基于SVM多分类法的变压器油中溶解气体故障诊断.pdfVIP

第47 卷 第3 期 Vol.47 No.3 2010 年3 月 TRANSFORMER March 2010 基于SVM 多分类法的变压器油中溶解气体故障诊断 张 哲，朱永利，武中利，韩 凯 （华北电力大学计算机学院，河北保定 071003） 摘要：提出了一种基于支持向量机多分类法的变压器油中溶解气体分析诊断模型，并给出了故障实例。 关键词：变压器；支持向量机；交叉验证 中图分类号： 文献标识码： 文章编号： （ ） TM406 B 1001－8425 2010 03－0059－05 Fault Diagnosis of Transformer Dissolved Gas Analysis Based on SVM Multiple Classification ZHANG Zhe, ZHU Yong-li, WU Zhong-li, HAN Kai （North China Electric Power University, Baoding 071003, China） ： Abstract The model of the dissolved gas analysis and diagnosis of transformer based on SVM multiple classification is presented. The examples are given. ： ； ； Key words Transformer SVM Cross-validation 题， 已成为继神经网络研究之后机器学习界的研究 1 引言 热点。 电力变压器是电力系统中的重要设备， 也是导 本文中笔者针对变压器DGA 气体数据差异性 致电力系统事故较多的电气设备之一， 其运行状态 大、故障种类较多等特点，采用支持向量机一对多 直接影响系统的安全水平。 （1-v-r ）和一对一（1-v -1 ）算法的分类方法组合诊 油中溶解气体分析法（DGA 法）被认为是诊断 断。 首先将变压器正常状态与故障状态分离，再对 油浸式电力变压器故障的方便、有效的手段。 它能 变压器故障状态进行具体诊断。 结果表明，将两种 及时发现变压器内部存在的潜伏性故障，有利于促 多分类算法结合起来有很好的分类效果和推广能 进定期维修向状态维修方式的过渡。 利用DGA 数 力。 据来诊断变压器故障的方法较多， 采用 IEC/IEEE 2 支持向量机基础 推荐的三比值法是常用方法。 但在其实际应用中仍 暴露出编码不全、编码边界过于绝对等弊端。 目前， 支持向量机是根据统计学习理论中结构风险最 许多智能的方法如人工神经网络、贝叶斯理论及专 小化原则提出的， 能够尽量提高学习机的推广 SVM 家系统等被应用于电力变压器故障诊断中，取得了 能力， 即使有限数据集得到的判别函数对独立的测 比较好的效果。 然而各种智能方法需要大量的故障