一种基于粒子群支持向量机的变压器故障诊断方法与流程

本发明涉及电力变压器
技术领域：
，特别涉及一种基于粒子群支持向量机的变压器故障诊断方法。
背景技术：
：电力变压器是构成电力系统的重要枢纽设备，承担连接不同电压等级线路、电压转化与电能分配的重要功能。而由于变压器在制造、工艺、运输、安装及使用过程中面临多种潜在的缺陷与意外，以及运行中承受多种不同的物理场应力，导致电力变压器在正常老化及异常操作条件下不可避免的出现各类故障，导致电能供应中断，影响正常的工业生产、日常生活、社会秩序等，造成巨大的经济损失。因此，诊断变压器故障，及时进行维护，对保障电力系统稳定、可靠供电，降低潜在经济损失风险具有重要意义。油中溶解气分析方法(dissolvedgasanalysis，dga)通过气体组份比值及相对占比由于易操作、不受电磁影响，是现在国内外使用最为广泛的变压器故障判断方法。但dga方法存在一些不足：油中体积分数未达到相应注意值时无法进行故障诊断；比值编码缺失，导致故障类型不能准确判断；故障编码边界过于苛责，无法区分多重故障等问题。技术实现要素：本发明旨在至少解决上述技术问题之一。为此，本发明的目的在于提出一种基于粒子群支持向量机的变压器故障诊断方法，可以充分扩展基于dga的故障特征集，有效消除故障表达特征的冗余性，保留关键、有效特征；利用智能算法选择故障诊断模型最优参数，提升模型训练速度，提高故障诊断准确性。为了实现上述目的，本发明的实施例公开了一种基于粒子群支持向量机的变压器故障诊断方法，包括以下步骤：s1：基于故障类型明确的油中溶解气故障样本建立数据库，构成故障诊断模型的训练集和测试集；s2：基于油中溶解气组份，通过特征组合方式建立扩展特征集，规范所述扩展特征集的特征子集消除特征间数量级差异；s3：采用基于距离的特征选择方法计算类内、类间特征距离，评估各特征对分类敏感性，保留敏感特征，删除不满足预设条件的特征项，构成输入特征子集；s4：选择基于径向基核函数的支持向量机作为变压器故障诊断分类器，以所述输入特征子集作为输入项，各样本对应故障类型作为输出；s5：利用粒子群算法优化支持向量机的惩罚参数和径向基核函数参数，根据所述惩罚参数和所述径向基核函数参数得到最优参数组合；s6：使用基于最优参数组合的支持向量机诊断模型确定待测样本故障类型。根据本发明实施例的基于粒子群支持向量机的变压器故障诊断方法，通过充分扩展基于dga组份的故障特征，发现并挖掘潜在的有效新特征，利用基于距离的特征选择方法，保留对分类敏感的重要特征，删除冗余特征项，降低故障特征项维度；通过粒子群算法求取径向基核支持向量机最优关键参数组合，建立具有高可靠性的电力变压器故障诊断模型，提升故障诊断模型可解释性，有效提高故障诊断精度。另外，根据本发明上述实施例的基于粒子群支持向量机的变压器故障诊断方法，还可以具有如下附加的技术特征：进一步地，在步骤s1中，选择油中溶解气通用组份，包括氢气、甲烷、乙烷、乙烯和乙炔。进一步地，在步骤s1中，对应于所述扩展特征集的故障类型包括：正常状态、局部放电、低能放电、高能放电、低温过热、中温过热和高温过热。进一步地，在步骤s2还包括：利用所述故障特征集构建故障样本集合,并规范化所述故障样本集合。进一步地，在步骤s3中，通过计算样本类内距离、类内平均值、特征平均值、类间平均距离，计算差异性因子，构建距离评估因子，基于评估因子阈值，保留满足所述评估因子阈值要求的特征项，删除不满足要求的特征项，构成所述特征子集。进一步地，在步骤s4中，利用基于径向基核函数的支持向量机，建立故障诊断模型；其中，所述故障诊断模型选择所述特征子集作为输入，而各油中溶解气样本对应故障类型作为输出。进一步地，在步骤s5中，采用粒子群算法，对粒子群速度与位置的更新和适应值求解进行迭代，直至满足预设终止条件迭代停止，获得所述最优参数组合。进一步地，在步骤s6中，依据所述最优参数组合建立支持向量机诊断模型，并分析待测油中溶解气故障样本，输出最终故障类型。本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。附图说明本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：图1是本发明实施例的基于粒子群支持向量机的变压器故障诊断方法的流程图；图2是本发明一个实施例的基于粒子群算法的支持向量机关键参数选择流程图。具体实施方式下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。参照下面的描述和附图，将清楚本发明的实施例的这些和其他方面。在这些描述和附图中，具体公开了本发明的实施例中的一些特定实施方式，来表示实施本发明的实施例的原理的一些方式，但是应当理解，本发明的实施例的范围不受此限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。以下结合附图描述本发明。图1是本发明实施例的基于粒子群支持向量机的变压器故障诊断方法的流程图。如图1所示，根据本发明实施例的基于粒子群支持向量机的变压器故障诊断方法，包括以下步骤：s1：基于故障类型明确的油中溶解气故障样本建立数据库d，构成故障诊断模型的训练集和测试集。在本发明的一个实施例中，基于常用特征气体氢气(h2)、甲烷(ch4)、乙烷(c2h6)、乙烯(c2h4)、乙炔(c2h2)，未考虑一氧化碳(co)、二氧化碳(co2)、氮气(n2)、氧气(o2)等，建立扩展特故障征项数据集d，包括但不限于各气体相对含量、相互比值组合、烃类气体比值及总和等特征项。s2：基于油中溶解气组份，通过特征组合方式建立扩展特征集d1，规范化扩展特征集d1的特征子集以消除特征间数量级差异。在本发明的一个实施例中，对应于扩展特征集d1的故障类型包括：正常状态(nf)、局部放电(pd)、低能放电(ld)、高能放电(hd)、低温过热(lt)、中温过热(mt)、高温过热(ht)。具体地，建立故障特征集如下表1所示：表1基于dga的扩展故障特征集特征名特征内容特征名特征内容r1h2％r13ch4/c2h2r2ch4％r14ch4/thr3c2h6％r15c2h6/c2h4r4c2h4％r16c2h6/c2h2r5c2h2％r17c2h6/thr6h2/ch4r18c2h4/c2h2r7h2/c2h6r19c2h4/thr8h2/c2h4r20c2h2/thr9h2/c2h2r21c2h2/tdr10h2/thr22c2h4/tdr11ch4/c2h6r23ch4/tdr12ch4/c2h4r24ts其中，h2％＝h2/(h2+ch4+c2h6+c2h4+c2h2)，其余类似；th＝ch4+c2h6+c2h4+c2h2；td＝c2h4+c2h2+ch4；ts＝h2+ch4+c2h6+c2h4+c2h2。在本发明的一个实施例中，利用故障特征集d1构建dga故障样本集合d’,规范化故障样本集d’。具体地，通过以下公式进行规范化处理：其中xi、xni分别各故障特征项归一化前及归一化后的值，ximax和ximin为各故障特征项最大值和最小值。s3：采用基于距离的特征选择方法，计算类内、类间特征距离，评估各特征对分类敏感性，保留敏感特征，删除不满足相关条件的特征项，构成输入特征子集d2。在本发明的一个实施例中，通过计算样本类内距离、类内平均值、特征平均值、类间平均距离，计算差异性因子，构建距离评估因子。基于评估因子阈值ε，保留满足阈值要求的特征项，删除不满足要求的特征项，构成输入特征子集d2。具体地，假定针对一个dga故障样本数据库d，其故障类型包括c类，由dga组份构成的特征集s：s：{tm,c,j，m＝1,2…mc；c＝1,2,…,c；j＝1,2,…,j}其中：tm,c,j为第c类故障的第m个样本的第j个特征；mc表示第c类的样本数，j代表各类特征个数；计算同一类所有样本的类内平均距离c个类内距离的平均值为：计算类内距离的差异性因子计算同一类所有样本的每个样本平均值：计算不同类之间的平均距离：计算类间距离的差异性因子：计算加权因子计算具有加权因子的类间和类内距离比值：利用最大值规范化方法，得到距离评估因子：设定距离评估阈值ε，当时，相应的特征；而当时，则剔除该特征项，从而构成输入特征子集d2。s4：选择基于径向基核函数的支持向量机作为变压器故障诊断分类器，以输入特征子集d2作为输入项，各样本对应故障类型作为输出。在本发明的一个实施例中，利用基于径向基(rbf)核函数的支持向量机，建立故障诊断模型；其中，故障诊断模型选择输入特征子集d2作为输入，而各dga样本对应故障类型作为输出。具体地，步骤s4进一步包括：s401：设定输入与输入：将经过基于距离的特征选择方法精简后的输入特征子集d2作为输入，将各故障样本对应的状态类型(包括：正常、局部放电、低能放电、高能放电、低温过热、中温过热、高温过热)作为输出。s402：面对非线性可分问题(变压器故障诊断)，依据svm原理，在线性不可分时的最优分类面可用下式描述的优化问题表示。式中，表示样本集中错分样本个数的上界，c用于控制对错分样本的惩罚程度，w为超平面法线，b为分类阈值，||ω||为分类间隔。面对非线性问题，通过非线性变换转化为高维空间的线性问题，在变换空间中求最优分类面。由于核函数满足mercer条件，可采用适当的内积函数实现非线性变换后的线性分类。本次分析采用基于rbf核函数的svm。rbf核函数为k(xi,x)＝exp(-||xi-x||2/2γ2)式中：γ为径向基核函数的宽度参数。s5：利用粒子群算法(particleswarmoptimization，pso)优化支持向量机关键参数——惩罚参数c和径向基核函数参数γ，求得最优参数组合(c,γ)。在本发明的一个实施例中，为了选择故障诊断模型最优关键参数——c与γ，采用粒子群算法，通过粒子群速度与位置的更新、适应值求解、终止条件对比等步骤迭代优化获得最优参数组合(c,γ)。具体地，步骤s5进一步包括：s501：粒子群算法初始化设定；随机初始化各个例子的初始位置与速度，设定适应度函数，惯性权值，加速度常数、最大速度及最大代数等。s502：评价粒子适应度值；通过计算各个粒子对应的适应度值来确定粒子更新粒子位置与适应度值，通过迭代不断对每个粒子的适应度值、位置分别于pbest、gbest作比较并更新。本次分析以故障诊断诊断率为适应度函数，即是：fsvm(c,γ)＝accuracy其中，各个例子位置、速度及惯性权重的更新计算公式如下所示：vid(i+1)＝ω×vid(i)+c1×rand()×(pbest-xid(i)+c2×rand()×gbest-xid(i))xid(i+1)＝xid(i)+vid(i+1)式中：n和nmax为当前进化代数和最大进化代数；vid(i)为当前粒子速度，vid(i+1)为例子更新后的速度；xid(i)是当前粒子的位置；xid(i+1)是粒子更新后的位置；w为惯性权重，用于平衡全局搜索和局部搜索；rand()为介于(0,1)的随机数，c1、c2是学习因子，通常c1＝c2＝2；基于粒子群算法的支持向量机关键参数选择流程图2所示。s503：所有粒子进行迭代计算；当迭代次数达到最大代数或适应度值达到所需要求，则停止迭代，选择最好的适应度值条件下的粒子参数来选择对应的支持向量机的最优参数组合(c,γ)，并基于该参数组合构建故障诊断模型。s6：使用基于最优参数组合的支持向量机诊断模型确定待测dga样本故障类型。在本发明的一个实施例中，依据最优参数组合(c,γ)建立支持向量机诊断模型，并分析待测dga故障样本，输出最终故障类型。根据本发明实施例的基于粒子群支持向量机的变压器故障诊断方法，通过充分扩展基于dga组份的故障特征，发现并挖掘潜在的有效新特征，利用基于距离的特征选择方法，保留对分类敏感的重要特征，删除冗余特征项，降低故障特征项维度；通过粒子群算法求取径向基核支持向量机最优关键参数组合，建立具有高可靠性的电力变压器故障诊断模型，提升故障诊断模型可解释性，有效提高故障诊断精度。另外，本发明实施例的基于粒子群支持向量机的变压器故障诊断方法的其它构成以及作用对于本领域的技术人员而言都是已知的，为了减少冗余，不做赘述。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同限定。当前第1页12