一种基于Adaboost-SVM的变压器工况辨识方法技术

本发明专利技术公开了一种基于Adaboost

【技术实现步骤摘要】
一种基于Adaboost
‑
SVM的变压器工况辨识方法


[0001]本专利技术涉及的是变压器状态辨识
，尤其涉及的是一种基于JS
‑
Adaboost
‑
SVM的变压器工况辨识方法。

技术介绍
:
[0002]变压器是电力系统的关键设备，其运行状态影响着电网的安全可靠性，电力变压器在实际运行的过程中，会受到许多外界因素的影响。当外界因素改变时，会导致变压器内部油温、功率损耗、振动等随着变压器运行电气参数改变呈现不同的变化趋势和相关关系。
[0003]由此可见，变压器在实际运行中所处的工况条件并不是单一的，而是随着不同因素的作用时刻发生变化。提前确定变压器所处的工况类型有利于降低变压器正常的工况变动对其健康状态评估结果的影响，提高变压器的性能评估的准确性，为现场检修部门提供参考。因此，针对电网运行中变压器开展状态辨识方法研究是十分必要的。

技术实现思路
:
[0004]本专利技术提供了一种基于Adaboost
‑
SVM的变压器工况辨识方法，是一种基于人工水母搜索(JS)
‑
集成学习(Adaboost)
‑
支持向量机(SVM)方法的变压器工况辨识方法，其目的在于解决现场对于变压器状态辨识评估标准单一，效率低下及准确性不足的问题。
[0005]本专利技术是通过如下技术方案实现的：
[0006]一种基于Adaboost
‑
SVM的变压器工况辨识方法，包括以下步骤：
[0007]步骤一、获取变压器工况原始数据集，选取用于工况划分的特征参数，并进行归一化处理；
[0008]步骤二、通过k
‑
means聚类算法对归一化后的工况样本数据进行分类，得出各个工况类型的样本类簇以及样本中心，为每个样本添加工况标签，得到变压器工况辨识样本集；
[0009]步骤三、构建Adaboost
‑
SVM模型，利用JS优化算法寻取SVM模型最优参数，得到最优JS
‑
Adaboost
‑
SVM变压器工况辨识模型。
[0010]进一步的具体方法为：
[0011]步骤一：从变电站现场获取变压器运行数据包括负载电流、运行电压以及变压器所处环境数据，进行归一化处理，划分运行工况。
[0012]负载电流与运行电压的归一化方法为：
[0013][0014]其中，x为样本点的负载电流或运行电压值，x
max
、x
min
分别为样本中负载电流或运行电压的最大值和最小值；为该样本点负载电流或运行电压的归一化值，
[0015]定义环境温差率计算公式为：
[0016][0017]式中，θ表示实时运行状态下的变压器环境温度值，表示正常运行下变压器的基准环境温度值。
[0018]划分变压器运行工况包括：根据负载电流归一化后的数值将0～0.5范围内的样本点定义为低负载状态，将0.5～1范围内的样本点定义为高负载状态；根据运行电压归一化后的数值将0～0.5范围内的样本点定义为低电压状态，将0.5～1范围内的样本点定义为高电压状态。当Δθ0小于1时，定义该状态为温升稳定状态；当Δθ0大于1时，定义该状态为温升偏移状态。
[0019]根据环境温度偏差率、变压器负载电流和运行电压三个参数，构建变压器工况样本数据集u，u
i
＝(U
i
,I
i
,Δθ
i
)
T
。
[0020]步骤二：通过k
‑
means聚类算法对步骤一中归一化后的工况样本数据进行分类，得出各个工况类型的样本类簇以及样本中心，得到变压器工况辨识样本集。
[0021]具体方法为：
[0022]输入参与聚类的变压器工况参数样本数据集u
i
＝(U
i
,I
i
,Δθ
i
)
T
[0023]选取工况样本集中k个样本作为质心向量μ＝(μ1,μ2,...,μ
k
)，形成k个聚类簇C＝(C1,C2,...,C
k
)；
[0024]计算剩余工况样本u
i
(i＝1,2,
…
,n)与各个质心向量μ
j
(j＝1,2,
…
,k)的距离，将u
i
划分到与μ
j
之间距离最小的点所在的簇类：
[0025][0026]更新各个簇类的样本数量：
[0027]C
′
j
＝C
j
∪{u
ij
}
[0028]其中C
i
为第j类簇，C'
j
为更新簇类工况样本数量后的新簇；x
ij
为划分到第j类簇中的工况样本点。更新簇类后，重新计算各簇新的簇类点。
[0029]重复上述步骤，直到各个簇类的簇类中心不再发生变化，从而迭代完毕，输出此时的变压器工况划分结果C＝(C1,C2,...,C
k
)
[0030]采用评估聚类结果区分度的D
BI
来对不同k值下的聚类结果进行评估，确定初始选取的簇类中心k的个数，I
DB
定义如下：
[0031][0032]其中k为聚类中心数量；S(U
c
)、S(U
r
)分别为第c、r个簇类的簇内距离；D(U
c
,U
r
)为第c、r两个簇类的簇间距离，1≤c≤k,1≤r≤k。S与D的计算公式如下：
[0033][0034]D(U
c
、U
r
)＝||μ
c
‑
μ
r
||
[0035]其中x簇类U
c
中的元素；μ
c
、μ
c
分别为U
c
、U
r
的簇类中心。
[0036]D
BI
的最小值对应的k值为聚类效果最佳值：
[0037][0038]步骤三：通过步骤二中聚类得到的工况辨识样本集训练Adaboost
‑
SVM工况辨识模型，利用JS算法更新模型参数，提高工况辨识的准确度。
[0039]设置最大迭代次数为M，随机初始化工况辨识模型Adaboost
‑
SVM参数
[0040][0041]s.t.(wx
i
)＞b
‑
ξ
i
,ξ
i
≥0,i＝1,2,...,n
[0042]其中w为超平面法向量；b为超平面截距，ξ为松弛变量，c为惩罚函数，n为进行分类的样本数量。...

【技术保护点】

【技术特征摘要】
1.一种基于Adaboost
‑
SVM的变压器工况辨识方法，其特征在于：包括以下步骤：步骤一、获取变压器工况原始数据集，选取用于工况划分的特征参数，并进行归一化处理；步骤二、通过k
‑
means聚类算法对归一化后的工况样本数据进行分类，得出各个工况类型的样本类簇以及样本中心，为每个样本添加工况标签，得到变压器工况辨识样本集；步骤三、构建Adaboost
‑
SVM模型，利用JS优化算法寻取SVM模型最优参数，得到最优JS
‑
Adaboost
‑
SVM变压器工况辨识模型。2.根据权利要求1所述的基于Adaboost
‑
SVM的变压器工况辨识方法，其特征在于：所述步骤一中，获取的原始数据为：从变电站现场获得变压器负载电流、运行电压数据以及环境温度数据；所述用于工况划分的特征参数为：运行电流I、负载电压U以及温度偏差率Δθ；所述归一化方法为min
‑
max标准化法。3.根据权利要求1或2所述的基于Adaboost
‑
SVM的变压器工况辨识方法，其特征在于：所述步骤二中，通过k
‑
means聚类算法对归一化后的工况样本数据进行分类，得出各个工况类型的样本类簇以及样本中心；为每个样本添加工况标签，得到变压器工况辨识样本集，方法如下：输入参与聚类的变压器工况参数样本数据集u＝(u1,u2,...,u
n
)，其中，n为样本个数，其中u
i
＝(U
i
,I
i
,Δθ
i
)
T
，i＝1,2,
…
,n；U为负载电压；I为运行电流；Δθ为温度偏差率；选取工况样本集中k个样本作为质心向量μ＝(μ1,μ2,...,μ
k
)，形成k个聚类簇C＝(C1,C2,...,C
k
)；计算剩余工况样本u
i
(i＝1,2,
…
,n)与各个质心向量μ
j
(j＝1,2,
…
,k)的距离，将u
i
划分到与μ
j
之间距离最小的点所在的簇类，更新各个簇类的样本数量,更新簇类后，重新计算各簇新的簇类点；重复上述步骤，直到各个簇类的簇类中心不再发生变化，从而迭代完毕，输出此时的变压器工况划分结果C＝(C1,C2,...,C
k
)，并根据聚类好的每一类簇样本参数所在区间添加工况标签。4.根据权利要求1或2所述的基于Adaboost
‑
SVM的变压器...

【专利技术属性】
技术研发人员：冯俊杰，段星辉，高磊，姜凌霄，张广勇，陈国阳，薛雪，王业宁，张禹，刘舒，蒋昊，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：