改进的M-ary支持向量机模型及其在变压器故障诊断中的应用

职教高考

journalofshanghaijiaotonguniversityVol. 42 No. 122008年

受理日期： 2007-12-25

简介：肖燕彩(1972-)，女，河北省献县人，副教授，主要从事检测技术和故障诊断方面的教学和研究。电话(T el.) : 010-51682997； 电子邮件： ycx iao @ bjtu.edu.cn。文章编号： 1006-2467(2008 ) 12-2033-04一种改进的M-ary支持向量机模型及其在变压器故障诊断中的应用

肖燕彩1、陈秀海2

(1)北京交通大学机械与电控工程学院，北京100044； 2 .北京电力公司，北京100031 )摘要利用：m-Ary支持向量机进行基于油中溶解气体分析的变压器故障诊断研究明，M-ary支持向量机算法简单，可与一对一支持向量机的诊断精度进行比较。 在此基础上，常用的M-ary支持向量机模型进行了改进，将每两类分类器的输出计算值直接使用不同的支持向量机行的组合可以更好地反映各分类器之间的非线性关系，使新模型具有更高的分类精度的应用实例证明了改进方法的有效性和优越性关键词：变压器； M-ary支持向量机； 故障诊断中图分类号： TM 855文献识别码： A

theimprovedm-arysupportvectormachineanditsapplicationinpowertransformerfaultdiagnosisX I A O Yan-cai1

，CH EN X iu-hai2

(1. School of M echanical，electronicandcontrolengineering，Beijing Jiaotong University，北井100044、China； 2.beijingelectricpowercorporation，Beijing 100031，China )

abstract 3360 them-arysupportvectormachinewasappliedtotheinsulationfaultdiagnosisofpowertransformerbasedondissolvedgasanalysi ssionwiththeoneagainstonemethod.toenhancetheaccuracy，animprovedm-arysupportvectormachinemodelwasproposed.inthebuiltmodedoutputvectorsofallthetwo-kindsclassifications.thegivenmodelcanreflectthenonlinearityrelationsbetter.theeffectivenessandsuperiorityoftheproposedmodelwereverifiedwitheresultsoftheactual现金。Key words: pow er transformer； M-ary suppo rt vector machine； 故障诊断变压器故障诊断是实施变压器状态维护的关键

技术是提高变压器的运行维护水平，保证电力的可靠供应的前提和基础相对应。 现在，很多学者用不同的方法进行了这方面的研究[ 1，2 ]，近年来，基于支持仪表盘(SVM )的变压器故障故障诊断逐渐成为变压器智能故障诊断的重要研究方向性.这主要是因为SVM很好地执行了统计学学习理论的结构风险最小化原则在于小样本情况有很好的泛化能力，避免和解决了陷入局部极小值故障诊断领域面临的典型故障样本严重不足的主要原因难题。

目前正在利用SVM进行变压器故障诊断的相关研究研究主要在：文献[ 3]中用SVM分层确定电力变压器的故障类型由多种二值SVM分类器组合构建建立了决策模型，取得了较好的故障诊断效果，该诊断截模型结构比较复杂，需要一定的先验知识，实际上高难度文献[ 4]中3个SVM分类器有4种虽然状态有所区分，但能识别的故障类型比较有限；文献[ 5]中针对变压器中局部放电现象用SVM进行了描述做了研究； 文献[ 6]中使用小波变换从脉冲实验的频率从域信息中提取特征，利用SVM的回归算法进行区分故障电流不同模式文献[ 7]中贝叶斯网络与结合SVM的回归算法用于故障诊断，即使用贝叶斯网络诊断变压器故障类型，使用SVM的回归计算处理错误样本的方法文献[ 8]中使用最小二乘SV M进行了变压器故障诊断研究等。 这些研究成果表明利用SV M进行变压器故障诊断是可行的这方面的研究才刚刚开始，还存在许多问题进一步探索。本文应用M-ary SVM进行变压器故障诊断在研究中，通过与常用的一对一SVM的比较，M-ary SVM的分类效应和一对一SVM的分类效应水果相近，但所需分类器个数明显减少。 在此之上

在此基础上，本文还提出了一种改进的M-ary SVM模型，可以变压以更好地反映各分类器输出间的非线性关系故障诊断应用实例证明了改进模型的有效性和优越性。

1 M-ary多分类算法及其变压器故障在故障诊断中的应用SVM的基本分类理论可以处理二值分类问题，

其原理请参考文献[ 3，4 ]。 这里省略说明。 关于多值部分类问题目前的主要解决方法有两种：第一种方法

将多分类视为二分类的组合，最终转化多分类问题作为二分类问题的第二种方法是通过修正目标函数从根本上解决SVM处理多分类的问题。第二由于方法计算量大，正在进行多分类算法的研究一般不怎么使用。 在第一种方法中，一对一是一个一般分类算法[ 9]在

但是，在k类问题上

结构k(k-1 ) /两个分类器； M-ary分类方法由Sebald等[ 10]提出，用于二进制分类器的优点：不依赖先验知识，计算比较简单，正在处理中

在k类问题的情况下，q=lb k (表示留尾法取维修，即大规模维修(分类器，实现更简单方便。根据IEC60599的规定，变压器的故障类型为分为6类[ 11]，且有正常状态，诊断状态共享7类分别用1、2、7表示，具体如表1所示。表1变压器状态分类tab.1状态of transformer正常

状态

低热故障

(300 bC )中热故障

(300~ 700 bC )高热引起的故障(700 bC )低能

电弧高能电弧局部放电1 2 3 4 5 6 7

根据M-ary分类方法，可以构造q=lb 7=3如果s={ 1，2，7}，则个分类器在结构的第m个点第一类样品是am={jIsb(j-1 ) 2

-(m-1 ) ) ) ) ) ) ) )。

职教本科

式中的：s(A m是从s中除去am后的剩下的类。这样，在三个分类器中，1和- 1分类的分类划分不要如表2所示。表2三个分类器的类别id

tab.2 assignedclassesinthreeclassifications类别分类器1分类器2分类器31、4、63、4、75、6、7

-11、3、5、71、2、5、61、2、3、4这样，原来的7分类问题就可以转换成3个2分类问题问题是，将与样本xi对应第m个分类器的输出设为对于C(Xi )，此样例的最终类别公式为c^(Xi )=1 Eq

m=1

[广告(Xi )1] 2m- 2(3) ) )。

式中：c^(Xi )为判定(计算)的样品类别； I=1，2，l，l是样本数。变压器的气相色谱特性数据(氢(H2 )、甲烷

(CH4 )、乙烷) C2H6 )、乙烯) C2 H4 )、乙炔) C2H2 ) 5种)选择C-SVM作为分类器的输入数据[ 8]如：核函数

选择常用径向基底核[ 8]如：、惩罚参数c和核参数r的

选择网格检索方法(根据经验，为1/(2r2)和c的

将值作为等比数列{2}102

- 9、215

使用() M-ary

分类算法诊断变压器故障的具体流程如下：)1)将5种气体体积分数数据归一化后理，形成总训练样本集和总验证样本集；)2)按三个分类器分类的类别，训练样本进行分割，将各子训练集的类别分别使用为1显示- 1)3)通过网格搜索的方法得到最优参数对，并分别对分类器分别通过自己的训练套进行训练，得到了相应的分类模特；

2034年上海交通大学学报第42卷)4)将验证样本代入每个训练的子分类器，得到各子识别器输出类别

(5)根据公式(3)计算验证样本所属的最终类别。本论文使用的样本库是从各种资料中收集的在结论明确的142个样本中，选择92个作为训练集，其余50个为验证集.变压器各种状态为样品的集中分布情况如表3所示。表3样本集中各状态的分布tab.3 trainingandcheckingsamplesetsofstates项目

状态

1 2 3 4 5 6 7

训练集4 10 8 34 4 22 10验证集3 6 4 18 3 10 6采用M-ary分类算法，优选网格搜索法参数对C=4； 1/(2r2

=8进行变压器故障诊断，

此时训练的正确率为90. 2%，与训练集将无关的验证集中的50个样本代入，可以得到验证的正误率为86. 0%。使用一对一的分类算法分析该算例也是如此选择C-SVM和径向基底核，1/(2r2和c的可取值还没有决定等比数列{2}

102

- 9、215

使用网格搜索法很好

选择的参数为C=2； 1/(2r2()因为16变压器

故障诊断可以在此时训练的正误率为89. 1%的情况下进行检查审判率为86. 0%。

由此可见，只要合理选择分类器的适当参数基于M-ary分类方法的变压器故障诊断分类使用度和一对一的分类算法诊断的分类精度是可能的模仿的东西。2改进的M-ary SVM模型在M-ary分类方法中，各子分类器的

要输出计算值，首先进行近似计算。 也就是说，取符号是值得的子分类器的输出结果，然后根据经验公式计算相位中描述的场景，使用以下步骤创建明细表，以便在概念设计中分析体量的体积。 在计算过程中的情况那么，如果某个子识别器的取码运算有错误整个判断结果都错了。 因此，本文针对M-ar y的分类方法不使用各子识别器输出类别信息

直接使用各子识别器的输出计算值，使用SV M将这些计算值合并，找出其中的非线性关系，从得到更准确的分类结果。 这个方法是

利用复合型知识建立SVM模型，即先获取原始信息输入每个M-ary子分类器进行处理，生成新的知识输入SVM进行分析。这种建模方法什么都不做近似计算利用SVM的自我学习功能和强大的非线性属性映射能力拟合每个子分类器计算值之间的非线性由于函数的关系，最后的分类精度优于M-ary点类方法和一对一分类方法改进的M-ary SVM模型诊断步骤如下：

(1)计算M-ary分类器的个数，根据公式(1)、公式(2)确定分类器中原类别的识别情况

双元制职业教育

基于改进的M-ary SVM方法形成SVM组合根据改进的M-ary SVM模型，器的训练集和验证集型的诊断步骤同样选择C-SVM和放射状基底核，1/(2r2

和c的可取值为等比数列{2}102

- 9，、215

，得到了改进的M-ary分类器的最佳参数对1/(2r2

() 4、C=64； SVM合成器的最佳参数对1/(2r2

() 0.5、C=16 )此时训练正确率为95. 7%，验证正确率为88. 0%。如上所述，相同的数据集用一对一分类方法诊断得到的训练正误率89. 1%，验证正确率为86. 0%； 使用M-ar y分类方法诊断训练正误率为90. 2%，验证正误率为86. 0%。由此，新模型可以应用于变压器故障诊断中有更高的诊断正确率

具有实例的110 kV变压器的油色谱数据： H2为

58 LL/L； CH4为290 LL/L； C2H6为149 LL/L；C2H4为373 LL/L； C2H2为0 LL/L。变压器的实际情况是中热故障，但一对一的分类方法和M-ary分类方法诊断结果均为高热故障采用本文提出的改进的M- ary SVM的诊断结果为中热故障，符合实际情况。4结束语

本文采用M-ary SVM模型进行变压器故障

二期肖燕彩，等：改进的M-ary支持向量机模型及其在变压器故障诊断中的应用2035进行了诊断研究，并在此基础上提出了一种改进的M-ary SV M模型，该模型充分利用了每个子分类器的输出信息，给定每个子鉴别器输出之间的非线性关系，变压器应该故障诊断的应用实例证明了改进模型的有效性。参照文献：

[ 1 ]章政、肖登明、刘奕路.基于遗传编程的判别函数法在在电力变压器绝缘故障诊断中的应用[ J] .上海交大学报，2006，40 (4) : 558- 562。

zh ang henging，小点燃，LIU Y-i lu. Appl-icationofgeneticprogrammingbaseddiscriminantfunctionsintheinsulationfaultdiagnosisofpower

transformers [ j ].journalofshanghaijiaotonguniversity，2006，40 (4) : 558- 562。[2] duvalm.areviewoffaultsdetectablebygas-in-oilanalysisintransformers [ j ].ieeelectricalinsulation魔力，2002，18 (3) : 8- 17。[ 3 ]董明、孟源、徐长响，等.基于SVM及油中溶解瓦斯分析的大型电力变压器故障诊断模型研究[ J]。中国电机工程学报，2003，23 (7) : 88- 92。东明，孟元元，徐长祥，et

al.faultdiagnosismodelforpowertransformerbasedonsupportvectormachineanddissolvedgasanalysis[ J] . Proceedings of the CSEE，2003，23 (7) : 88- 92。[ 4 ] LB Gan- yun，ch eng Hao-Zhai h a-I Bao，etal.faultdiagnosisofpowertransformerbasedonmult-ilayersvmclassifier [ j ].electricpowersystems资源，2005，74 (1) : 1- 7。[ 5 ] Hao L，Lew in P L，T ian Y，et al . Partial dischar geidentificationusingasupportvectormachine [ c ]//

ce IDP.piscataway : instituteofelectricalandelectronicsengineersinc，2005: 414- 417。[ 6 ] Koley Chiranjib，Purkait Prithwirai，chakravortisivaji.wavelet-aidedsvmtoolforimpulsefaultidentif-Icationintransformers [ j ].ieetransactionsonpowerdelivery，2006，21 (3) : 1283- 1290。[ 7 ] ZH U Yong- li，王芳，Geng LAN-Qin.transformerfaultdiagnosisbasedonnaivebayesianclass-Ifierandsvr [ c ]//ten con.piscataway : institute ofelectricalandelectronicsengineersinc，2007:4142282.

[ 8 ]肖燕彩，朱衡君.基于最小二乘SVM的电力变压器

故障诊断[ J] .电力自动化设备，2007，27 (9) : 48- 51。

XIAO Yan- cai，ZH U H eng- jun. Fault diag no sis o f

powertransformerbasedonleastsquaresupportvectormachine [ j ].electricpowerautomationequipment，2007，27 (9) : 48- 51[ 9 ]基于郑勇涛、刘玉树. SVM的多分类问题求解研究[J] .计算机械工程与应用，2005，41 (23 ) : 190- 192。

ZH ENG Yong- tao，LIU Yu- shu. An analysis of mult-i

classsupportvectormachines [ j ].computerengineeringandapplications，2005，41 (23 ) : 190- 192。[ 10] Sebald D J，bucklew ja.supportvectormachinesand

themultiplehypothesistestproblem [ j ].ieetransactionsonsignalprocessing，2001，49 (11 ) : 2865- 2872。[ 11] IEC- 60599，mineral oi-limpregnatedelectricalequipmentinserviceguidetotheinterpretationofdissolvedand fr ee gases analysis[ S]。(接2032页)

[ 7 ] LI Geng- yin，周明，HE Jie，et al. Power flowcalculationofpowersystemsincorporatingvsc-HVDC

[ 8 ]王锡凡，王秀丽.实用电力系统静态安全分析[ J] .西安交通大学学报，1988，22 (1) : 25- 36。

WANG X-i fan，wangxiu-Li.practical contingency

analysisofpowersystems [ j ].journalofxi.anjiaotonguniversity，1988，22 (1) : 25-36。[ 9 ] ZHU Y，tomsovick.adaptivepowerflowmethod有序系统交换

[ j ].ieetransactionsonpowerdelivery，2002，17)3) : 822- 827。[ 10]陈金富、陈海焱、段献忠.大型风电场在内的电力系统多时段动态优化潮流[J] .中国电机工程学报，200626 )3) : 31- 35。CHEN Jin- fu，CHEN Ha-i yan，段贤- zhong。多iperioddynamicoptimalpowerflowinwindpowerintegratedsystem [ j ].proceedings of theCSEE，2006，26 (3) : 31- 35。2036年上海交通大学学报第42卷