【技术实现步骤摘要】
一种识别变压器各类故障及多重故障的诊断方法
[0001]本专利技术涉及电力变压器
，具体涉及一种识别变压器各类故障及多重故障的诊断方法。
技术介绍
[0002]电力变压器是电力系统的关键设备之一，其运行状态关乎电网能否可靠供电。变压器在运行使用过程中，由于老化、电、热故障等原因会产生少量气体溶解于绝缘油中，油中气体的各种成分含量及不同组分间的比例关系与变压器运行状况密切相关。
[0003]在实际工程中，当变压器发生不同类型故障时，产生的油中溶解气体含量具有一定的重叠度，会出现多类样本共享数据空间中一个公共区域的情况，即出现类重叠现象，处于类重叠区域的样本虽然属于不同的类别，但由于它们的特征值相似，会严重影响分类精度。类重叠是导致变压器故障分类边界模糊的重要影响因素，而这种影响在多重故障诊断中要更加明显。然而现阶段，传统三比值法因分类边界不清导致诊断精度不足，基于机器学习的黑盒模型难以诊断多重故障。目前现有技术中缺乏有效的技术手段，能准确识别各类故障及多重故障。
技术实现思路
[0004]本专利技...
【技术保护点】
【技术特征摘要】
1.一种识别变压器各类故障及多重故障的诊断方法，其特征在于，它包括以下步骤：步骤1：将变压器历史故障油气数据进行预处理；步骤2：将预处理过后的油气数据全部输入至支持向量数据描述算法中刻画各类故障样本点的分布区域以及类重叠区域；步骤3：在刻画好的故障分布中选择一类故障单独诊断，将其他所有非该类故障作为整体与该类故障进行比较，识别出两者的重叠区域与非重叠区域；步骤4：将该类故障与非该类故障的非重叠区域样本点输入至支持向量机中，训练该类故障的单独诊断模型，再将两者重叠区域样本点输入至训练好的诊断模型中，对重叠区域样本点进行再分类；步骤5：根据分类结果将类重叠区域样本点归类，重新划分该类故障的决策边界，并计算该类故障与非该类故障在其样本点分布的类重叠度μ
A
‑
BCDE
；步骤6：重复步骤3至步骤5直至所有故障类别均重新划分故障范围且类重叠度计算完毕；步骤7：将重新划分的各类故障样本点与类重叠度输入至模糊支持向量机中进行训练，得到基于各类故障类重叠度的模糊支持向量机故障诊断模型；步骤8：将测试样本点依次输入至各类故障的模糊支持向量机FSVM中进行诊断，判断该样本点是否属于该类故障，直至所有类别故障诊断完毕，记录该测试样本点的所有故障诊断结果，完成其故障诊断，输出该样本点的诊断结果。2.根据权利要求1所述的方法，其特征在于，在步骤1中，预处理包括标准化处理，具体的，变压器的历史故障油中溶解气体包括：H2、C2H4、CH4、C2H6、C2H2，为避免特征气体之间数据差距过大造成诊断误差，对其进行标准化处理：其中x
′
i
为标准化处理后的值，x
i
为原始值，x
mean
为该类气体的均值，x
max
为该类气体的最大值，x
min
为该类气体的最小值。3.根据权利要求1所述的方法，其特征在于，在步骤2中，在利用支持向量数据描述算法刻画各类故障样本点的分布区域以及类重叠区域，根据决策函数值来判断样本点所处位置；当决策函数值为0时，该样本为支持向量；决策函数值小于0时为球外点，大于0时为球内点；利用支持向量数据描述算法对每个故障类别进行单类学习，当样本点仅在一个单类支持向量数据描述模型中的决策函数值大于或等于0时，则其位于样本空间的非重叠区域；当样本点在至少两个单类支持向量数据描述模型中的决策函数值大于或等于0，则其位于重叠区域；通过支持向量数据描述算法，刻画所有故障类别样本点在样本空间的分布情况。4.根据权利要求1至3其中之一所述的方法，其特征在于，在步骤5中，在计算该类故障与非该类故障在其样本点分布的类重叠度时，具体如下：在类重叠区域中，越靠近重叠区中心的样本点，对分类边界的影响就越大，这些样本点对分类决策面的确定具有更大的贡献，其重要程度也相对越高；数据点X
i
在二类集合中的重叠度为：
其中a
p
和a
q
为类C
p
和类C
q
的类中心点，R
p
和R
q
为类C
p
和类C
q
的平均类中心距，N
p
和N
q
为样本数量，||X
i
‑
a
p
||和||X
i
‑
a
q
||为X
i
到类中心点的距离，μ
i
为样本点X
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。