基于支持向量机的变压器故障组合诊断.pdfVIP

基于支持向量机的变压器故障组合诊断 杨建 朱永利 袁建刚 赵成 (华北电力大学 电力工程系，河北省 保定市 071003) 摘要：变压器故障诊断是电力系统中一项十分重要的工作， 到下一层神经元的状态。然后，以其输出与样本的 能及时的发现变压器的故障对整个电力系统的运行非常重 期望输出进行比较，如果它们的误差不能满足要 要。变压器故障诊断是电力系统中一项十分重要的工作。该 求，则沿着原来的连接通路逐层返回，并利用两者 文提出了一种基于 SVR 的组合诊断方法，这种方法首先利用 的误差按一定的原则对各层节点的连接权值进行 多个单一的人工智能分类模型和二叉树支持向量机对变压 调整， 使误差逐步减小，直到满足要求为止[3-5] 。 器油色谱数据进行分类诊断；然后再通过支持向量机回归模 由于神经网络具有并行处理、学习和记忆、非 型对前面的分类结果进行权重的组合诊断，得到二次诊断结 线性映射、非线性映射、自适应能力和鲁棒性等固 果。本文通过实验证明，基于支持向量机回归的变压器组合 [6] 有性质，使其非常适应用变压器的故障诊断领域 。 诊断方法的诊断准确度比单一的方法有明显的提高。 但神经网络的隐藏节点层的感知器在系统中不能 解释，存在诊断结果的准确性依赖于样本的完备 关键词：变压器：人工智能：支持向量机回归：组合诊断 性，无法处理不完整样本的不足，而且当目标误差 0 引言 减小到一定程度后，识别效果会出现“振荡”现象。 电力变压器在电力系统中承担着电压变换、电 1.2 朴素贝叶斯分类器 能分配和转移的重任，变压器的正常运行是电力系 贝叶斯分类器是一种典型的基于统计方法的 [1] 统安全、可靠、优质、经济运行的重要保证 。因 分类模型，朴素贝叶斯(Naïve Bayesian, NB)分类器 此，及时发现变压器的潜在性故障对整个电力系统 [7] 是贝叶斯分类模型中最简单、最有效的一种 。设 的运行是非常重要的。随着计算机技术和人工智能 技术的发展，许多人工智能理论用于电力变压器的 有变量集D ，D = {X 1 ,X 2 ,,X n , C} 是离散变 故障诊断，并取得了很好的效果。然而，由于变压 器故障诊断中信息知识的复杂性，不完备性以及不 量的有限集，其中X 1 , X 2 ,...,X n 是属性变量，C 为 确定性，各种单一的人工智能方法都呈现出不同的 类变量，其取值范围为{c ,c ,...c } ，属性 Xi 的取 优缺点。因此，本文提出了一种基于支持向量机回 1 2 m 归理论的组合诊断方法，其组合诊断的思想就是综 合利用各种方法所提供的有用信息，从而尽可能地 值表示为xi ，实例数据集合D 又称为训练数据库。 [2] 提高诊断的准确度 。，该方法首先采用多种不同的 实例I = (x ,x ,...,x ) 属于类 c 的概率由贝叶斯 诊断模型如 BP 神经网络、NB