The invention discloses a transformer fuzzy and prudent reasoning fault diagnosis method based on cost sensitive learning. It belongs to the field of transformer state evaluation and fault diagnosis. The invention is based on obtaining the initial sample set of the transformer state evaluation and setting the cost sensitive initial matrix, first, combined with the multi attribute softening decision of the Sigmoid, The multi classification support vector matrix model is used for fault diagnosis of the structural transformer. Then, the support vector matrix is normalized and ordered weighted average, and the fuzzy prudent membership weight is calculated. Finally, the weighted fuzzy prudent membership is combined with the complementary confidence allocation and information fusion based on the PCR5 method, and the final value of the fusion fusion is based on the reliability distribution. The decision decision of transformer fault diagnosis is carried out. In this process, the minimum number of mistaken diagnosis samples is the optimal target. Based on the fuzzy prudent evidential reasoning process, the cost penalty element is corrected by iterative correction of the cost sensitive matrix, and the online learning function of the fault diagnosis model is realized.
【技术实现步骤摘要】
基于代价敏感学习的变压器模糊谨慎推理故障诊断方法
本专利技术属于变压器状态评估与故障诊断领域,尤其涉及一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法。
技术介绍
受制造工艺、材料、冷却方式等因素的制约,高压、大容量电力变压器通常为油浸式电力变压器,作为区域/枢纽变电站的重要组成部分,其故障可能会导致严重的电力系统振荡甚至停电事故。因此,对油浸式电力变压器的工作状态评估显得尤为重要,是评估其运行安全可靠性的重要参考,这是目前预防油浸式电力变压器严重故障的重要技术手段。目前,普遍采用的油浸式电力变压器状态评估方法是油中溶解气体分析法(DGA),如IEC三比值法及其改良方法。其建立状态评估准则所需的气体比值及其阈值信息通常基于氢气、甲烷、乙醇、乙烯、乙炔、一氧化碳、二氧化碳及其混合气体等特征气体参量,在此基础上结合经验判据对过热、电弧放电以及局部放电等油浸式电力变压器典型故障状态进行有效判定。在三比值法及其改良方法基础上,提出了基于支持向量机、模糊神经网络、高斯线性回归过程以及模糊集对分析等多种智能分类算法的油中溶解气体分析方法,可以实现对油浸式电力变压器中可能存在的一种或多种故障状态的有效识别,进而可以采取必要的预防性措施。然而,由于上述方法其数学原理本身对分类特征物理意义的侧重不同,因此,基于相同溶解气体记录样本集的不同DGA判定方法可能会得出不同的诊断和评估结论,最终故障诊断结果的确定需要经验知识的积累来判断。并且,在某些情况下,测量的溶解气体浓度或比值信息可能不够完善全面,无法匹配既有判定准则,使得部分可能发生于电力变压器内部的故障无法被有效识别。 ...
【技术保护点】
一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,具体包括以下步骤:步骤1:在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上,确定特征输入向量以及变压器故障类别及其表示方法,对多分类支持向量进行矩阵建模,得到多分类支持向量矩阵模型;步骤2:结合Sigmoid概率软化模型对变压器故障诊断多分类支持向量矩阵模型进行软化决策,构造归一化多属性决策矩阵;步骤3:在多属性决策矩阵基础上,构造归一化有序加权平均算子区间,计算模糊谨慎隶属度;步骤4:对通过归一化加权平均得到的模糊谨慎隶属度进行互补置信度分配,通过PCR5方法对信度分配进行信息融合,并基于信度分配融合的终值进行决策判定;步骤5:根据决策判定,对误诊样本类别进行检索归类,在此基础上对代价敏感初始矩阵进行在线惩罚修正,实现代价敏感初始矩阵的在线自校正,并持续反馈进行基于证据推理模糊谨慎有序加权平均的油浸式电力变压器故障诊断决策过程。
【技术特征摘要】
1.一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,具体包括以下步骤:步骤1:在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上,确定特征输入向量以及变压器故障类别及其表示方法,对多分类支持向量进行矩阵建模,得到多分类支持向量矩阵模型;步骤2:结合Sigmoid概率软化模型对变压器故障诊断多分类支持向量矩阵模型进行软化决策,构造归一化多属性决策矩阵;步骤3:在多属性决策矩阵基础上,构造归一化有序加权平均算子区间,计算模糊谨慎隶属度;步骤4:对通过归一化加权平均得到的模糊谨慎隶属度进行互补置信度分配,通过PCR5方法对信度分配进行信息融合,并基于信度分配融合的终值进行决策判定;步骤5:根据决策判定,对误诊样本类别进行检索归类,在此基础上对代价敏感初始矩阵进行在线惩罚修正,实现代价敏感初始矩阵的在线自校正,并持续反馈进行基于证据推理模糊谨慎有序加权平均的油浸式电力变压器故障诊断决策过程。2.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤1中,构造的多分类支持向量矩阵模型如式(1)所示:其中,Pi为分属于运行状态i的概率,Mi是分别采用的基于DGA的单一油浸式电力变压器故障诊断方法,D为多分类支持向量矩阵,Dij为方法j对样本属于第i类运行状态的概率评价。3.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤2中,Sigmoid概率软化模型,如式(2)所示:其中,系数A和B分别为软化斜率和偏置;对于模糊集对分析方法,概率p为模糊隶属度函数最终得到的运行状态估计概率值。4.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤3中,具体包括如下步骤:步骤3.1:对多分类支持向量矩阵D的每一行分别取悲观态度策略和乐观态度策略计算有序加权平均算子,即分别取该行评价值的最小值与最大值,得到有序加权平均算子区间向量EOWA(D),如式(3)所示:步骤3.2:对有序加权平均算子区间向量进行归一化,构造模糊谨慎隶属度Eimp(D),作为模糊谨慎隶属度权重,如式(4)所示:5.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法,其特征在于,在步骤4中,具体包括如下步骤:步骤4.1:根据公式(5)得到辨识框架Θ={A1,A2,…,Ak}的基本信度分配矩阵;其中,区间对应模糊期望折中向量Eimp(D)的每一行值,为Ai的补集;步骤4.2:基于公式(6)对支持证据冲突信度进行重新分配,实现基本信度分配的信息融合;
【专利技术属性】
技术研发人员:周东华,彭飞,卢晓,
申请(专利权)人:山东科技大学,
类型:发明
国别省市:山东,37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。