本發(fā)明屬于變壓器故障在線監(jiān)測方法技術(shù)領(lǐng)域，具體涉及一種基于多分類支持向量機(jī)變壓器故障診斷提升方法。

背景技術(shù)：

近年來，電力設(shè)備故障診斷一詞經(jīng)常會出現(xiàn)在我們的生活中，其主要原因在于隨著經(jīng)濟(jì)的快速發(fā)展，導(dǎo)致電力系統(tǒng)容量不斷的增大，而電力設(shè)備在電力系統(tǒng)占有重要的位置。

變壓器在電力系統(tǒng)中是不可或缺的，變壓器能安全穩(wěn)定的運(yùn)行將關(guān)系著電網(wǎng)與人民的安全，其故障將會給人們的生活帶來極大的不便與恐慌，因此對其進(jìn)行故障診斷勢在必行。變壓器故障診斷主要經(jīng)歷了三個時期：定期檢修、DGA傳統(tǒng)方法及DGA智能算法。尤其是DGA智能算法的問世使變壓器故障診斷更上一個臺階。支持向量機(jī)是近幾年來發(fā)展較快的一種智能算法，有著較好的分類性能，因此將其應(yīng)用于變壓器故障診斷是勢在必行的。

將DAG-SVM方法與多級SVM方法結(jié)合用于對變壓器支持向量機(jī)進(jìn)行故障診斷，然后利用改進(jìn)二進(jìn)制布谷鳥算法以及bagging算法對其進(jìn)行選擇性集成，能有效提高變壓器故障診斷的精度。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于多分類支持向量機(jī)變壓器故障診斷提升方法，將DAG-SVM方法與多級SVM方法結(jié)合用于對變壓器支持向量機(jī)進(jìn)行故障診斷，再利用改進(jìn)二進(jìn)制布谷鳥算法及bagging算法對其進(jìn)行選擇性集成，能提高變壓器故障診斷的精度。

本發(fā)明所采用的技術(shù)方案是，基于多分類支持向量機(jī)變壓器故障診斷提升方法，具體按照以下步驟實施：

步驟1、對所采集的油浸式變壓器帶有類標(biāo)簽的樣本集S＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}每一類按3：1比例分為：訓(xùn)練樣本和測試樣本；

其中：x_i代表樣本屬性，包括有：氫氣、甲烷、乙烷、乙烯、乙炔五種屬性；y_i代表類別標(biāo)簽1、2、3、4、5、6，分別對應(yīng)正常狀態(tài)、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電；

步驟2、對經(jīng)步驟1得到的訓(xùn)練樣本與測試樣本分別進(jìn)行歸一化處理，然后建立基于Bagging集成DAG-SVM與多級支持向量機(jī)變壓器故障診斷模型；

步驟3、經(jīng)步驟2后，利用改進(jìn)二進(jìn)制布谷鳥算法對得到的所有DAG-SVM與多級支持向量機(jī)模型進(jìn)行選擇；

步驟4、利用步驟3獲得的模型集合對待測樣本同時檢測，最后應(yīng)用多數(shù)投票法得到最終結(jié)果。

本發(fā)明的特點(diǎn)還在于：

步驟2具體按照以下步驟實施：

步驟2.1、設(shè)置迭代次數(shù)為T；

步驟2.2、經(jīng)步驟2.1后，先利用隨機(jī)抽樣法從樣本集中抽取樣本數(shù)量為n(要少于樣本集)的新的樣本集；

然后將新的樣本集作為新的DAG-SVM與多級支持向量機(jī)模型的訓(xùn)練樣本，再經(jīng)學(xué)習(xí)之后得到新的變壓器故障診斷模型；

步驟2.2重復(fù)T次，分別得到T個DAG-SVM與多級支持向量機(jī)變壓器故障診斷模型。

DAG-SVM模型具體按照以下步驟建立：

步驟a、根據(jù)標(biāo)簽1類和2類、1類和3類、1類和4類、1類和5類、1類和6類、2類和3類、2類和4類、2類和5類、2類和6類、3類和4類、3類和5類、3類和6類、4類和5類、4類和6類、5類和6類對應(yīng)的樣本分別訓(xùn)練SVM，得到15個決策函數(shù)。

步驟b、經(jīng)步驟a后，利用得到的15個決策函數(shù)構(gòu)建DAG-SVM，將第一個節(jié)點(diǎn)作為根節(jié)點(diǎn)，接下來是中間節(jié)點(diǎn)，最后為葉節(jié)點(diǎn)即為所求的故障類型。

多級支持向量機(jī)模型，具體按照以下步驟建立：

步驟1)將某一類別樣本表示為正類與其他樣本表示為負(fù)類，訓(xùn)練得出一個決策函數(shù)；

步驟2)經(jīng)步驟1)后，先從負(fù)類樣本中選取一類表示為正類，其余的依然表示為負(fù)類，然后訓(xùn)練得出另一個決策函數(shù)，以此類推，將得到6個決策函數(shù)，同時也得到多級支持向量機(jī)模型。

步驟3具體按照以下步驟實施：

步驟3.1、對經(jīng)步驟2得到的所有DAG-SVM與多級支持向量機(jī)變壓器故障診斷模型進(jìn)行初始化，即進(jìn)行二進(jìn)制編碼；

其中，1代表選擇該模型，0則代表沒有選擇該模型；

則得到一個診斷模型集合，其余的為另一個模型集合；

同時設(shè)置初始種群數(shù)量為120，精度為p＝0.05；

步驟3.1、對經(jīng)步驟2得到的所有DAG-SVM與多級支持向量機(jī)變壓器故障診斷模型進(jìn)行初始化，即進(jìn)行二進(jìn)制編碼；

其中，1代表選擇該模型，0則代表沒有選擇該模型；

則得到一個診斷模型集合，其余的為另一個模型集合；

同時設(shè)置初始種群數(shù)量為120，精度為p＝0.05；

步驟3.2、經(jīng)步驟3.1后，使用測試樣本對所選中的診斷模型集合進(jìn)行測試，最終利用多數(shù)投票法取得結(jié)果，獲取并記錄模型信息與準(zhǔn)確率信息；

步驟3.3、經(jīng)步驟3.2后，采用改進(jìn)二進(jìn)制布谷鳥算法更新診斷模型集合；

步驟3.4、將誤差＝1-適應(yīng)度與精度0.05進(jìn)行比較：

若誤差大于0.05，則再次執(zhí)行步驟3.3；

否則結(jié)束迭代，并得到最終的模型集合。

步驟3.3具體按照以下步驟實施：

步驟3.3.1、判斷種群中每個模型的貢獻(xiàn)率，即檢驗?zāi)Ｐ褪欠駥m應(yīng)度有影響，若其存在，能使適應(yīng)度降低或者保持不變則將其丟棄，負(fù)責(zé)保留；

步驟3.3.2、經(jīng)步驟3.3.1后，為了使種群規(guī)模保持不變，若丟棄了一部分模型后，就要從剩下的模型集合里隨機(jī)抽取同樣數(shù)量的模型作為補(bǔ)充得到新的種群；

步驟3.3.3、經(jīng)步驟3.3.2后，利用新的種群對測試樣本進(jìn)行檢測，利用多數(shù)投票法取得結(jié)果，獲取并記錄模型信息與準(zhǔn)確率信息；

步驟3.3.4、經(jīng)步驟3.3.3后，保留適應(yīng)度較強(qiáng)的種群，并記錄適應(yīng)度信息。

本發(fā)明的有益效果是：

(1)本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法，將多分類支持向量機(jī)DAG-SVM與多級支持向量機(jī)結(jié)合，能對變壓器和進(jìn)行較為精確的故障診斷，且這兩種多分類支持向量機(jī)都有著簡單易行，無誤分及拒分的突出性優(yōu)點(diǎn)。

(2)本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法，其中DAG-SVM與多級支持向量機(jī)都有各自的優(yōu)缺點(diǎn)，將它們進(jìn)行綜合并利用Bagging算法進(jìn)行效集成，能互相補(bǔ)充，有效提高了故障診斷效率及精度。

(3)本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法，利用改進(jìn)二進(jìn)制布谷鳥算法對弱分類器進(jìn)行選擇，有助于去除無用的弱分類器，能提高算法效率。

附圖說明

圖1是本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法中涉及的Bagging提升DAG-SVM與多級支持向量機(jī)的結(jié)構(gòu)示意圖；

圖2是本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法中涉及的DAG-SVM的結(jié)構(gòu)示意圖；

圖3是本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法中涉及的多級支持向量機(jī)的結(jié)構(gòu)示意圖；

圖4是本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法中涉及的改進(jìn)二進(jìn)制布谷鳥算法對所有模型進(jìn)行選擇流程圖。

具體實施方式

下面結(jié)合附圖和具體實施方式對本發(fā)明進(jìn)行詳細(xì)說明。

本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法，具體按照以下步驟實施：

步驟1、對所采集的油浸式變壓器帶有類標(biāo)簽的樣本集S＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}每一類按3：1比例分為：訓(xùn)練樣本和測試樣本；

其中，x_i代表樣本屬性(包括有：氫氣、甲烷、乙烷、乙烯、乙炔五種屬性)，y_i代表類別標(biāo)簽1、2、3、4、5、6，分別對應(yīng)正常狀態(tài)、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電。

步驟2、對經(jīng)步驟1得到的訓(xùn)練樣本與測試樣本分別進(jìn)行歸一化處理，然后建立基于Bagging集成DAG-SVM與多級支持向量機(jī)變壓器故障診斷模型，如圖1所示，具體按照以下步驟實施：

步驟2.1、設(shè)置迭代次數(shù)為T；

步驟2.2、經(jīng)步驟2.1后，先利用隨機(jī)抽樣法從樣本集中抽取樣本數(shù)量為n(要少于樣本集)的新的樣本集；

然后將新的樣本集作為新的DAG-SVM與多級支持向量機(jī)模型的訓(xùn)練樣本，再經(jīng)學(xué)習(xí)之后得到新的變壓器故障診斷模型；

步驟2.2重復(fù)T次，分別得到T個DAG-SVM與多級支持向量機(jī)變壓器故障診斷模型；

如圖2所示，DAG-SVM模型具體按照以下步驟建立：

步驟a、根據(jù)標(biāo)簽1類和2類、1類和3類、1類和4類、1類和5類、1類和6類、2類和3類、2類和4類、2類和5類、2類和6類、3類和4類、3類和5類、3類和6類、4類和5類、4類和6類、5類和6類對應(yīng)的樣本分別訓(xùn)練SVM，得到15個決策函數(shù)。

步驟b、經(jīng)步驟a后，利用得到的15個決策函數(shù)構(gòu)建DAG-SVM，將第一個節(jié)點(diǎn)作為根節(jié)點(diǎn)，接下來是中間節(jié)點(diǎn)，最后為葉節(jié)點(diǎn)即為所求的故障類型。

如圖3所示，多級支持向量機(jī)模型具體按照以下步驟建立：

步驟1)將某一類別樣本表示為正類與其他樣本表示為負(fù)類，訓(xùn)練得出一個決策函數(shù)；

步驟2)經(jīng)步驟1)后，先從負(fù)類樣本中選取一類表示為正類，其余的依然表示為負(fù)類，然后訓(xùn)練得出另一個決策函數(shù)，以此類推，將得到6個決策函數(shù)，同時也得到多級支持向量機(jī)模型。

步驟3、經(jīng)步驟2后，利用改進(jìn)二進(jìn)制布谷鳥算法對得到的所有DAG-SVM與多級支持向量機(jī)模型進(jìn)行選擇，如圖4所示，具體按照以下步驟實施：

步驟3.1、對經(jīng)步驟2得到的所有DAG-SVM與多級支持向量機(jī)變壓器故障診斷模型進(jìn)行初始化，即進(jìn)行二進(jìn)制編碼；

其中，1代表選擇該模型，0則代表沒有選擇該模型；

則得到一個診斷模型集合，其余的為另一個模型集合；

同時設(shè)置初始種群數(shù)量為120，精度(這里指的是診斷錯誤率)為p＝0.05；

步驟3.2、經(jīng)步驟3.1后，使用測試樣本對所選中的診斷模型集合進(jìn)行測試，最終利用多數(shù)投票法取得結(jié)果，獲取并記錄模型信息與準(zhǔn)確率信息(適應(yīng)度)；

步驟3.3、經(jīng)步驟3.2后，采用改進(jìn)二進(jìn)制布谷鳥算法更新診斷模型集合，具體按照以下步驟實施：

步驟3.3.1、判斷種群中每個模型的貢獻(xiàn)率，即檢驗?zāi)Ｐ褪欠駥m應(yīng)度有影響，若其存在，能使適應(yīng)度降低或者保持不變則將其丟棄，負(fù)責(zé)保留；

步驟3.3.2、經(jīng)步驟3.3.1后，為了使種群規(guī)模保持不變，若丟棄了一部分模型后，就要從剩下的模型集合里隨機(jī)抽取同樣數(shù)量的模型作為補(bǔ)充得到新的種群；

步驟3.3.3、經(jīng)步驟3.3.2后，利用新的種群對測試樣本進(jìn)行檢測，利用多數(shù)投票法取得結(jié)果，獲取并記錄模型信息與準(zhǔn)確率信息(適應(yīng)度)；

步驟3.3.4、經(jīng)步驟3.3.3后，保留適應(yīng)度較強(qiáng)的種群，并記錄適應(yīng)度信息；

步驟3.4、將誤差＝1-適應(yīng)度與精度0.05進(jìn)行比較：

若誤差大于0.05，則再次執(zhí)行步驟3.3；

否則結(jié)束迭代，并得到最終的模型集合。

步驟4、利用步驟3獲得的模型集合對待測樣本同時檢測，最后應(yīng)用多數(shù)投票法得到最終結(jié)果。

實施例

本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法中，將已知故障類型的750組數(shù)據(jù)按3：2比例分為訓(xùn)練集與測試集，規(guī)模分別為450與30組數(shù)據(jù)，分別對應(yīng)6中故障類型其中正常狀態(tài)、中低溫過熱、高溫過熱、局部放電、火花放電和電弧放電，對6種故障類型進(jìn)行編號，分別為1、2、3、4、5、6，其中部分測試數(shù)據(jù)見表1，對應(yīng)的測試結(jié)果見表2.

表1部分測試數(shù)據(jù)

利用DAG-SVM、多級支持向量機(jī)、Bagging優(yōu)化的DAG-SVM與多級支持向量機(jī)組合模型、基于改進(jìn)二進(jìn)制的Bagging優(yōu)化的DAG-SVM與多級支持向量機(jī)組合模型對相同數(shù)據(jù)進(jìn)行故障診斷得到的準(zhǔn)確率分別為83.3％、85％、91.3％，93％。

本發(fā)明基于多分類支持向量機(jī)變壓器故障診斷提升方法，將DAG-SVM方法與多級SVM方法結(jié)合用于對變壓器支持向量機(jī)進(jìn)行故障診斷，再利用改進(jìn)二進(jìn)制布谷鳥算法及bagging算法對其進(jìn)行選擇性集成，能提高變壓器故障診斷的精度。