基于多分类支持向量机变压器故障诊断提升方法技术

本发明专利技术公开的基于多分类支持向量机变压器故障诊断提升方法：对所采集的油浸式变压器带有类标签的样本集每一类按3：1比例分为：训练样本和测试样本；对得到的训练样本与测试样本分别进行归一化处理，然后建立基于Bagging集成DAG‑SVM与多级支持向量机变压器故障诊断模型；利用改进二进制布谷鸟算法对得到的所有DAG‑SVM与多级支持向量机模型进行选择；利用获得的模型集合对待测样本同时检测，最后应用多数投票法得到最终结果。本发明专利技术基于多分类支持向量机变压器故障诊断提升方法，能提高变压器故障诊断的精度。

Transformer fault diagnosis lifting method based on multi class support vector machines

Multi class support vector machine transformer fault diagnosis method based on lifting the invention discloses: oil immersed transformer is collected with class labels of samples of each class according to the proportion of 3:1 is divided into training samples and test samples; the training samples and test samples obtained were normalized, and then establish the Bagging integrated DAG SVM with the multistage support vector machine model of transformer fault diagnosis based on the improved binary; cuckoo algorithm selection for all DAG SVM obtained with multistage support vector machine model; using the model set to the sampling detection at the same time, to get the final result finally using majority voting method. The invention improves the transformer fault diagnosis accuracy based on the multi category support vector machine transformer fault diagnosis lifting method.

【技术实现步骤摘要】
基于多分类支持向量机变压器故障诊断提升方法
本专利技术属于变压器故障在线监测方法
，具体涉及一种基于多分类支持向量机变压器故障诊断提升方法。
技术介绍
近年来，电力设备故障诊断一词经常会出现在我们的生活中，其主要原因在于随着经济的快速发展，导致电力系统容量不断的增大，而电力设备在电力系统占有重要的位置。变压器在电力系统中是不可或缺的，变压器能安全稳定的运行将关系着电网与人民的安全，其故障将会给人们的生活带来极大的不便与恐慌，因此对其进行故障诊断势在必行。变压器故障诊断主要经历了三个时期：定期检修、DGA传统方法及DGA智能算法。尤其是DGA智能算法的问世使变压器故障诊断更上一个台阶。支持向量机是近几年来发展较快的一种智能算法，有着较好的分类性能，因此将其应用于变压器故障诊断是势在必行的。将DAG-SVM方法与多级SVM方法结合用于对变压器支持向量机进行故障诊断，然后利用改进二进制布谷鸟算法以及bagging算法对其进行选择性集成，能有效提高变压器故障诊断的精度。
技术实现思路
本专利技术的目的在于提供一种基于多分类支持向量机变压器故障诊断提升方法，将DAG-SVM方法与多级SVM方法结合用于对变压器支持向量机进行故障诊断，再利用改进二进制布谷鸟算法及bagging算法对其进行选择性集成，能提高变压器故障诊断的精度。本专利技术所采用的技术方案是，基于多分类支持向量机变压器故障诊断提升方法，具体按照以下步骤实施：步骤1、对所采集的油浸式变压器带有类标签的样本集S＝{(x1,y1),(x2,y2),...,(xn,yn)}每一类按3：1比例分为：训练样本和测试样本；其中：xi代表样本属性，包括有：氢气、甲烷、乙烷、乙烯、乙炔五种属性；yi代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电；步骤2、对经步骤1得到的训练样本与测试样本分别进行归一化处理，然后建立基于Bagging集成DAG-SVM与多级支持向量机变压器故障诊断模型；步骤3、经步骤2后，利用改进二进制布谷鸟算法对得到的所有DAG-SVM与多级支持向量机模型进行选择；步骤4、利用步骤3获得的模型集合对待测样本同时检测，最后应用多数投票法得到最终结果。本专利技术的特点还在于：步骤2具体按照以下步骤实施：步骤2.1、设置迭代次数为T；步骤2.2、经步骤2.1后，先利用随机抽样法从样本集中抽取样本数量为n(要少于样本集)的新的样本集；然后将新的样本集作为新的DAG-SVM与多级支持向量机模型的训练样本，再经学习之后得到新的变压器故障诊断模型；步骤2.2重复T次，分别得到T个DAG-SVM与多级支持向量机变压器故障诊断模型。DAG-SVM模型具体按照以下步骤建立：步骤a、根据标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类对应的样本分别训练SVM，得到15个决策函数。步骤b、经步骤a后，利用得到的15个决策函数构建DAG-SVM，将第一个节点作为根节点，接下来是中间节点，最后为叶节点即为所求的故障类型。多级支持向量机模型，具体按照以下步骤建立：步骤1)将某一类别样本表示为正类与其他样本表示为负类，训练得出一个决策函数；步骤2)经步骤1)后，先从负类样本中选取一类表示为正类，其余的依然表示为负类，然后训练得出另一个决策函数，以此类推，将得到6个决策函数，同时也得到多级支持向量机模型。步骤3具体按照以下步骤实施：步骤3.1、对经步骤2得到的所有DAG-SVM与多级支持向量机变压器故障诊断模型进行初始化，即进行二进制编码；其中，1代表选择该模型，0则代表没有选择该模型；则得到一个诊断模型集合，其余的为另一个模型集合；同时设置初始种群数量为120，精度为p＝0.05；步骤3.1、对经步骤2得到的所有DAG-SVM与多级支持向量机变压器故障诊断模型进行初始化，即进行二进制编码；其中，1代表选择该模型，0则代表没有选择该模型；则得到一个诊断模型集合，其余的为另一个模型集合；同时设置初始种群数量为120，精度为p＝0.05；步骤3.2、经步骤3.1后，使用测试样本对所选中的诊断模型集合进行测试，最终利用多数投票法取得结果，获取并记录模型信息与准确率信息；步骤3.3、经步骤3.2后，采用改进二进制布谷鸟算法更新诊断模型集合；步骤3.4、将误差＝1-适应度与精度0.05进行比较：若误差大于0.05，则再次执行步骤3.3；否则结束迭代，并得到最终的模型集合。步骤3.3具体按照以下步骤实施：步骤3.3.1、判断种群中每个模型的贡献率，即检验模型是否对适应度有影响，若其存在，能使适应度降低或者保持不变则将其丢弃，负责保留；步骤3.3.2、经步骤3.3.1后，为了使种群规模保持不变，若丢弃了一部分模型后，就要从剩下的模型集合里随机抽取同样数量的模型作为补充得到新的种群；步骤3.3.3、经步骤3.3.2后，利用新的种群对测试样本进行检测，利用多数投票法取得结果，获取并记录模型信息与准确率信息；步骤3.3.4、经步骤3.3.3后，保留适应度较强的种群，并记录适应度信息。本专利技术的有益效果是：(1)本专利技术基于多分类支持向量机变压器故障诊断提升方法，将多分类支持向量机DAG-SVM与多级支持向量机结合，能对变压器和进行较为精确的故障诊断，且这两种多分类支持向量机都有着简单易行，无误分及拒分的突出性优点。(2)本专利技术基于多分类支持向量机变压器故障诊断提升方法，其中DAG-SVM与多级支持向量机都有各自的优缺点，将它们进行综合并利用Bagging算法进行效集成，能互相补充，有效提高了故障诊断效率及精度。(3)本专利技术基于多分类支持向量机变压器故障诊断提升方法，利用改进二进制布谷鸟算法对弱分类器进行选择，有助于去除无用的弱分类器，能提高算法效率。附图说明图1是本专利技术基于多分类支持向量机变压器故障诊断提升方法中涉及的Bagging提升DAG-SVM与多级支持向量机的结构示意图；图2是本专利技术基于多分类支持向量机变压器故障诊断提升方法中涉及的DAG-SVM的结构示意图；图3是本专利技术基于多分类支持向量机变压器故障诊断提升方法中涉及的多级支持向量机的结构示意图；图4是本专利技术基于多分类支持向量机变压器故障诊断提升方法中涉及的改进二进制布谷鸟算法对所有模型进行选择流程图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术基于多分类支持向量机变压器故障诊断提升方法，具体按照以下步骤实施：步骤1、对所采集的油浸式变压器带有类标签的样本集S＝{(x1,y1),(x2,y2),...,(xn,yn)}每一类按3：1比例分为：训练样本和测试样本；其中，xi代表样本属性(包括有：氢气、甲烷、乙烷、乙烯、乙炔五种属性)，yi代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电。步骤2、对经步骤1得到的训练样本与测试样本分别进行归一化处理，然后建立基于Bagging集成DAG-SVM与多级支持向量机变压器故障诊断模型，如图1所示，具体按照以下步骤实施：步骤2.1、设置迭代次数为T；本文档来自技高网...

【技术保护点】
基于多分类支持向量机变压器故障诊断提升方法，其特征在于，具体按照以下步骤实施：步骤1、对所采集的油浸式变压器带有类标签的样本集S＝{(x

【技术特征摘要】
1.基于多分类支持向量机变压器故障诊断提升方法，其特征在于，具体按照以下步骤实施：步骤1、对所采集的油浸式变压器带有类标签的样本集S＝{(x1,y1),(x2,y2),...,(xn,yn)}每一类按3：1比例分为：训练样本和测试样本；其中：xi代表样本属性，包括有：氢气、甲烷、乙烷、乙烯、乙炔五种属性；yi代表类别标签1、2、3、4、5、6，分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电；步骤2、对经步骤1得到的训练样本与测试样本分别进行归一化处理，然后建立基于Bagging集成DAG-SVM与多级支持向量机变压器故障诊断模型；步骤3、经步骤2后，利用改进二进制布谷鸟算法对得到的所有DAG-SVM与多级支持向量机模型进行选择；步骤4、利用步骤3获得的模型集合对待测样本同时检测，最后应用多数投票法得到最终结果。2.根据权利要求1所述的基于多分类支持向量机变压器故障诊断提升方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、设置迭代次数为T；步骤2.2、经步骤2.1后，先利用随机抽样法从样本集中抽取样本数量为n(要少于样本集)的新的样本集；然后将新的样本集作为新的DAG-SVM与多级支持向量机模型的训练样本，再经学习之后得到新的变压器故障诊断模型；步骤2.2重复T次，分别得到T个DAG-SVM与多级支持向量机变压器故障诊断模型。3.根据权利要求2所述的基于多分类支持向量机变压器故障诊断提升方法，其特征在于，所述DAG-SVM模型按照以下步骤建立：步骤a、根据标签1类和2类、1类和3类、1类和4类、1类和5类、1类和6类、2类和3类、2类和4类、2类和5类、2类和6类、3类和4类、3类和5类、3类和6类、4类和5类、4类和6类、5类和6类对应的样本分别训练SVM，得到15个决策函数。步骤b、经步骤a后，利用得到的15个决策函数构建DAG-SVM，将第一个节点作为根节点，接下来是中间节点，最后为叶节点即为所求的故障类型。4.根据权利要求2所述的基于多分类支持向量机变压器故障诊断提升方法，其特征在于，所述多级支持向量机模型，具体按照以下步骤建立...

【专利技术属性】
技术研发人员：黄新波，魏雪倩，张烨，朱永灿，李弘博，胡潇文，王海东，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61