一種變壓器過熱故障診斷方法
【技術領域】：
[0001] 本發明涉及變壓器過熱故障診斷方法，更具體涉及一種基于后驗概率SVM和證據 合成技術的變壓器過熱故障診斷方法。
【背景技術】：
[0002] 在電力系統中，變壓器是電力系統的重要設備，其工作狀態直接影響電網的穩定 性，因此，研究變壓器故障診斷技術，提高變壓器的運行維護水平，具有重要的現實意義。在 變壓器的過熱故障診斷中，油中溶解氣體分析DGA被公認為是一種探測變壓器初期故障的 有效手段，變壓器過熱故障是指高溫過熱故障、中溫過熱故障和低溫過熱故障，用于變壓器 故障診斷的油中溶解特征氣體主要有：氫氣H 2、甲烷CH4、乙烷C2H6、乙烯C2H 4和乙炔C2H25 種，變壓器故障與這5種氣體具有高度的關聯性。基于DGA形成了多種判斷設備故障的方 法，正確率可達80%左右，但是這種方法存在編碼不全或碼值無對應故障以及編碼不夠科 學的缺陷。
[0003] 此外，基于機器學習的變壓器故障診斷技術在業界得到了重視，并進行了大量的 研究和實踐，一方面機器學習方法有效利用了先驗知識，樣本數據越多對學習越有利，另一 方面可以通過調整機器學習算法和參數配置使得分類器的性能達到最優。此類研究更多的 關注單一算法本身的性能，決策結果依賴于被篩選后的特征信息和分類算法，在變壓器故 障診斷中，僅僅利用設備一方面的故障特征信息具有不確定性，甚至有些結果不可靠，需要 綜合利用設備多方面的故障信息，才能實現對設備全面而準確的診斷。
[0004] 針對以上問題，本發明提出一種基于后驗概率SVM和證據合成技術的變壓器過熱 故障診斷方法。傳統的支持向量機是一種基于統計學習理論的通用的機器學習方法，后驗 概率SVM在"一對一"多類SVM的基礎上引入sigmoid函數參數模型擬合后驗概率，并采用 逐對耦合法完成二分類概率向多分類概率的轉化，概率化輸出不但保留了 SVM小樣本、泛 化能力強的特點，保證在有限的故障樣本情況下也能建立推廣能力強的模型，同時克服了 SVM硬判決的缺點，提供故障類型的概率輸出。在此基礎上，基于證據理論計算不同證據體 集體作用下的融合結果，本發明采用的證據體為無編碼四比值和特征氣體，根據證據融合 函數計算最終的合成判斷結果。后驗概率SVM提供近似真實概率的輸出，滿足證據理論不 確定性信息輸入的特點，與證據理論之間形成優勢互補，預測結果更加準確并能更為全面 的反映設備狀態。
【發明內容】
：
[0005] 本發明的目的是提供一種變壓器過熱故障診斷方法，該方法基于多故障特征綜合 診斷結果的準確性和可靠性比基于單一故障特征的診斷有較大提高，有助于變壓器故障類 型的診斷，并對變壓器維修策略的制定具有現實意義。
[0006] 為實現上述目的，本發明采用以下技術方案：一種變壓器過熱故障診斷方法，所述 方法包括基本概率分配函數構造過程和證據合成過程并分別通過構造基本概率分配函數 模塊和證據合成模塊實現；
[0007] 所述基本概率分配函數構造模塊為利用后驗概率SVM計算無編碼四比值和特征 氣體兩種證據體下各類故障的基本概率分配函數；
[0008] 所述證據合成模塊為基于證據理論，將所述兩種證據體進行合成，形成最終的判 斷結果，所述結果形式為變壓器屬于各類故障的概率值。
[0009] 本發明提供的一種變壓器過熱故障診斷方法，其特征在于：所述基本概率分配函 數構造過程包括以下步驟：
[0010] (1-1)提取特征氣體的特征向量；
[0011] (1-2)確定變壓器故障的標準SVM硬判斷結果；
[0012] (1-3)確定后驗概率值；
[0013] (1-4)確定后驗概率矢量；
[0014] (1-5)構造函數。
[0015] 本發明提供的一種變壓器過熱故障診斷方法，所述步驟（1-1)中的特征向量通過 無編碼四比值法和特征氣體法進行提取，并以變壓器油中樣本數據溶解特征氣體含量為輸 入；
[0016] 所述特征氣體包含氫氣h2、甲烷ch4、乙烷c2h 6、乙烯c2h4和乙炔c2h2。
[0017] 本發明提供的另一優選的一種變壓器過熱故障診斷方法，所述無編碼四比值法的 特征矢量包括 CH4/H2、C2H2/C2H 4、C2H4/C2H6 和 C2H6/CH4 ;
[0018] 所述特征氣體法的特征矢量包括、CH4/ (Q+CJ和和總烴的相對大小，其中q+q代表甲烷ch4、乙烷c 2h6、乙烯c2h4和 乙炔C2H 2的含量總和，（；+(：2+Η2代表氫氣H2、甲烷CH 4、乙烷C2H6、乙烯C2H4和乙炔C 2H2含量 的總和。
[0019] 本發明提供的再一優選的一種變壓器過熱故障診斷方法，所述總烴相對大小通過 下式⑴確定： 12345
[0025] 其中，參數A、B根據訓練機通過下式（3)確定； , " (1) 2 其中，u。為總烴的相對大小，X為總烴的實際大小。 3 本發明提供的又一優選的一種變壓器過熱故障診斷方法，其特征在于：所訴步驟 (1-2)中的判斷結果通過支持向量機SVM分類器確定；所述分類器通過一對一多類SVM法 分別對所述無編碼四比值法、特征氣體法和樣本數據進行學習訓練得到。 4 本發明提供的又一優選的一種變壓器過熱故障診斷方法，所述步驟（1-3)中的后 驗概率值是通過概率轉換函數將標準SVM硬判斷結果擬而成；所述后驗概率通過下式（2) 確定： (2) 5
[0026]
[0027]
[0028] 其中，1為訓練集中的樣本數，t為第i個樣本的概率貢獻參數，N+為所有樣本中 屬于故障類型f的樣本個數，N為所有樣本中不屬于故障類型f的樣本個數，yi為第i個 樣本是否屬于故障類型f，屬于則值為1，否則值為-1 ;Pl = V(l+eAf+B)為樣本Xl的概率估 計值，f為故障類型。
[0029] 本發明提供的又一優選的一種變壓器過熱故障診斷方法，所述步驟（1-4)中的后 驗概率矢量是通過逐對耦合法完成二分類概率向多分類概率的轉化結果；
[0030] 所述后驗概率矢量，記為P，其目標計算函數如下式（4):
[0031]
[0032] 其中，1?是第i類和第j類訓練樣本的數目；rij為第i類和第j類訓練樣本得到 的單個SVM的后驗概率輸出。
[0033] 本發明提供的又一優選的一種變壓器過熱故障診斷方法，所述步驟（1-5)通過多 分類后的驗概率構造基本概率分配函數；所述概率分類函數的計算結果反應了當前環境對 不同證據體的支持程度；所述證據體為無編碼四比值法和特征氣體法計算得到的多分類后 驗概率分布。
[0034] 本發明提供的又一優選的一種變壓器過熱故障診斷方法，所述證據合成過程包括 以下步驟：
[0035] 所述證據合成通過融合可信度分配函數和決策規則進行證據融合得到最終的故 障診斷概率值。
[0036] 本發明提供的又一優選的一種變壓器過熱故障診斷方法，證據所述融合可信度分 配函數通過下式（5)確定：
[0037]
12 <-^Au:r'A2hrv···^, 2 其中，t為證據體個數，1?為證據體i的概率分配值，Altj代表證據體i下的不同故 障類型,1? (Altl)為證據1下故障類型為ti的概率分配值，Ct和A為故障類型，Φ為空集。
[0040] 和最接近的現有技術比，本發明提供技術方案具有以下優異效果
[0041] 1、本發明基于后驗概率SVM將硬判斷結果轉為故障類型的概率輸出；
[0042] 2、本發明在標準SVM的基礎上引入后驗概率計算函數，將標準的SVM硬判斷輸出 轉為故障類型的概述輸出，故障類型的概率輸出相對于硬判斷輸出涵蓋的判斷信息更大， 對實際故障診斷具有更高的實用化價值；
[0043] 3、本發明利用逐對耦合法將二分類概率轉為多分類概率；
[0044] 4、本發明在二分類故障概率輸出的基礎上，基于逐對耦合方法計算多分類情況下 的后驗概率值，變壓器故障類型多樣，二分類的輸出結果顯然無法滿足故障診斷需求，多分 類概率輸出的結果是故障矢量，代表診斷變壓器屬于不同故障的概率值，對故障類型數據 不做限定，可細化故障大類后調整SVM分類器得到更對精準的故障診斷器；
[0045] 5、本發明基于信息互補采用證據合成技術融合多種證據下的診斷結果；
[0046] 6、本發明使基于多故障特征綜合診斷結果的準確性和可靠性比基于單一故障特 征的診斷有較大提高，有助于變壓器故障類型的診斷，并對變壓器維修策略的制定具有現 實意義。
【附圖說明】
[0047] 圖1為本發明的方法流程圖。
【具體實施方式】
[0048] 下面結合實施例對發明作進一步的詳細說明。
[0049] 實施例1 :
[0050] 如圖1所示，本例的發明一種變壓器過熱故障診斷方法，所述方法包括基本概率 分配函數構造過程和證據合成過程并分別通過構造基本概率分配函數模塊和證據合成模 塊實現；
[0051] 所述基本概率分配函數構造模塊為利用后驗概率SVM計算無編碼四比值和特征 氣體兩種證據下各類故障的基本概率分配函數；
[0052] 所述證據合成模塊為基于證據理論，將所述兩種證據體進行合成，形成最終的判 斷結果，所述結果形式為變壓器屬于各類故障的概率值。
[0053] 所述基本概率分配函數構造過程包括以下步驟：
[0054] 1)本發明方法實施前需要準備一組變壓器過熱故障樣本數據，樣本數據內容包括 變壓器