专利名称：基于变压器特征参量的状态评估方法
技术领域：
本发明涉及变压器设备状态评估方法，尤其涉及一种基于变压器特征参量的状态评估方法。
背景技术：
电网公司作为资产密集型企业，其核心竞争力是资产效率最大化和成本最低化。 从早期的事后故障修理，到强调事先保养的预防性维护，电网设备资产精细化管理的意识正在逐步建立。变压器设备状态评估是实现公司变压器设备全寿命周期管理和精益化管理的重要基础。变压器是电网最重要和最昂贵的设备，如其发生事故将给电网带来重大影响。目前，世界各地电网企业的变压器有相当一部分已经达到其设计使用寿命，对变压器状态评估一直受到国内外学者的广泛关注。在电网企业变压器设备有很多其数据信息，如何有效利用这些数据信息对变压器进行评估，对电网企业及时、准确掌握变压器状态，保证变压器设备安全、稳定、可靠、经济最优运行起到非常重要的作用。现有变压器状态评估大多并不是依据客观、有说服力的计算方法计算得出而仅仅是采用专家经验值，因而变压器缺乏客观的状态评估模型及模型中所需的相关准确数据， 使得状态值依赖于评估专家的个人经验和主观性，从而得出的状态评估值受专家个人经验和主观性的影响使变压器设备状态评估结果出现偏差。支持向量机是基于统计学习理论的结构风险最小化原理解决了小样本、非线性等问题，提高其泛化能力，从而能很好地处理电力设备故障诊断所面临样本不足的缺陷。但 SVM方法中某些参数的选择对其分类的准确率影响很大，因此，对SVM参数的合理选择能获得较好的分类效果。到目前为止，对其最佳参数的选择没有一个很好的手段，现有方法在计算耗时和效果方面都不是很理想。人工鱼群智能优化算法具有良好取得全局极值的能力，其最先被应用于鲁棒PID 控制器参数的优化中，得到了令人满意的结果，但其容易陷入局部极值。模拟退火算法的思想是由Metropolis等提出的，Kirkpatrick等于1983年将其用于组合优化，其有良好的克服局部极值的能力。针对上述现有技术存在的问题，本发明利用基于模拟退火和人工鱼群优化算法确定支持向量机SVM的参数，然后利用变压器设备故障实例库的状态评估结果训练支持向量机SVM ；将新得到的变压器厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态。本发明不仅可以降低盲目选择支持向量机SVM参数对状态评估结果的影响并提高变压器设备状态评估结果的准确性，并实现可靠、科学地确定变压器的检修时间，从而为变压器实现状态检修及全寿命周期管理提供依据。
发明内容
为了提高智能、高效、可靠地分析变压器设备状态评估情况，本发明提出了基于变压器特征参量的状态评估方法，包括如下步骤基于变压器特征参量的状态评估方法，本发明特征是，步骤为1)、分别获得变压器设备厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息；2)、利用基于模拟退火SA和人工鱼群优化AFSO算法对支持向量机SVM规则化参数和核函数参数的大小进行优化，确定规则化参数和核函数参数的取值；3)、提取输变压器设备故障实例库的状态评估结果训练支持向量机SVM ；4)、将新得到的变压器厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态。假定(Xi，yi)i= 1,2, ...,n, Xi e Rd, Yi e {-1,+1}为样本训练集，其中 Xi G Rd 表示 d 维的特征向量，yi e {-1,+1}表示特征向量Xi归属的类别，η为样本数。在非线性情况下， 利用非线性变换将样本集原空间进行转换，样本空间两分类问题表示为
权利要求
1.基于变压器特征参量的状态评估方法，其特征是，步骤为1)、分别获得变压器设备厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、 负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息；2)、利用基于模拟退火SA和人工鱼群优化AFSO算法对支持向量机SVM规则化参数和核函数参数的大小进行优化，确定规则化参数和核函数参数的取值；3)、提取输变压器设备故障实例库的状态评估结果训练支持向量机SVM；4)、将新得到的变压器厂家、外观、糠醛、微水、击穿电压、酸值、油色谱、预防性试验、负荷、投运时间、最近三年缺陷和故障发生次数、最近三年缺陷和故障等级的数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态。
全文摘要
基于变压器特征参量的状态评估方法，本发明先分别获得变压器设备厂家、外观、糠醛、微水等数据信息；利用基于模拟退火SA和人工鱼群优化AFSO算法对支持向量机SVM规则化参数和核函数参数的大小进行优化，确定规则化参数和核函数参数的取值；提取输变压器设备故障实例库的状态评估结果训练支持向量机SVM；将新得到的变压器厂家、外观、糠醛、微水等数据信息输入到支持向量机SVM中进行变压器设备状态评估，以确定变压器状态。本发明利用基于模拟退火和人工鱼群优化算法科学地确定支持向量机SVM的参数，提高其智能评估的准确性，从而提高了变压器设备状态评估的科学性、高效性和准确性。
文档编号G06K9/62GK102567739SQ201210003939
公开日2012年7月11日 申请日期2012年1月9日 优先权日2012年1月9日
发明者于虹, 吴毅, 姜虹云, 孙鹏, 崔志刚, 王达达, 赵现平, 魏杰 申请人:云南电力试验研究院(集团)有限公司电力研究院