一种用于变压器故障诊断的支持向量机的多分类策略制造技术

本发明专利技术公开了一种用于变压器故障诊断的支持向量机的多分类策略，属于人工智能技术领域。一种用于变压器故障诊断的支持向量机的多分类策略，获得所述多分类策略的步骤包括：对训练集中任意每两类样本计算类间散布矩阵以及将两类合并后的类内散布矩阵，将类间散布矩阵和类内散布矩阵的迹之和相加作为可分性指标；找到可分性指标最小的一对组合，将所述一对组合合并为一类，并记录类的合成顺序；根据之前所记录类的合并顺序，逆向生成分类决策树，将其作为支持向量机的多分类策略。本发明专利技术有益效果：能够提升基于支持向量机的变压器故障诊断模型的训练效率和分类准确率，使其能够实际应用于电力系统诊断现场。实际应用于电力系统诊断现场。实际应用于电力系统诊断现场。

【技术实现步骤摘要】
一种用于变压器故障诊断的支持向量机的多分类策略


[0001]本专利技术属于人工智能
，具体涉及一种用于变压器故障诊断的支持向量机的多分类策略。

技术介绍

[0002]电力变压器是输配电过程中的关键大型设备，直接影响到电力系统的安全性和稳定性，因此对变压器进行运行状态监测和故障诊断策略是十分有必要的，从而及时发现潜在的绝缘问题并及时修缮，以免造成严重事故。目前应用最广泛的电力变压器故障诊断工具是国际电工委员会提出的基于油中溶解气体分析的三比值法，但是由于该方法的诊断判据较为僵硬，在对位于分类阈值附近的故障样本进行诊断时容易出现误诊，导致给电力系统带来严重的后果。
[0003]随着近年来人工智能技术发展的愈发成熟，学者们尝试将这些新技术应用于建立油中溶解气体数据与变压器故障之间的复杂非线性映射关系。在这些新技术中支持向量机以其优秀的学习能力和完善的理论基础而受到学者们的重视，现已有许多案例证明采用基于支持向量机的变压器故障诊断能够在一定程度上提升诊断正确率。
[0004]然而，现阶段并没有对支持向量机的多分类策略进行有针对性的设计，传统的多分类方法并不能适用于变压器故障诊断问题。

技术实现思路

[0005]本专利技术的目的在于提供一种用于变压器故障诊断的支持向量机的多分类策略。
[0006]本专利技术的目的可以通过以下技术方案实现：
[0007]一种用于变压器故障诊断的支持向量机的多分类策略，获得所述多分类策略的步骤包括：
[0008]步骤一：对训练集中任意每两个类样本计算类间散布矩阵以及将两类合并后的类内散布矩阵，将类间散布矩阵和类内散布矩阵的迹之和相加作为可分性指标；
[0009]步骤二：规定所述任意每两个类为一对组合，通过所述步骤一的计算后，找到所述可分性指标最小的一对组合，将所述一对组合合并为一个类，并记录所述类的合成顺序；重复步骤一的操作，直到全部的类被合并为一类，终止合并操作。
[0010]步骤三：根据之前所记录所述类的合并顺序，逆向生成分类决策树，将其作为支持向量机的多分类策略。
[0011]进一步地，所述步骤一中，对训练集中任意每两类样本计算类间散布矩阵以及将两类合并后的类内散布矩阵时，设训练集中总共有C个类样本，各类所包含的样本数为N
i
。设x
ik
是ω
i
类的第k个维样本向量，共有个训练样本，则类内散布矩阵S
W
，类间散布矩阵S
B
分别定义为：
[0012][0013][0014]其中μ
i
和μ0分别是ω
i
类和全体数据的均值向量。
[0015][0016][0017]进一步地，步骤三中的所述分类决策树的树形结构为二叉树类型。
[0018]本专利技术的有益效果：
[0019]本专利技术能够提升基于支持向量机的变压器故障诊断模型的训练效率和分类准确率，使其能够实际应用于电力系统诊断现场。
附图说明
[0020]下面结合附图对本专利技术作进一步的说明。
[0021]图1是用于变压器故障诊断的支持向量机多分类策略实现流程图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0023]如图1所示，一种用于变压器故障诊断的支持向量机的多分类策略，其特征在于，获得所述多分类策略的步骤包括：
[0024]步骤一：对训练集中任意每两类样本计算类间散布矩阵以及将两类合并后的类内散布矩阵。将类间散布矩阵和类内散布矩阵的迹之和相加作为可分性指标，类间散布矩阵的迹越大越有利于对两类进行分类，而类内散布矩阵的迹越小则说明将两类合并后的一体性越好，因此得到可分性指标越小则说明这两类样本的特征相似度越高，也越难以分离。
[0025]步骤二：规定所述任意每两个类为一对组合，通过所述步骤一的计算后，找到所述可分性指标最小的一对组合，将所述一对组合合并为一个类，并记录所述类的合成顺序；重复步骤一的操作，直到全部的类被合并为一类，终止合并操作，其中，越早被合并的两类在分类决策树中将位于越下层。
[0026]步骤三：根据之前所记录类的合并顺序，逆向生成分类决策树，将其作为支持向量机的多分类策略。由于需要训练的支持向量机最少,并且除了顶层的支持向量机训练时需要用到全部的样本以外，下层的支持向量机训练时只需要用到总样本的子集，因此训练效率高于传统的多分类策略，而基于样本分布情况所设计决策树结构又能够保证分类准确率较高。
[0027]进一步地，所述步骤一中，对训练集中任意每两类样本计算类间散布矩阵以及将两类合并后的类内散布矩阵时，设训练集中总共有C个类样本，各类所包含的样本数为N
i
。设x
ik
是ω
i
类的第k个维样本向量，共有个训练样本，则类内散布矩阵S
W
，类间散布矩阵S
B
分别定义为：
[0028][0029][0030]其中μ
i
和μ0分别是ω
i
类和全体数据的均值向量。
[0031][0032][0033]进一步地，步骤三中的所述分类决策树的树形结构为二叉树类型，二叉树有可以利用链表和有序数组的优势,同时有着可以合并有序数组和链表的优势。
[0034]在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0035]以上显示和描述了本专利技术的基本原理、主要特征和本专利技术的优点。本行业的技术人员应该了解，本专利技术不受上述实施例的限制，上述实施例和说明书中描述的只是说明本专利技术的原理，在不脱离本专利技术精神和范围的前提下，本专利技术还会有各种变化和改进，这些变化和改进都落入要求保护的本专利技术范围内。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于变压器故障诊断的支持向量机的多分类策略，其特征在于，获得所述多分类策略的步骤包括：步骤一：对训练集中任意每两个类样本计算类间散布矩阵以及将两类合并后的类内散布矩阵，将类间散布矩阵和类内散布矩阵的迹之和相加作为可分性指标；步骤二：规定所述任意每两个类为一对组合，通过所述步骤一的计算后，找到所述可分性指标最小的一对组合，将所述一对组合合并为一个类，并记录所述类的合成顺序；重复步骤一的操作，直到全部的类被合并为一类，终止合并操作。步骤三：根据之前所记录所述类的合并顺序，逆向生成分类决策树，将其作为支持向量机的多分类策略。2.根据权利要求1所述的一种用于变压器故障诊断的支持向量机的多分类策略，其特征在于，所述步骤一中，对训练集中...

【专利技术属性】
技术研发人员：洪芦诚，陈泽华，
申请(专利权)人：东南大学，
类型：发明
国别省市：