基于多分类相关向量机变压器故障诊断.docVIP

基于多分类相关向量机变压器故障诊断 　　【摘要】变压器在是电力系统的重要变电设备，对其故障进行诊断是目前的热点，文章通过引入M-RVM理论，在此基础上提出了基于M-RVM的油浸式电力变压器故障诊断方法，给出了该诊断方法的具体实现过程，并将其与改良三比值诊断方法、贝叶斯分类器诊断方法和支持向量机诊断方法进行了比较。通过实例分析验证了所提诊断方法的有效性。 【关键词】变压器；故障诊断；M-RVM理论 1.引言 变压器是电力系统中的重要电力设备，对其运行状态进行诊断是目前研究的热点[1-5]，然而实际问题中许多分类问题为多分类问题，针对此现状，Damoulasy等人对二分类相关向量机进行了扩展，提出了多分类相关向量机（Milticlass Relevance Vector Machine，M-RVM）[6]。M-RVM模型同样具有基函数权值少数非零，相关向量数量少，模型稀疏度高，诊断速度快；可有效解决小样本、高维、非线性分类问题；可以输出各类别成员概率，便于分析不确定性问题等优点。更重要的是M-RVM通过引入多项概率似然函数，可以直接实现多分类。鉴于变压器故障诊断本质上为多分类问题，本章尝试将M-RVM应用于变压器故障诊断。 首先介绍M-RVM的基本理论，然后在此基础上提出了基于M-RVM的油浸式电力变压器故障诊断方法，给出了该诊断方法的具体实现过程，并将其与改良三比值诊断方法、贝叶斯分类器诊断方法和支持向量机诊断方法进行了比较。通过实例分析验证了所提诊断方法的有效性 2.多分类相关向量机介绍 多分类相关向量机（Milticlass Relev-ance Vector Machine，M-RVM）是Damoulasy等人于2008在二分类核函数学习、高斯过程组合协方差函数方法以及高斯先验处理多项概率似然函数方法的基础上，提出的一种基于贝叶斯框架的统计学习算法。 M-RVM采用分层贝叶斯模型结构，通过引入多项概率似然函数（Multinomial Probit Likelihood），实现了多分类和输出类别成员概率[7-9]。 设训练集，，为类别标签。当给定核函数时，可得训练核函数集，，中的行向量代表训练集中第个样本数据与其它样本数据的相似度。引入辅助回归目标和权重参数，可得标准噪音回归模型如式（1）。 为了确保模型的稀疏性，为权重向量引入零均值，方差为的标准正态先验分布。由先验参数组成的矩阵记为，服从超参数为，的Gamma分布。由此可见M-RVM采用的是分层贝叶斯模型结构，模型结构示意图如图1所示。 4.基于M-RVM的变压器故障诊断 4.1 故障类型的划分[17-18] M-RVM可以直接实现多分类，采用一个M-RVM分类器即可实现变压器的多种状态类别的识别。理论上在样本数据足够和特征变量选取适当的情况下，M-RVM可以用于识别变压器的任何状态类别。因此，实际变压器故障诊断中，在能够搜集到足够样本数据的情况下，可以根据实际需要任意划分变压器的状态类别。 M-RVM通常采用0-1的向量形式来表示类别，设需要识别的变压器状态类别为C种，则可以采用C维的0-1列向量的形式来表示该C种状态的类别标签。例如采用列向量[0，…，1，…，0]T来表示第c种状态的类别标签。其中“1”是该列向量的第c个元素，除该元素为“1”外，其余元素均为“0”。 由于受可获得样本数据的限制，本章将变压器状态分为正常（N）状态和低能放电（D1）、高能放电（D2）、中低温过热（T12）、高温过热（T3）、局部放电（PD）五种故障状态。并分别采用6维列向量[0，0，0，0，0，1]T、[0，0，0，0，1，0]T、[0，0，0，1，0，0]T、[0，0，1，0，0，0]T、[0，1，0，0，0，0]T和[1，0，0，0，0，0]T作为变压器上述6种状态的类别标签。如果有足够的复故障样本数据，可将变压器状态进一步划分为复故障状态或再细分。 4.2 选取特征变量 与基于RVM的变压器分层故障诊断方法不同，基于M-RVM的故障诊断方法采用一个M-RVM分类器识别变压器的多种状态类别，因此要求选取的输入特征变量能够同时表征所要甄别的多种状态类别。 可反映变压器内部故障且大部分在线监测装置能监测到的特征气体主要有H2、CH4、C2H6、C2H4和C2H2五种。本章选取H2占总气体含量的比值，记为x1，CH4、C2H6、C2H4和C2H2占总烃量的比值，分别记为x2，x3，x4和x5，作为特征输入变量，输入向量的模式为：[x1，x2，x3，x4，x5]。 4.3 选取核函数 同RVM类似，M-RVM通常采用的核函数有：线性核函数，多项式核函数和径向基核函数（RBF）等。