式(4)中，得到如下对偶优化形式：由式(5)中c与αi的关系转换，得出计算分类问题的决策函数为：式中，k(xi,xj)为小波核函数，采用小波核函数作为支持向量机模型的核函数：式中，n为粒子群算法的种群数，a′为尺度因子。采用oao(one-agains-onedecomposition)方法将二分类支撑向量机拓展为多分类支持向量机，即求解式(6)的优化问题，得出非线性多分类时支持向量机模型的分类决策函数为：式中，ω为超平面的法向量，b为偏差量，jk表示多分类，为非线性映射，即核参数σ。5、采用高斯径向基核函数作为支持向量机模型的核函数，计算出非线性多分类时支持向量机模型的分类决策函数；其中，采用高斯径向基核函数作为支持向量机模型的核函数具体表示为：k(xi,xj)＝exp(-γ||xi-xj||2)；(10)其中，γ＞0；γ为高斯径向基核函数中一个可变的参数值，它反应的是高斯径向基核函数宽度的倒数值，需对其进行优化。6、构建帝国殖民竞争算法来优化支持向量机模型的核函数的参数；(1)形成帝国：帝国殖民竞争算法首先随机生成初始国家，每个国家代表所求问题的一个解；(2)帝国的同化：同化可以提升所有国家求解质量；(3)能量计算与殖民竞争：同化后计算帝国的能量值，根据各个帝国的能量，通过竞争的方式重新分配其殖民国家；(4)经过数代的同化、革命、竞争等一系列的进化操作后，最终找到全局范围内的最优解；国家成本的计算函数表达式如下所示：其中，li为利用支持向量机算法分类时第i个验证集中的样本个数；为利用支持向量机算法分类时该验证集中被正确分类的个数；k为交叉验证的折数；ccountr为国家成本；p＝[pi1,pi2,...,pin]为一数据组；l11和l12分别表征支持向量机的惩罚因子c和核参数γ；求取国家成本f1的最小值即为目标函数，其最优化问题表达式如下式所示：约束条件为：其中，l11max、l11min分别为支持向量机的惩罚因子c的最大值、最小值；l12max、l12min分别为支持向量机的核参数γ的最大值、最小值。7、支持向量机的惩罚因子c和核参数γ决定支持向量机的最优分类曲面即故障诊断准确率，采用所述步骤6的帝国殖民竞争算法对支持向量机模型的核函数进行参数优化，构建帝国殖民竞争算法优化支持向量机的变压器故障诊断模型；8、利用变压器油中溶解气体分析特征量、待定惩罚因子和核参数的支持向量机模型形成故障诊断目标函数，计算出目标函数的最优解，即为故障诊断的最优函数适应度；9、计算所述步骤8中目标函数最优解所对应的支持向量机模型的惩罚因子和核参数，即为最优的支持向量机模型惩罚因子和核参数；10、将所述步骤9中最优的支持向量机模型惩罚因子和核参数代入所述步骤(7)中的故障诊断目标函数，得到基于帝国殖民竞争算法优化支持向量机的变压器故障诊断模型，采用该诊断模型对电力变压器油中溶解气体进行故障诊断，判断变压器的运行状态。本实例采用118组iectc10故障数据进行算法测试。将变压器故障划分为：低能放电(l-d)、高能放电(h-d)、中低温过热(l-t)、高温过热(h-t)、正常状态(n-c)五种状态，得到118组iectc10变压器故障样本数据如表1所示。表1变压器故障样本数据故障类型le-dhe-dlm-th-tn-ciectc10故障样本2345101426对搜集的118组变压器油中溶解气体分析数据进行三比值计算和归一化预处理得到归一化后的变压器油中溶解气体分析特征量(三比值特征量数据)，并通过不同的气体比值得到不同的变压器油中溶解气体分析特征量(iec三比值法数据，包括c2h2/c2h4，ch4/h2和c2h4/c2h6比值)。本发明提出的帝国殖民竞争算法优化支持向量机的参数设置为：未知参数的维数为2，参数c和γ的帝国殖民竞争算法搜索区间范围分别设为[1，103]和[10-2，103]，交叉验证的折数为9，最大迭代次数为30，所有国家的个数设为30，生成的初始帝国数为8，变革系数设置为0.45，同化系数设置为2，同化系数角设为0.5。所有帝国各迭代次数的平均成本值和最小成本值如图2所示。起初所有帝国的最小成本远小于所有帝国的平均成本，但随着迭代次数的增加，最小成本与平均成本间的差距越来越小，最终帝国殖民竞争算法寻找的支持向量机参数为c＝440.2、γ＝440.2。在svm参数为c＝440.2、γ＝440.2的情况下，由图3可以看出98个训练样本集中，有15个样本集未能正确判断，训练样本的准确率为84.69％。图4表现了，在23个测试样本，有5个样本不能正确分类，测试样本的准确率为78.26％。同时由表2详细说明了部分测试样本的故障分类状态，由此也证明本方法的准确性。表2测试样本中不同故障类型的诊断准确率本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12