支持向量机在变压器故障诊断中应用.docVIP

支持向量机在变压器故障诊断中应用 　　摘 要:针对变压器传统检测方法的局限性,本文提出了一种基于支持向量机的电力变压器故障诊断方法,并构建了相应的数学模型。仿真结果表明,该模型能有效提高变压器故障诊断的准确率。 　　关键词:变压器 支持向量机 故障诊断 　　中图分类号:TM407 文献标识码:A 文章编号:1672-3791(2011)05(c)-0136-02 　　 　　Abstract:For the limitation of the Traditional detection methods of transformer, this paper presents a new fault diagnosis method based on Support Vector Machine(SVM) and constructs the corresponding mathematical model.Simulation results show that the model can effectively improve the accuracy of transformer fault diagnosis. 　　Key Words:Transformer;Support Vector Machine(SVM);fault diagnosis. 　　电力变压器是电力系统中最重要的电气设备之一,其运行状态直接影响系统的安全水平。因此如何提高变压器运行的可靠性,一直都是变压器运行检测中的重要课题。要使变压器安全运行,提高供电可靠性,除了选用技术过硬、产品质量好的变压器以外,关键是要不断提高变压器的运行、维护、检修水平。对变压器科学、及时地进行预试诊断和检修[1]。 　　变压器的故障评估就是根据变压器故障的征兆,确定故障的性质或类别。常用的传统方法有绝缘试验、局部放电试验、绝缘油电气试验及其它预防性试验等。其中,油中溶解气体分析法是检测变压器内部故障的重要方法。 　　但是,传统方法大多仍局限于阀值诊断的范畴,一般只给出一个判定边界的描述,难以确切反映故障与表现特征之间的客观规律,并且很难在溶解气体含量较小的情况下对变压器状态进行分析。 　　因此,在传统方法的基础上,将人工智能的理论和方法应用于故障评估,发展智能化的评估方法,是变压器故障评估的一条全新途径。目前研究的热点和重点是:模糊逻辑方法、专家系统、人工神经网络、支持向量机等。 　　但是,不同的预测方法各自有其优缺点。家系统方法和模糊推理方法不适合小样本的情况;人工神经网络结构过于复杂,需要数据样本显得太多,学习泛化能力不够,预测精度不高。而支持向量机通过结构风险最小化原理来提高泛化能力,较好地解决了小样本、非线性、高维数、局部极小点等实际问题,已在模式识别、信号处理、函数逼近等领域得到了应用[3]。 　　因此,本文针对变压器油中溶解气体含量,在油色谱分析技术的基础上,应用最小二乘算法的支持向量机(LS-SVM)来对电力变压器的状态进行评估。 　　 　　1 电力变压器状态 　　变压器的状态是指在实现设备功能的同时,承受预计的外部环境的影响,完成设备的预期寿命[2]。一般来说,电力变压器所处的状态可分为两种,即正常状态和异常状态。变压器在运行过程中必然会遭受各种应力,这些应力产生的次数、大小和时刻,可能是随机的,而一旦这些应力超过变压器的耐受强度,就会发生事故,因此,如果能估计变压器的状态和运行的应力,就可以预计事故的发生,及早采取预防事故发生的措施[3]。 　　油中溶解气体色谱分析法,是目前检测变压器内部故障的常用方法,有助于管理人员发现早期的潜伏性故障[4]。因此,本文从变压器油中溶解气体的含量来对变压器的运行状态予以说明。 　　大型电力变压器几乎都是用油来绝缘和散热。在正常运行情况下,变压器油与油中的固体有机绝缘材料在运行电压下随时间的增加,因放电和热的作用会逐渐老化和分解,会缓慢地产生少量的各种低分子烃类及CO、CO2气体,此时油中溶解气体的组成主要是氧气和氮气[5]。 　　因此,根据油中气体的组分和含量,可以在一定程度上反映变压器绝缘老化和故障的程度,可以判断故障的性质及严重程度,从而评估变压器所处的工作状态。 　　 　　2 支持向量机 　　2.1 机器学习 　　机器学习主要研究如何从一些观测数据出发得到目前尚不能通过原理分析得到的规律,利用这些规律去分析客观对象,对未来数据或无法预测的数据进行预测。 　　与传统统计学的方向不同,等人早在20世纪60年代就开始研究有限样本下的机器学习问题,随着理论研究的逐步成熟,在20世纪90年代中期,他们提出了一个较完善的基于有限样本的理论体系―― 统计学习理论(,简称)。统计学习理论