一种基于GA-SVM-BP变压器故障诊断方法技术

本发明专利技术公开了一种基于GA‑SVM‑BP变压器故障诊断方法，对所采集的油浸式变压器带有类标签的样本集S＝{(x

A GA SVM transformer fault diagnosis method based on BP

The invention discloses a GA SVM BP transformer fault diagnosis method based on oil immersed transformer collected with label sample set S = {(x1, Y1), (X2, Y2),... (xn, yn)} of each class according to the proportion of 3:1 is divided into training sample and test sample; Xi represents the attributes of the samples, including hydrogen, methane, ethane, ethylene, acetylene five attributes, Yi represents 1, 2, 3 categories, 4, 5, 6, respectively, in normal temperature, high temperature overheating, partial discharge, spark discharge and arc discharge; to set up DAG SVM transformer fault diagnosis model, BP neural network, and then set up GA model and GA SVM DAG BP neural network; GA DAG SVM model and GA BP neural network combination of the fault diagnosis of transformer. The method of the invention can diagnose the fault of the transformer accurately.

【技术实现步骤摘要】
一种基于GA-SVM-BP变压器故障诊断方法
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GA-SVM-BP变压器故障诊断方法。
技术介绍
近年来，智能电网是我国电力部门与电网公司发展的目标与方向，而对变压器的运行状态进行故障诊断智能化也是必然趋势。油浸式变压器的故障诊断方法从最初的定期检修已经发展为现在的在线监测，其主要是在油中溶解气体(DGA)的基础上结合现有智能算法对变压器进行变压器故障诊断的。目前应用于此的智能化算法多之又多，比如：发展较为成熟的BP神经网络，经典的Bagging与其他算法的结合，决策树等，这些算法的应用对变压器故障诊断研究具有极大的促进作用，但是其也有自身的不足之处，比如：BP神经网络对样本质量要求较高，Bagging算法可能产生无法识别的结果，而决策树容易出现过拟合问题。支持向量机(SVM)是近年来发展较为迅速的一种以统计学为基础的二分类智能算法，将其发展成多分类算法运用于变压器故障诊断中势在必行，现有的多分类支持向量机算法主要分为一对多、一对一形式，有向无环图SVM(DAG-SVM)是特殊的一对一的形式，被证明得出其分类效果较好，而且不本文档来自技高网...

【技术保护点】
一种基于GA‑SVM‑BP变压器故障诊断方法，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，包含氢气、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、经步骤1后，先分别建立DAG‑SVM变压器故障诊断模型、BP神经网络，再建立GA‑DAG‑SVM模型与GA‑BP神经网络；步骤3将经步骤2得到的GA‑DAG‑SVM模型与GA‑BP神经网络...

【技术特征摘要】
1.一种基于GA-SVM-BP变压器故障诊断方法，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，包含氢气、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、经步骤1后，先分别建立DAG-SVM变压器故障诊断模型、BP神经网络，再建立GA-DAG-SVM模型与GA-BP神经网络；步骤3将经步骤2得到的GA-DAG-SVM模型与GA-BP神经网络进行结合，对变压器进行故障诊断。2.根据权利要求1所述的一种基于GA-SVM-BP变压器故障诊断方法，其特征在于，在所述步骤2中，建立DAG-SVM变压器故障诊断模型的具体方法如下：建立一个6层的DAG-SVM变压器故障诊断模型：第一层为故障1与故障6的决策函数；第二层为故障1与故障5、故障2与故障6的决策函数；第三层为故障1与故障4、故障2与故障5、故障3与故障6的决策函数；第四层为故障1与故障3、故障2与故障4、故障3与故障5、故障4与故障6的决策函数；第五层为故障1与故障2、故障2与故障3、故障3与故障4、故障4与故障5、故障5与故障6的决策函数；第六层则为故障1、故障2、故障3、故障4、故障5、故障6；其中每两类间的决策函数获取步骤如下：步骤a、将每两类对应的训练样本作为模型输入；以故障1与故障为例：X1＝{x11，x12，…x1n}，X2＝{x21，x22，x2n}，其中的x1n与x2n均为样本属性；步骤b、利用径向基核函数对输入样本进行非线性变换，具体按照以下算法实施：K(X1,X2)＝exp(-||X1-X2||2/2σ2)(1)；式(1)中，σ为控制和函数高宽的参数；步骤c、经步骤a和步骤b后，利用拉格朗日函数求取最优界面；首先有约束，具体条件如下：yi(wTK(X1,X2)+b)≥1-ξii＝1,2,...,N(2)；式(2)中：yi属于-1或+1，w、b为权矢量，ξi为松弛变量，其值大于等于0，N为样本个数；在约束，即式(2)的条件下最小化不可分代价引入如下目标函数：式(3)中：γ为惩罚因数，为指定的常数；然后作拉格朗日函数，具体如下：式(4)中：λi为拉格朗日乘子，而非负条件β≥0，则有0≤λi≤γ；最后求解得到w、b、λi的值，从而得到最终决策函数。3.根据权利要求1或2所述的一种基于GA-SVM-BP变压器故障诊断方法，其特征在于，在所述步骤2中，建立BP神经网络的具体步骤如下：步骤①、将训练样本P＝(x1,x2,...xN)作为网络输入，xN为样本属性N为样本个数；对应的标签T＝(1,2,...c)作为网络预期输出，c为类别标签；根据样本属性确定网络输入层神经元个数为n，输出层神经元个数为类别个数为m，隐层神经元个数为其中a∈[1,10]；输入层与隐层间的连接权值为wij，隐层与输出层间的连接权值为wjk；步骤②、经步骤①后，按照如下算法求取隐层输出：

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