基于bic与svrm的变压器油中气体预测模型 forecasting model based on bic and svrm for dissolved gas in transformer oil.pdfVIP

第31卷第9期 电力自动化设备 v01．31No．9 ElectricP。werAut。mati。n 2011年9月 Equipment 11 @ sept．20 基于BIC与SVIm的变压器油中气体预测模型 郑元兵，陈伟根，李 剑，杜 林，孙才新 (重庆大学输配电装备及系统安全与新技术国家重点实验室，重庆400030) 摘要：基于雹I一支持向量回归机(移．SVRM)算法建立了变压器油中溶解气体变化预测模型．并引入贝叶斯证 据框架对预测模型的参数进行了优化选取。同时．结合预测模型的预测正确率及预测模型的简洁度建立了 预测模型的评价机制，并利用改进的贝叶斯信息标准(BIC)作为最终的评价函数量化了评价机制。在实例 中与灰色理论预测模型进行了比较，结果表明在同为小样本训练数据的情况下。口．SVRM预测模型比灰色模型有 更高的预测准确率．且在所提出的评价机制里表现更好。 关键词：支持向量机；支持向量回归机；故障检测；预测；电力变压器；贝叶斯信息标准：优化 中图分类号：TM41；四277 文献标识码：A tor RegressionMachine)是一种用于解决回归问题的 O 引言 支持向量机．它采用结构风险最小化原则．能有效解 变压器发生故障的过程中．与故障相关的特征变 决有限样本、非线性、高维数等回归问题，具有很强 量分为在故障发生时数据突变和缓慢发展直至到达 的泛化能力。并易于找到全局最优解．克服了神经网 故障临界点2类。一般而言，油中溶解气体(C：H：、络局部极值的难题．有着显著的优越性及广阔的应 用前景[8]。在电力应用领域里．SVRM已经成功应用 C：H。、CH4、H：、C：H6)、油中糠醛含量、局部放电这些 特征数据是按一定规律变化的．若能根据历史数据对 于电力负荷预测[9]。并取得了较好的效果。本文研究 这些缓慢变化的参量做出预测．则能尽早发现变压 基于SVRM的变压器油中溶解气体的预测方法和故 器内部存在的潜伏性故障及其发展趋势．最大限度 障特征参量的预测模型．同时引入贝叶斯信息标准 地减少变压器损失．确保电力系统安全运行。 (BIC)评分函数对模型进行评价。并进行了实例验证。 当前一些常用的预测方法有回归模型法、时间 1 ∥一SVRM在变压器故障预测的应用 序列分析法[¨、人工神经网络[21、灰色模型(GM)‘3] 等。其中．回归模型法和时间序列分析法对原始数 当前在变压器故障诊断和预测中最大的问题就 据量要求较高．即要求大样本．由于两者都是以传统 是用于诊断的数据量相对不足．另外．对于不同的数据 的数理统计为基础．对一些非正态分布的预测准确 集．各种预测方法的准确性和稳定性要发生变化．从 率并不高。人工神经网络(ANN)在变压器故障诊断而造成各种预测方法之间的优劣无法衡量的问题． 中应用较多[4]。预测中也逐渐开始有一些应用．但同 支持向量机是在统计学习理论基础上发展起来 样需要大量的历史数据．且当前制约神经网络发展的 的一种机器学习方法，它基于结构风险最小原则． 局部极值和收敛速度慢的难题还未得到很好的解 改变了其他预测方法的基于经验风险最小原则的 决。灰色模型所需样本较少．预测准确度较高．在变 模式．更加适用于数据量偏小的各种分类和预测问 压器油