《基于支持向量机的变压器故障诊断》-工学论文，工程论文-论文范文参考-科学狗论文网

标题

基于支持向量机的变压器故障诊断

范文

李炜

摘要：针对油浸式电力变压器在不同工作状态时，变压器油中溶解气体的类型和含量的不同，通过检测变压器油中的不同气体的类型和含量就成了判别变压器工作状态的重要方法。本文基于支持向量机（SVM）模型，利用支持向量机对于非线性问题的优良解决方法，给出了一种判别变压器工作方式的方法，经测试，判别正确率高达96.8%，满足对于变压器故障判别的精度要求。

Abstract： According to the different working states of oil-immersed power transformer， the type and content of dissolved gas in transformer oil are different. Based on the support vector machine （SVM） model and by using the support vector machine to solve the nonlinear problem， this paper presents a method to distinguish the transformer working mode.

关键词：变压器故障诊断;神经网络;支持向量机

Key words： transformer fault diagnosis;neural network;support vector machine

中图分类号：TM41 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文献标识码：A ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文章编号：1006-4311（2019）20-0245-02

0 ?引言

变压器在电力系统中起着至关重要的作用，它在电力传输系统中传输成本低、分配方式灵活和使用安全，因此需要经常对变压器的维护和检修。通过对变压器的工作方式进行故障诊断，对其正常工作提供可靠依据就显得尤为重要。

1 ?变压器故障诊断系统原理

由于变压器处于不同工作状态下变压器油中的溶解气体含量不同[1-3]，需要对变压器油中溶解气体进行分析，这能够很好的反映变压器的一些平时检测不到的潜在故障。文献[4-6]提出的改良的三比值法的判断准确率最高，即CH4/H2、C2H2/C2H4和C2H4/C2H6这三对比值。在不同工作模式下，这三队比值的差别最大，通过分析这三对比值就能准确的对变压器处于何种工作模式进行识别，从而正确判断故障产生的原因。利用支持向量机（SVM）对已知数据进行训练和学习，识别不同工作模式下这三对比值的不同，最后输出分析结果。SVM网络设计流程如图1所示。

变压器的工作模式主要分为三种故障工作模式和正常工作模式，如表1所示。

2 ?支持向量机模型

支持向量机是从线性可分发展而来一种理论模型。目标是将两类或多类不同的样本分离开，不仅要求正确分开，而且目标是需要使分类间隔的达到最大[7，8]。如图2所示。

H1和H2之间的间隔就是最大间隔，等于2/‖ω‖，使间隔最大也就是‖ω‖最小。利用Lagrange优化方法可以解出最优分类函数

对于高维空间的分类问题，需要将问题转换成对偶问题，这样问题困难就不再取决于空间维数，而是取决于分类的样本数，因此，对于非线性问题来说，就能够转换成高维空间问题来进行求解。通过在最优分类面中采用适当的内积函数K（XiXj）就能实现对非线性问题的高维空间化，进而转化成高维空间的分类。此时的分类函数：

這就是支持向量机的分类模型，首先利用合适的内积函数定义非线性转换将输入空间变换到高维空间中去，在这个高维空间中寻求最优分类面[9，10]，这样就能对非线性问题进行分类识别。支持向量机网络结构如图3所示。

3 ?变压器故障诊断的实现

在利用支持向量机对变压器故障进行分析诊断时，需要将数据进行预处理，有些数据可能很大或很小，与其他组的数据相比可能相差几个数量级，需要对数据进行归一化处理。通过传感器和采集装置采集到的不同工作模式下的每种参数为一个样本，所对应的工作模式为输出结果，本文共提取出31组数据，选取前23组进行训练和学习，再将全部数据打乱重新进行预测。

首先载入数据，选取训练数据和测试数据，将训练数据分成训练输入向量和训练目标向量，将训练数据回代，完成测试数据的预测。训练结果如图4所示。其中横坐标为每组样本编号，纵坐标为类别。星号线表示预测工作模式，圆圈表示真实工作模式。生成的混淆矩阵如图5所示。矩阵的第一行到第四行代表四种种工作模式的预测识别情况，浅灰色方格代表预测正确的个数和总体比例，灰色方格代表每一类的错误预测的个数和比例，深灰色方格代表每一类总体的正确率，最后白色方格表示总体的预测正确率。

4 ?结论

本文给出了基于支持向量机的变压器故障診断方法，通过对变压器油中溶解气体分析法进行深入分析后，建立基于支持向量机的故障诊断模型。通过图4可以看出仅有最后一个样本预测错误，将真实工作模式1辨认成了工作模式4。图5混淆矩阵则可以很清楚的看出各类工作模式的预测正确率以及总体的正确率96.8%。满足对于实际变压器故障诊断的精度要求。

参考文献：

[1]王汉林，杨超，唐华.油中溶解气体分析的电力变压器故障诊断[J].自动化仪表，2018，39（10）：66-69.

[2]张善强.油浸电力变压器故障诊断及检修技术的研究[J].花炮科技与市场，2018（03）：36，39.

[3]Xiaolian Liu， Yu Tian，Xiaohui Lei，Mei Liu，Xin Wen，Haocheng Huang，Hao Wang. Deep forest based intelligent fault diagnosis of hydraulic turbine[J]. Journal of Mechanical Science and Technology，2019，33（5）.

[4]XianBo Wang，Zhi-Xin Yang，Pak Kin Wong，Chao Deng. Novel paralleled extreme learning machine networks for fault diagnosis of wind turbine drivetrain[J]. Memetic Computing，2019，11（2）.

[5]刘振宇.基于DGA的变压器在线监测与故障诊断方法研究[J].通信电源技术，2019，36（04）：11-12.

[6]和娜娜.半监督分类法在变压器故障诊断中的应用[J].煤矿机电，2018（05）：64-66.

[7]Xunshi Yan， Zhe Sun，Jingjing Zhao，Zhengang Shi，Chen-an Zhang. Fault diagnosis of rotating machinery equipped with multiple sensors using space-time fragments[J]. Journal of Sound and Vibration，2019.

[8]荣智海，齐波，李成榕，朱双静，陈玉峰，辜超.面向变压器油中溶解气体分析的组合DBN诊断方法[J/OL].电网技术：1-9[2019-06-11].https：//doi.org/10.13335/j.1000-3673.pst.2019.0422.

[9]胡善芝，周冬旭，唐仁权.一种基于综合推理的变压器故障诊断方法[J].电工电气，2019（03）：23-28.

[10]马松龄，郭小艳，张清敏，代一楠.基于改进粒子群优化RBF网络的变压器故障诊断[J].水电能源科学，2019，37（04）：184-186，191.

随便看

科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。