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

本发明专利技术公开了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，属于变压器状态评估与故障诊断领域，本发明专利技术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，首先，结合Sigmoid多属性软化决策，构造变压器故障诊断多分类支持向量矩阵模型；然后，对支持向量矩阵进行归一化有序加权平均，计算模糊谨慎隶属度权重；最后，对加权模糊谨慎隶属度进行基于PCR5方法的互补置信分配与信息融合，并基于信度分配融合终值进行变压器故障诊断决策判定；在此过程中，以误诊断样本数最小为优化目标，基于模糊谨慎证据推理过程迭代修正代价敏感矩阵相应代价惩罚元素，实现所述故障诊断模型的在线学习功能。

Fault diagnosis method of transformer based on Fuzzy sensitive reasoning based on cost sensitive learning

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。因此，上述单一方法的应用，并不能实现所有类型油浸式电力变压器故障诊断方法有效性和鲁棒性的提高，需要将多种DGA方法的评估诊断信息进行有效的信息融合，来提高变压器故障诊断的正确率。此外，在进行油浸式电力变压器DGA故障诊断过程中，仅以故障诊断正确率为目标，而未有效考虑误诊率和误诊代价的影响，也会对最终故障诊断的有效性和鲁棒性产生影响。众所周知，将正常状态误诊为异常状态的误诊代价相对较低，而将异常状态误诊为正常状态而错过最佳检修周期情况下的误诊代价相对较高，因此，如何在基于DGA的油浸式电力变压器故障诊断信息融合基础上，融入代价敏感惩罚修正，最终得出符合实际故障特征的诊断结果，才能实现对变压器当前工作状态的可靠评估。
技术实现思路
针对现有技术中存在的上述技术问题，本专利技术提出了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，设计合理，克服了现有技术的不足，具有良好的效果。为了实现上述目的，本专利技术采用如下技术方案：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，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。优选地，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(dissolvedgasanalysis，油中溶解气体分析)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。优选地，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。优选地，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：优选地，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；其中，X1和X2均属于辨识框架Θ＝{A1,A2,···,Ak}的子集；m1(X)、m2(X)、m1(X1)、m1(X2)、m2(X2)分别代表所采用的m1或m2基本信度分配函数中各子集X、X1、X2的基本信度分配结果；步骤4.3：证据推理理论泛化置信函数Bel(Ai)，如式(7)所示：步骤4.4：基于证据推理理论泛化置信函数Bel(Ai)，得到对应于类别Ai的基于证据推理的信度分配融合终值Afinal，由信度分配融合终值Afinal大小进行决策判定，如式(8)所示：优选地，在步骤5中，具体包括如下步骤：步骤5.1：代价敏感初始矩阵定义为其中，csii＝0(i＝1,2…6)，表示正确诊断代价为0，csij表示故障状态i误诊为故障状态j的误诊代价权重因子；步骤5.2：结合粒子群优化算法(PSO)和交叉验证算法(CV)以测试集故障诊断误判率最小为优化目标，结合训练样本集对对代价敏感初始矩阵以及后续代价敏感惩罚矩阵进行寻优和修正，模型样本集的调整方式采用周期性采样扩展方式；具体包括如下步骤：步骤5.2.1：对样本集合划分为训练样本集和验证样本集，并对代价敏感初始矩阵CS进行初始化；步骤5.2.2：基于有效信息自适应粒子群优化算法对代价敏感初始矩阵中的元素进行迭代优化；具体包括如下步骤：步骤5.2.2.1：随机初始化代价敏感粒子群中每个代价敏感矩阵粒子的搜索速度和位置信息；步骤5.2.2.2：计算每个代价敏感粒子的适应度；步骤5.2.2.3：计算代价敏感矩阵粒子的搜索自适应惯性权重和加速度系数；步骤5.2.2.4：综合所有粒子适应度评估计算适应度值最小的代价敏感粒子为最优适应度代价敏感粒子，结合自适应惯性权重和加速度系数更新代价敏感粒子群的速度和位置信息，直至达到算法停止条件，即达到迭代次数上限或达到最终收敛适应度目标；其中，每经过E次迭代，对搜索结果进行基于伪牛顿法的局部搜索更新，以提高收敛速度；每经过R次迭代，对代价敏感粒子群进行随机重组，以避免粒子陷入局部最优，增强算法的全局搜索性能；步骤5.2.3：根据性能评价函数，判定迭代过程是否终止；若：判断结果是迭代过程终止，则输出最终迭代生成的代价敏感矩阵；或判断结果是迭代过程没有终止，则重复步骤5.2.1-步骤5本文档来自技高网...

【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