基于磷虾群优化支持向量机的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磷虾群优化支持向量机的变压器故障诊断方法，与电力变压器故障诊断技术领域有关。该发明专利技术通过对采集到的变压器油中溶解气体(DGA)全数据以及典型气体的比值进行归一化，并通过BPSO对DGA特征量进行优选，得到新的DGA特征量组合；然后采用KH优化算法优化SVM的惩罚因子C及核函数参数σ，构建能够稳定使用的支持向量机诊断模型，并采用该模型对电力变压器的油中溶解气体进行诊断，从而与专家经验得到的故障结果进行比较，进而得出最终的故障类型，实现了对变压器的运行状态的初步判断。

【技术实现步骤摘要】
基于磷虾群优化支持向量机的变压器故障诊断方法
本专利技术属于电气设备故障诊断方法
，具体涉及一种基于磷虾群优化支持向量机的变压器故障诊断方法。
技术介绍
变压器特别是油浸式变压器，是电网的核心设备，承担着电力行业中电能变换和电力输送等重要使命。变压器部分一旦发生故障可能导致电网严重故障，进而造成大停电等巨大损失。因此，如何准确判断变压器的运行状态，评估变压器的故障情况，降低变压器的故障风险，是电力企业急需解决的关键问题，也是保障电力系统稳定运行的重中之重。溶解气体分析法作为电力行业中应用最广泛的故障诊断方法之一，可对变压器内部存在的潜在故障进行有效诊断甚至区分。其原理主要是：变压器在运行时，由于受到电、热、化学三重作用而导致的机械应力和电动力的影响，其油纸绝缘能力逐渐下降甚至丧失，进而分解产生H2、C2H4等低分子烃类及其相关产物。根据产生的不同气体含量和种类造成不同类型故障的原理，我们能够根据变压器油中溶解气体的特征来判断故障类型。常用的故障表征气体包括：H2、CH4、C2H2、C2H4、C2H6、CO和CO2。油中溶解气体分析法不仅能够有效诊断变压器内部的电力癌细胞，而且具有无损检测、在线检测等诸多优点。但是原始的油中溶解气体诊断方法涉及特征量较多，且一些化学特征量如油中溶解CO、CO2和糠醛含量等作为评估变压器故障诊断的参考依据时容易受到现场换滤油过程、温度、湿度等因素影响，很难保证这些特征量的有效性。在实际工程应用中多采用气体体积分数相对比值的方法进行诊断，即所谓的比值法。比值法计算简单，能够直观判断,非常适合工程应用。它不需要太高的操作水平，现场工作人员非常容易上手，且使用起来很方便。基于此，我们引入三比值法对采集到的DGA特征量进行处理和归一变换，以保证其有效性。但我们需要知道，比值法存在编码边界过于绝对，编码不全等问题。目前变压器故障诊断的研究主要集中在基于已有的油中溶解气体特征量(即DGA比值，如Roger比值、IEC比值等)。随着信息技术的飞速发展，计算机运算速度的飞速提高，本世纪关于故障诊断如变压器故障研究中越来越多人通过人工智能中的机器学习方法，比如采用支持向量机(SVM)等数学手段建立变压器故障诊断模型。然而，不同文献中SVM诊断模型采用的特征量有明显的区别，且部分油中溶解气体特征量并不能反映甚至与故障诊断的能力无关，因此单纯的采用这些原始特征量反而会影响故障诊断的效果。由此看来，亟需综合应用三比值法和SVM模型的优点，通过算法进行特征量优选，并且通过改进后的支持向量机进行变压器的故障诊断，提高变压器故障诊断的准确率和泛化能力。
技术实现思路
本专利技术针对上述技术和手段中的问题，提供一种基于磷虾群优化支持向量机的变压器故障诊断方法。为实现上述专利技术，本专利技术提供了一种基于磷虾群优化支持向量机的变压器故障诊断方法，包括如下步骤：1)采集变压器故障样本数据中变压器的油中的DGA特征量，获取DGA特征量以及典型气体的三比值；2)对所述DGA特征量以及典型气体的三比值归一化预处理，得到归一化后的DGA特征量数据，利用二进制粒子群优化算法对所述DGA特征量数据进行优选得到优选DGA特征量数据；3)构建非线性多分类的支持向量机模型，在满足相应不等式约束下形成目标函数；4)采用径向基核函数作为所述支持向量机模型的核函数，通过所述目标函数和径向基核函数建立所述支持向量机模型的决策函数；5)采用磷虾群优化算法优化所述支持向量机模型的核函数的核参数和惩罚因子以得到最优核参数和最优惩罚因子；6)将所述优选DGA特征量数据作为支持向量机模型的输入，将最优惩罚因子和最优核参数代入所述支持向量机模型的目标函数以构建诊断模型，获取所述诊断模型的最优适应度；7)采用所述诊断模型对变压器的油中溶解气体进行故障诊断，判断所述变压器的运行状态。优选的，上述技术方案中，步骤1)中DGA特征量以及典型气体的三比值为CH4、C2H6、C2H4、C2H2、CO、CO2、H2、总烃以及CH4/H2、C2H4/C2H6、C2H2/C2H4的含量比值。优选的，上述技术方案中，步骤2)中归一化预处理表达式为：式中，xsn为DGA特征量的归一后计算量，xn为DGA特征量的归一前计算量，xnmax为DGA特征量的归一前计算的最大值，xnmin为DGA特征量的归一前计算的最小值。优选的，上述技术方案中，步骤3)中的目标函数为：其中，ω为分类平面的法向量，C为罚函数因子，ξi为缓和变量，l为缓和变量个数；同时满足以下约束条件：其中，设{(x1,y1),(x2,y2),...,(xn,yn)}是样本，个数为n，样本xi(1,2,...,n)对应的类别yi∈{-1,1}，为非线性映射，b为偏差量。优选的，上述技术方案中，步骤4)中径向基核函数的数学式子为：式中，σ为核函数的宽度参数。优选的，上述技术方案中，步骤4)中的分类决策函数为：其中，αi为拉格朗日乘子，b为偏差量。优选的，上述技术方案中，步骤1)中二进制粒子群优化算法的数学表达式为：vij(t+1)＝λvij(t)+c1r1(bij(t)-pij(t))+c1r1(gij(t)-pij(t))pij(t+1)＝pij(t)+βvij(t+1)(6)式中，t为粒子群的迭代次数；vij为粒子i在j维上的速度；pij为粒子i在j维上的位置；λ为惯性权重量；bij为粒子i在j维上的局部化极值；gij为粒子i在j维上的全局化极值；r1和r2是随机数，范围是0到1；β为约束因子；c1、c2为学习因子。优选的，上述技术方案中，步骤5)中采用磷虾群优化算法优化所述支持向量机的核函数的核参数和惩罚因子的步骤为：步骤81，建立磷虾群优化算法，采用下列数学式子表达：Zk＝Rk+Sk+TkTK＝Tmax(1-t/tmax)δ(7)式中，Zk表示磷虾总的移动，Rk表示诱导运动，Sk表示觅食运动，即每个个体受到食物引导而作出的运动，Tk表示每个个体的物理随机扩散速度，Vs为个体的最大觅食速度，ωs为个体觅食权重系数，βk为个体的觅食方向，Tmax表示个体的最大随机扩散速度，δ表示个体的随机扩散方向；步骤82，每个磷虾个体代表着一个包含着支持向量机模型中的惩罚因子和核参数的二维向量，以增加磷虾群密度和寻找到食物为目标，不断更新每一个磷虾个体的位置，根据终止条件挑选个体适应度最大的磷虾个体，即最优惩罚因子和最优核参数。与现有技术对比，本专利技术中的基于磷虾群优化支持向量机的变压器故障诊断方法，采用基于二进制粒子群优化算法对油中溶解气体特征量进行优选，采用磷虾群优化支持向量机，采用优化后的支持向量机对变压器故障的进行诊断，综合应用三比值法和SVM模型的优点，提高变压器故障诊断的准确率和泛化能力。附图说明图1为基于磷虾群优化支持向量机的变压器故障诊断方法图2为本专利技术最优函数的适应度迭代图。图3为本专利技术支持向量机诊断模型的训练准确率。图4为本专利技术支持向量机诊断模型的测试准确率。图5为本专利技术支持向量机诊断模型的测试准确率。具体实施方式下面结合附图，对本专利技术的具体实施方式进行详细描述，但应当理解本专利技术的保护范围并不受具体实施方式的限制。如图1所示，该实施例中基于磷虾群优化支持向量机的变压器故障诊断方法包括如下步骤：步骤S1，本文档来自技高网...

【技术保护点】
1.一种基于磷虾群优化支持向量机的变压器故障诊断方法，其特征在于，包括如下步骤：1)采集变压器故障样本数据中变压器的油中的DGA特征量，获取DGA特征量以及典型气体的三比值；2)对所述DGA特征量以及典型气体的三比值归一化预处理，得到归一化后的DGA特征量数据，利用二进制粒子群优化算法对所述DGA特征量数据进行优选得到优选DGA特征量数据；3)构建非线性多分类的支持向量机模型，在满足相应不等式约束下形成目标函数；4)采用径向基核函数作为所述支持向量机模型的核函数，通过所述目标函数和径向基核函数建立所述支持向量机模型的决策函数；5)采用磷虾群优化算法优化所述支持向量机模型的核函数的核参数和惩罚因子以得到最优核参数和最优惩罚因子；6)将所述优选DGA特征量数据作为支持向量机模型的输入，将最优惩罚因子和最优核参数代入所述支持向量机模型的目标函数以构建诊断模型，获取所述诊断模型的最优适应度；7)采用所述诊断模型对变压器的油中溶解气体进行故障诊断，判断所述变压器的运行状态。

【技术特征摘要】
1.一种基于磷虾群优化支持向量机的变压器故障诊断方法，其特征在于，包括如下步骤：1)采集变压器故障样本数据中变压器的油中的DGA特征量，获取DGA特征量以及典型气体的三比值；2)对所述DGA特征量以及典型气体的三比值归一化预处理，得到归一化后的DGA特征量数据，利用二进制粒子群优化算法对所述DGA特征量数据进行优选得到优选DGA特征量数据；3)构建非线性多分类的支持向量机模型，在满足相应不等式约束下形成目标函数；4)采用径向基核函数作为所述支持向量机模型的核函数，通过所述目标函数和径向基核函数建立所述支持向量机模型的决策函数；5)采用磷虾群优化算法优化所述支持向量机模型的核函数的核参数和惩罚因子以得到最优核参数和最优惩罚因子；6)将所述优选DGA特征量数据作为支持向量机模型的输入，将最优惩罚因子和最优核参数代入所述支持向量机模型的目标函数以构建诊断模型，获取所述诊断模型的最优适应度；7)采用所述诊断模型对变压器的油中溶解气体进行故障诊断，判断所述变压器的运行状态。2.根据要求1所述基于磷虾群优化支持向量机的变压器故障诊断方法，其特征在于，步骤1)中DGA特征量以及典型气体的三比值为CH4、C2H6、C2H4、C2H2、CO、CO2、H2、总烃以及CH4/H2、C2H4/C2H6、C2H2/C2H4的含量比值。3.根据要求1所述基于磷虾群优化支持向量机的变压器故障诊断方法，其特征在于，步骤2)中归一化预处理表达式为：式中，xsn为DGA特征量的归一后计算量，xn为DGA特征量的归一前计算量，xnmax为DGA特征量的归一前计算的最大值，xnmin为DGA特征量的归一前计算的最小值。4.根据要求1所述基于磷虾群优化支持向量机的变压器故障诊断方法，其特征在于，步骤3)中的目标函数为：其中，ω为分类平面的法向量，C为罚函数因子，ξi为缓和变量，l为缓和变量个数；同时满足以下约束条件：其中，设{(x1,y1),(x2,y2),...,(xn,yn)}是样本，个...

【专利技术属性】
技术研发人员：张镱议，郑含博，刘捷丰，刘洋，彭鸿博，李昕，房加珂，王佳琪，黄武枫，
申请(专利权)人：广西大学，
类型：发明
国别省市：广西,45