自适应模糊支持向量机增量算法在变压器故障诊断中的应用 incremental algorithm of adaptive fuzzy support vector machine in transformer fault diagnosis.pdfVIP

第30卷第11期 电力自动化设备 V01．30No．1l ElectricPowerAutomation NOV．2010 1月 Equipment @2010年1 自适应模糊支持向量机增量算法 在变压器故障诊断中的应用 董秀成1，陶加贵1一，王海滨1，刘帆z (1．西华大学四川省信号与信息处理重点实验室，四川成都610039； 2．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400044) 摘要：利用油中溶解气体对变压器进行故障有无以及故障类别判断时。为抑制冗余信息的干扰。提取与分类 模式密切相关的特征作为每层诊断模型的输入：增量学习算法通过提取模型的支持向量和误判样本．逐步积 累样本的空间分布知识．提高诊断模型的精度与训练速度．同时剔除对构建模型无贡献的样本以节约存储空 间。为提升算法的收敛速度，采用参数自适应优化算法动态搜索模糊支持向量机的模型参数。最后．通过实 例将该算法与普通的多分类支持向量机以及多分类模糊支持向量机相比．得出该算法具有相对较好的收敛性 和诊断效果。 关键词：模糊支持向量机；增量算法；隶属度；自适应；油中溶解气体 855 中图分类号：TM 文献标识码：A 隶属度函数必须能准确反映系统中样本的分布和存 0引言 在的不确定性。 本文在深入挖掘油中溶解气体所含故障特征信 油中溶解气体分析(DGA)是发现和判别变压器 息的基础上．通过比较选取对故障诊断较敏感的输 故障的有效手段，其实质是寻找一种能客观、准确地 入量．排除了一些不敏感信息的干扰。利用分层决策 描述油中溶解气体的特征信息到变压器故障类型之 有效地实现了对故障信息的提取．结合FSVM在小 间关系的映射。虽然传统的三比值法(IEC)以及一些 样本、非线性、高维数方面的学习优势，引进自适应 改进的比值方法…已经使得这种映射从定性分析发 优化算法[14确定FSVM参数。由诊断效果的比较和 展到具体操作。但它们在描述这种具有高度非线性、 支持向量分析得出．该算法具有较高的准确率和良 高维数特征的复杂关系时仍有很多不足…。 好的泛化能力。 近年来．人工智能的发展为变压器故障诊断提供 了新的解决途径，如神经网络[2t引、模糊粗糙集【4J、多1诊断模型建立 专家融合[引、小波网络[刚、证据推理[引、灰色理论…、贝 1．1故障分类 叶斯网络[8】以及一些组合或改进的算法【9．10]。然而由 从故障现象来看．变压器的内部故障主要有热 于未能根据故障类型对输入特征进行提取和约简． 性故障和电性故障。根据热点温度的高低．又可以将 被误判的故障难以修正：在参数调整时．难以把握机 热性故障具体分为低温过热(￡，≤300℃)、中温过热 器学习过程中是否充分或过量．这在一定程度上削 弱了算法的推广性能。