一种基于MEA-SVM分类机的变压器故障诊断方法

一种基于mea-svm分类机的变压器故障诊断方法
技术领域
1.本发明涉及变压器技术领域，具体涉及一种基于mea-svm分类机的变压器故障诊断方法。


背景技术：

2.变压器在电力系统运行中属于核心设备，其安全性能直接影响整个电网系统的正常运行。一旦出现故障，会引起大面积停电，造成严重的经济损失和社会损失。因此快速准确地对其进行故障诊断具有重要意义。
3.变压器发生不同类型的故障时会产生少量气体在绝缘油中，如绝缘油过热时产生的ch4和c2h4浓度过高，高能放电时h2和c2h2含量升高。为了对故障产生的气体组分及含量进行分析，应用最广泛的方法为油中溶解气体分析法(dga)。该方法是通过故障产生的h2、co、co2及一些烃类气体与故障类型之间的相关性进行诊断，能快速、准确地判断变压器故障，常用的有三比值法、rogers法、大卫三角法等。但此类方法存在故障编码缺失不足、编码边界处理过于绝对等问题。近年来，随着人工智能的发展，机器学习与dga相结合的智能检测方法，极大提升了数据处理和分析能力，为实现准确高效的变压器在状态检测提供了有利保障。由于神经网络存在“过拟合”、收敛速度慢、易陷入局部最优等缺点，导致诊断精度水平不够高。随着机器学习的发展，国内外学者提出dga与机器学习相结合的多种故障手段，其中支持向量机与dga相结合的诊断方法去的显著效果。
4.支持向量机是20世纪90年代，由vapnik提出的支持向量机是一种以统计学为基础的数据处理方法，能够解决神经网络带来的各种问题，因此svm在多数领域中都有广泛应用。然而，选择合适的支持向量机参数是非常困难的。


技术实现要素：

5.本发明的目的在于提供一种基于mea-svm分类机的变压器故障诊断方法，以能够提高变压器故障的分类能力和故障诊断的准确性。
6.本发明解决上述技术问题的技术方案如下：
7.本发明提供一种基于mea-svm分类机的变压器故障诊断方法，所述基于mea-svm分类机的变压器故障诊断方法包括：
8.s1：获取变压器初始数据；
9.s2：对所述变压器初始数据进行气体提取处理，得到变压器故障样本数据；
10.s3：对所述变压器故障样本数据进行预处理，得到预处理数据；
11.s4：根据所述预处理数据，利用思维进化算法和支持向量机原理，建立变压器故障诊断模型；
12.s5：根据所述变压器故障样本数据，利用所述变压器故障诊断模型，得到变压器故障诊断结果。
13.可选择地，所述步骤s2包括：
14.s21：对所述变压器中的绝缘油/绝缘纸进行采样，得到采样后的绝缘油/绝缘纸；
15.s22：采集所述采样后的绝缘油/绝缘纸所产生的气体；
16.s23：对所述气体进行油色谱分析操作，得到分析结果；
17.s24：将所述分析结果作为所述变压器故障样本数据输出。
18.可选择地，所述步骤s2中，所述变压器故障样本数据包括故障特征气体，所述故障特征气体包括氢气、甲烷、乙烯、乙烷和乙炔。
19.可选择地，所述步骤s3中，对所述变压器故障样本数据进行预处理包括：
20.对所述变压器故障样本数据进行归一化处理，即：
[0021][0022]
其中，x
new
为预处理数据且x
new
∈[0,1]，max(x)为所述变压器故障样本数据中的最大值，min(x)为所述变压器故障样本数据中的最小值，x为变压器故障样本数据中的任意值。
[0023]
可选择地，所述步骤s4包括：
[0024]
s41：利用思维进化算法优化所述支持向量机的参数，得到优化后的svm分类机；
[0025]
s42：利用所述优化后的svm分类机建立变压器故障诊断模型。
[0026]
可选择地，所述步骤s41包括：
[0027]
s411：设置所述支持向量机的初始参数，其中，所述初始参数的粒子为二进制表达式；
[0028]
s412：将所述初始参数的粒子的二进制表达式转换为支持向量机参数；
[0029]
s413：根据所述支持向量机参数，得到多个优胜个体和多个临时个体；
[0030]
s414：分别根据每个所述优胜个体和每个所述临时个体，建立优胜子群体和临时子群体；
[0031]
s415：分别对每个所述优胜子群体和所述临时子群体进行趋同操作，得到成熟的优胜子群体和成熟的临时子群体；
[0032]
s416：对所述成熟的优胜子群体和所述成熟的临时子群体进行异化操作，得到新的子群体；
[0033]
s417：当达到预设迭代次数时，输出最优个体；
[0034]
s418：将所述最优个体的二进制表达式转换为十进制的支持向量机参数值，作为所述支持向量机的真实值；
[0035]
s419：根据所述真实值，利用径向基核函数和非线性变换后的svm分类机，得到优化后的svm分类机。
[0036]
可选择地，所述步骤s415中，通过以下公式对每个所述优胜子群体和所述临时子群体进行趋同操作：
[0037][0038]
其中，表示在t 1代第k个子群体第i个个体的第d维，是在t 1代的
学习步骤；是在t代的第k个子群体的胜者；ni(0,1)是服从正态分布的随机数；ρ是根据个体对来自胜者的压力感知来修改学习步骤；
[0039]
所述步骤s416中，通过以下公式对所述成熟的优胜子群体和所述成熟的临时子群体进行异化操作：
[0040][0041]
其中，σ
′w是学习步骤，是第t代临时子群体的胜者，是在t代中优胜子群体的胜者，该优胜子群体胜者的得分高于x
′w代表下一代临时子群体。
[0042]
可选择地，所述步骤s419包括：
[0043]
利用所述径向基核函数实现所述支持向量机的非线性变换，得到非线性变换后的svm分类机；
[0044]
将所述最优参数代入所述非线性变换后的svm分类机，得到优化后的svm分类机。
[0045]
可选择地，所述步骤s419中，所述径向基核函数为：
[0046]
k(xk,xj)＝exp(-||x
k-xj||2)/(2σ2),σ》0
[0047]
其中，k(xk,xj)为核函数，||x
k-xj||表示两个向量之间的距离，σ为核参数；
[0048]
所述非线性变换后的svm分类机为：
[0049][0050][0051]
其中，ω为权值向量，b为偏置，表示两个样本间的最大距离，ξn为松弛变量，c为惩罚因子，minφ(ω，ξ)为最佳超平面，x
(n)
为所有样本集，y
(n)
为最佳超平面的目标函数。
[0052]
可选择地，所述变压器故障诊断模型构造为“二叉树”结构且自上而下包括：
[0053]
第一优化后的svm分类机层、第一分类结果层、第二优化后的svm分类机层、第二分类结果层、第三优化后的svm分类机层、第三分类结果层、第四优化后的svm分类机层、第四分类结果层、第五优化后的svm分类机层、第五分类结果层、第六优化后的svm分类机层、第六分类结果层、第七优化后的svm分类机层和第七分类结果层，各分类结果层均包括两个分类节点；
[0054]
所述步骤s5中，所述变压器故障诊断结果包括正常和故障，其中，所述故障包括热故障和电故障，所述热故障包括高温过热、中温过热、低温过热和中低温过热，所述电故障包括低能放电和高能放电；
[0055]
所述第一分类结果层包括正常节点和故障节点，所述故障节点连接所述第二分类结果层，所述第二分类结果层包括热故障节点和电故障节点，所述热故障节点连接所述第三分类结果层，且所述第三分类结果层包括中高温过热节点和中低温过热节点，所述中高温过热节点连接所述第五分类结果层且包括高温过热节点和中温过热节点，所述中低温过
热节点连接所述第六分类结果层且包括低温过热节点和中低温过热节点，所述电故障节点连接所述第四分类结果层且包括高低能放电节点和局部放电节点，所述高低能放电节点连接所述第七分类结果层且包括低能放电节点和高能放电节点。
[0056]
本发明具有以下有益效果：
[0057]
本发明在选取最优参数的过程中，能够避免遗传算法所带来的早熟问题，从而提高变压器故障的分类能力；并且，通过仿真结果能够说明，本发明所提供的mea-svm分类机的故障诊断准确率更高，能够有效地对变压器故障进行诊断。
附图说明
[0058]
图1为本发明所提供的基于mea-svm分类机的变压器故障诊断方法的流程图；
[0059]
图2为本发明所提供的变压器故障诊断模型的结构示意图；
[0060]
图3为参数对支持向量机的准确度影响示意图；
[0061]
图4为不同标签样本比例输入数据的性能比较结果示意图；
[0062]
图5为基于不同分类机的变压器故障诊断结果示意图。
具体实施方式
[0063]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0064]
实施例1
[0065]
本发明提供一种基于mea-svm分类机的变压器故障诊断方法，所述基于mea-svm分类机的变压器故障诊断方法包括：
[0066]
s1：获取变压器初始数据；
[0067]
本发明从公开发表的文献中搜集的数据，共为937组以作为变压器初始数据。
[0068]
当然，本领域技术人员能够想到的是，可以将变压器初始数据分为训练集和测试集，这样步骤s2中所应用的变压器初始数据即为训练集，步骤s5中所用到的变压器初始数据即为测试集。
[0069]
s2：对所述变压器初始数据进行气体提取处理，得到变压器故障样本数据；
[0070]
可选择地，所述步骤s2中，所述变压器故障样本数据包括故障特征气体，所述故障特征气体包括氢气、甲烷、乙烯、乙烷、乙炔。
[0071]
可选择地，所述步骤s2包括：
[0072]
s21：对所述变压器中的绝缘油/绝缘纸进行采样，得到采样后的绝缘油/绝缘纸；
[0073]
s22：采集所述采样后的绝缘油/绝缘纸所产生的气体；
[0074]
s23：对所述气体进行油色谱分析操作，得到分析结果；
[0075]
s24：将所述分析结果作为所述变压器故障样本数据输出。
[0076]
当变压器发生故障时，绝缘油/绝缘纸会发生化学变化并伴随不同气体产生，主要包括h2、ch4、c2h4、c2h2、c2h6。这些气体含量会对变压器运行产生较大影响。因此，本文采用带标签的dga气体含量作为变压器故障样本数据，特征参量和对应标签如表1所示。
[0077]
表1不同故障类型和数据
[0078][0079]
根据dl/t722-2014《变压器油中溶解气体分析和判断准则》，本文将故障类型划分为中低温过热、低温过热、高温过热、中温过热、高能放电、低能放电、局部放电和正常状态，采用二进制对以上故障类型进行编码，并对转置后的特征向量用列向量表示，如表2是变压器不同状态编码表示。
[0080]
表2变压器不同状态编码
[0081]
标签变压器状态状态编码1正常000000012中低温过热000000103低温过热000001004高温过热000010005中温过热000100006高能放电001000007低能放电010000008局部放电10000000
[0082]
s3：对所述变压器故障样本数据进行预处理，得到预处理数据；
[0083]
为了平衡不同数据间较大的差异，提高精确度，对输入的5种特征参量进行归一化处理，假设5种特征向量为x＝(x1,x2,
…
x5)
t
，则归一化计算的表达式为：
[0084][0085]
其中，x
new
为预处理数据且x
new
∈[0,1]，max(x)为所述变压器故障样本数据中的最大值，min(x)为所述变压器故障样本数据中的最小值，x为变压器故障样本数据中的任意值。
[0086]
s4：根据所述预处理数据，利用思维进化算法和支持向量机原理，建立变压器故障诊断模型；
[0087]
可选择地，所述步骤s4包括：
[0088]
s41：利用思维进化算法优化所述支持向量机的参数，得到优化后的svm分类机(即mea-svm分类器)；
[0089]
所述步骤s41包括：
[0090]
s411：设置所述支持向量机的初始参数，其中，所述初始参数为二进制表达式；
[0091]
这里，svm需要优化两个参数c、σ。所以初始参数编码包括两个部分，即c、σ。假设p
t
＝{a
1t
...a
ut
,b
1t
...b
vt
}为第t代的粒子，其中a
it
为参数c位串，b
it
为参数σ位串，二者取值0或1，粒子中代表的参数c和参数σ的位串可以转换为十进制表示的实际参数值。参数位串长度u，v为初始设定值。
[0092]
首先，设定mea算法中自身的初始参数，如种群数目、子群体个体数、粒子长度等；
[0093]
s412：将所述初始参数的粒子的二进制表达式转换为支持向量机参数；
[0094]
这里，支持向量机参数为c、σ，其为二进制编码，取值0或1。
[0095]
s413：根据所述支持向量机参数，得到多个优胜个体和多个临时个体；
[0096]
即得分最高的前m个优胜个体和得分次高的前n个临时个体。
[0097]
s414：分别根据每个所述优胜个体和每个所述临时个体，建立优胜子群体和临时子群体；
[0098]
s415：分别对每个所述优胜子群体和所述临时子群体进行趋同操作，得到成熟的优胜子群体和成熟的临时子群体；
[0099]
即以每个优胜个体和每个临时个体为中心，根据异化公式在其自身周围产生新的个体，从而组成对应的优胜子群体和临时子群体。
[0100]
s415：分别对每个所述优胜子群体和所述临时子群体进行趋同操作，得到成熟的优胜子群体和成熟的临时子群体；
[0101]
趋同，即：在子群体范围内，个体不断为了追求胜者而竞争，趋同过程结束即意味着子群体内不再有优胜者产生。该子群体趋于成熟，实现局部最优。因而，在本发明中，趋同操作即使每个优胜子群体和每个临时子群体趋于成熟。
[0102]
可选择地，所述步骤s415中，通过以下公式对每个所述优胜子群体和所述临时子群体进行趋同操作：
[0103][0104]
其中，表示在t 1代第k个子群体第i个个体的第d维，是在t 1代的学习步骤；是在t代的第k个子群体的胜者；ni(0,1)是服从正态分布的随机数；ρ被认为是一种“认知”参数，是根据个体对来自胜者的压力感知来修改学习步骤。
[0105]
s416：对所述成熟的优胜子群体和所述成熟的临时子群体进行异化操作，得到新的子群体；
[0106]
异化，即子群体遵循“优胜劣汰”的规则，各子群体在进行全局竞争过程中，若任意临时子群体得分高于任意成熟优胜子群体，则该临时子群体将替换成熟优胜子群体；若任意成熟临时子群体得分低于任意优胜子群体，则“丢弃”该成熟临时子群体，实现全局最优。
[0107]
可选择地，所述步骤s416中，通过以下公式对所述成熟的优胜子群体和所述成熟的临时子群体进行异化操作：
[0108][0109]
其中，σ
′w是学习步骤，是第t代临时子群体的胜者，是在t代中优胜子群体的胜者，该优胜子群体胜者的得分高于x
′w代表下一代临时子群体。如果x
′w优于x
′w将取代成为新的临时子群体，以维持临时子种群的个数不变。
[0110]
s417：当达到预设迭代次数时，输出最优个体；
[0111]
在本发明中，设置种群大小group＝200，最大迭代次数iter＝30，优胜子群体个数m＝5，临时子群体个数n＝5。
[0112]
s418：将所述最优个体的二进制表达式转换为十进制的支持向量机参数值，作为所述支持向量机的真实值；
[0113]
s419：根据所述真实值，利用径向基核函数和非线性变换后的svm分类机，得到优化后的svm分类机。
[0114]
可选择地，所述步骤s419包括：
[0115]
利用所述径向基核函数实现所述支持向量机的非线性变换，得到非线性变换后的svm分类机；
[0116]
由于支持向量机需要通过非线性变换将输入空间变换到一个高维空间，然后在高维空间中求取最优线性分类面，而这种非线性变换是通过径向基核函数实现的。
[0117]
其中，所述步骤s419中，所述径向基核函数为：
[0118]
k(xk,xj)＝exp(-||x
k-xj||2)/(2σ2),σ》0
[0119]
其中，k(xk,xj)为核函数，||x
k-xj||表示两个向量之间的距离，σ为核参数；所述非线性变换后的svm分类机为：
[0120][0121][0122]
其中，ω为权值向量，b为偏置，表示两个样本间的最大距离，ξn为松弛变量，c为惩罚因子，minφ(ω，ξ)为最佳超平面，x
(n)
为所有样本集，y
(n)
为最佳超平面的目标函数。
[0123]
将所述最优参数代入所述非线性变换后的svm分类机，得到优化后的svm分类机。
[0124]
s42：利用所述优化后的svm分类机建立变压器故障诊断模型。
[0125]
可选择地，所述变压器故障诊断模型构造为“二叉树”结构且自上而下包括：
[0126]
第一优化后的svm分类机层、第一分类结果层、第二优化后的svm分类机层、第二分类结果层、第三优化后的svm分类机层、第三分类结果层、第四优化后的svm分类机层、第四分类结果层、第五优化后的svm分类机层、第五分类结果层、第六优化后的svm分类机层、第六分类结果层、第七优化后的svm分类机层和第七分类结果层，各分类结果层均包括两个分类节点；
[0127]
所述步骤s5中，所述变压器故障诊断结果包括正常和故障，其中，所述故障包括热故障和电故障，所述热故障包括高温过热、中温过热、低温过热和中低温过热，所述电故障包括低能放电和高能放电；
[0128]
所述第一分类结果层包括正常节点和故障节点，所述故障节点连接所述第二分类结果层，所述第二分类结果层包括热故障节点和电故障节点，所述热故障节点连接所述第三分类结果层，且所述第三分类结果层包括中高温过热节点和中低温过热节点，所述中高温过热节点连接所述第五分类结果层且包括高温过热节点和中温过热节点，所述中低温过热节点连接所述第六分类结果层且包括低温过热节点和中低温过热节点，所述电故障节点连接所述第四分类结果层且包括高低能放电节点和局部放电节点，所述高低能放电节点连接所述第七分类结果层且包括低能放电节点和高能放电节点。
[0129]
s5：根据所述变压器故障样本数据，利用所述变压器故障诊断模型，得到变压器故障诊断结果。
[0130]
利用建立的模型进行参数优化，选择分类精度(图3中红色分布越深，准确度越高)最高的调整参数(惩罚因子c：1
×
103、核函数σ：0.75)作为最佳参数。
[0131]
实施例2
[0132]
在一台搭载intel(r)core(tm)i7-8700cpu、16gb内存的windows操作系统的电脑上用matlab2018b软件对所有实验进行仿真，为验证训练数据对仿真结果的影响，本发明以不同比例的训练集和测试集为输入，以mea-svm分类机为判据，对变压器故障诊断的性能指标进行比较，参考图4所示，可以看出，训练集数组规模越大，诊断的准确度越好，在训练集和测试集为7:3的数据比例下，准确度可达到99.93％，故选择70％作为本次实验的训练集。
[0133]
为进一步验证mea-svm故障诊断算法的有效性，从937个样本种选择655(70％)组训练集，测试集282组，分别对比svm、pso-svm、mea-svm三种方法的准确度和训练时间，各项指标如表3所示。虽然svm和pso-svm训练时间短，能达到快速收敛的效果。但准确度明显低于本发明所提供的mea-svm。从表3中可以看出svm诊断准确度为99.64％，pso-svm诊断准确度为99.66％，而本文提出的思维进化算法优化支持向量机准确度最高，为99.93％，尽管svm和pso-svm的运算时间优于本发明所提供的mea-svm，但其准确度均低于mea-svm。
[0134]
表3不同方法对变压器故障诊断的比较结果
[0135]
方法准确度％svm99.64pso-svm99.66mea-svm99.93
[0136]
图5中是三种方法诊断结果的对比图，其中1-8分别表示正常、低温过热、中低温过热、中温过热、高温过热、低能放电、高能放电、局部放电8种故障类别，蓝色表示实际值类别，红色为预测值类别，两种颜色重合表示分类准确，反之错误。从图5(a)、(b)分别为svm的分类结果及部分分类结果，可以看出，svm在282组测试集中有1组中温过热被错误分为高能放电，1组高能放电被错误分为低能放电，有1组低能放电被错误分为局部放电；图5(c)为pos-svm的分类结果，其表明，在相同测试集条件下，pso-svm将1组低能放电被错误分为局部放电，分类准确度优于svm结果；图5(d)为mea-svm的分类结果，通过其可知，该方法无分类误差，准确度均高于其他两种方法。
[0137]
从上述对比结果可知，在训练集为70％时，本发明提出的mea-svm相较于svm和pso-svm有更高的诊断精度，具有很好的故障诊断能力，能为电网稳定运行提供有效参考依据。
[0138]
本发明具有以下有益效果：
[0139]
本发明在选取最优参数的过程中，能够避免遗传算法所带来的早熟问题，从而提高变压器故障的分类能力；并且，通过仿真结果能够说明，本发明所提供的mea-svm分类机的故障诊断准确率更高，能够有效地对变压器故障进行诊断。
[0140]
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。