改進的M_ary支持向量機模型及其在變壓器故障診斷中的應(yīng)用

1、第42卷第12期 2008年12月上海交通大學學報JOU RN AL O F SH AN G HA I JIA OT O N G U N IV ERSIT Y收稿日期:2007-12-25作者簡介:肖燕彩(1972-,女,河北省獻縣人,副教授,主要從事檢測技術(shù)與故障診斷方面的教學與研究工作.文章編號:1006-2467(200812-2033-04改進的M -ary 支持向量機模型及其在變壓器故障診斷中的應(yīng)用肖燕彩1, 陳秀海2The Im proved M -ary Support Vector Machine andIts Application in Power Transformer

2、Fault DiagnosisX I A O Yan -cai 1, CH EN X iu -hai 2(1.School of M echanical,Electronic and Contro l Engineering,Beijing Jiaotong University,Beijing 100044,China; 2.Beijing Electric Pow er Co rpo ration,Beijing 100031,ChinaAbstract:T he M-ar y support vecto r m achine w as applied to the insulation

3、fault diagnosis of pow er trans -form er based on dissolv ed g as analysis.T he results show that the M -ary alg orithm has the similar pr ec-i sion w ith the one against one m ethod.T o enhance the accur acy,an improved M -ary suppo rt vector m a -chine model w as proposed.In the built m odel,anoth

4、er support vector m achine was used to co mbine the output v ectors o f all the tw o -kinds classificatio ns.T he g iv en mo del can reflect the nonlinearity relatio ns better.T he effectiveness and superior ity of the proposed model w ere verified with the r esults of the actual cases.Key words:pow

5、 er transform er;M -ary suppo rt vector machine;fault diag nosis變壓器故障診斷是實施變壓器狀態(tài)維修的關(guān)鍵技術(shù),是提高變壓器運行維護水平,保證電力可靠供應(yīng)的前提和基礎(chǔ).目前,已經(jīng)有不少學者用不同方法進行了這方面的研究1,2,而近幾年來,基于支持向量機(Support Vector Machine,SVM 的變壓器故障診斷逐漸成為變壓器智能故障診斷的一個重要研究方向.這主要是因為SVM 很好地執(zhí)行了統(tǒng)計學習理論的結(jié)構(gòu)風險最小化原則,在小樣本情況下具有較好的泛化能力,避免了陷入局部極小值,解決了故障診斷領(lǐng)域面臨的典型故障樣本嚴重不足的主

6、要難題.目前,用SVM進行變壓器故障診斷方面的研究主要有:文獻3中使用SVM分層決策電力變壓器的故障類型,利用多個二值SVM分類器組合建立決策模型,取得了很好的故障診斷效果,但這種診斷模型構(gòu)造比較復(fù)雜,需要一定的先驗知識,實際應(yīng)用難度較大;文獻4中用3個SVM分類器對4種狀態(tài)進行了劃分,但所能識別的故障類型相對有限;文獻5中對變壓器中的局部放電現(xiàn)象用SVM進行了研究;文獻6中使用小波變換從脈沖實驗的頻域信息中提取特征,使用SVM的回歸算法來劃分故障電流的不同模式;文獻7中將貝葉斯網(wǎng)絡(luò)與SVM的回歸算法結(jié)合用于故障診斷,即使用貝葉斯網(wǎng)絡(luò)來診斷變壓器的故障類型,用SVM的回歸算法來處理錯分樣本;文

7、獻8中使用最小二乘SV M 進行了變壓器的故障診斷研究等.這些研究成果說明使用SV M進行變壓器的故障診斷是可行的.由于這方面的研究剛剛起步,故還有很多問題需要進一步深入探索.本文使用M-ary SVM進行變壓器的故障診斷研究,通過與常用的一對一SVM的比較可以看出, M-ary SVM的分類效果與一對一SVM的分類效果相近,但需要的分類器個數(shù)卻明顯減少.在此基礎(chǔ)上,本文還提出了一種改進的M-ary SVM模型,可以更好地反映各分類器輸出間的非線性關(guān)系.變壓器故障診斷的應(yīng)用實例證明了改進模型的有效性和優(yōu)越性.1M-ary多分類算法及其在變壓器故障診斷中的應(yīng)用SVM的基本分類理論能夠處理二值分類

8、問題,其原理參見文獻3,4,在此不再贅述.對于多值分類問題目前主要的解決方法有兩種:第1種方法是將多分類看作二分類的組合,最終將多分類問題轉(zhuǎn)化為二分類問題;第2種方法是通過修改目標函數(shù),從根本上解決SVM處理多分類的問題.由于第2種方法的計算量比較大,故在進行多分類算法研究時一般使用較少.而在第1種方法中,一對一是一種通用的比較好的分類算法9,但對于k類問題需要構(gòu)造k(k-1/2個分類器;M-ary分類方法是由Se-bald等10提出的,它不僅充分利用了二值分類器的優(yōu)點:不依賴先驗知識,計算相對簡單,并且在處理k類問題時僅需構(gòu)造q= lb k (表示留尾法取整,即向大取整個分類器,實現(xiàn)起來更簡

9、單方便. 根據(jù)IEC60599的規(guī)定,變壓器的故障類型可分為6種11,再加上正常狀態(tài),因此,診斷狀態(tài)共有7類,分別用1,2,7進行標識,具體如表1所示.表1變壓器的狀態(tài)分類Tab.1States of transformer正常狀態(tài)低熱故障(<300b C中熱故障(300700b C高熱故障(>700b C低能電弧高能電弧局部放電1234567按照M-ary分類方法,可構(gòu)造q=lb7=3個分類器,設(shè)S=1,2,7,則構(gòu)造的第m個分類器的+1類樣本為A m=j I S B(j-12-(m-1I奇(1式中:m=1,2,3;表示去尾法取整,即向小取整.相應(yīng)分類器的-1類樣本為B m=SA

10、 m(2式中:SA m為S中除去A m后剩下的那些類.這樣,3個分類器中+1和-1類的類別標識分別如表2所示.表23個分類器中的類別標識Tab.2Assigned classes in three classifications 類別標識分類器1分類器2分類器3 +12,4,63,4,75,6,7-11,3,5,71,2,5,61,2,3,4至此,原7分類問題即可轉(zhuǎn)化為3個2分類問題,設(shè)樣本x i對應(yīng)的第m個分類器的輸出為c m(x i,則該樣本的最終類別計算公式為c(x i=1+E q m=1c m(x i+12m-2(3式中:c(x i為判定(計算的樣本類別;i=1,2,l, l為樣本個數(shù)

11、.將變壓器的油色譜特征數(shù)據(jù)(氫氣(H2、甲烷(CH4、乙烷(C2H6、乙烯(C2H4和乙炔(C2H25種作為分類器的輸入數(shù)據(jù),選用C-SVM8,核函數(shù)選擇常用的徑向基核8,懲罰參數(shù)C和核參數(shù)R的選擇使用網(wǎng)格搜索方法(根據(jù)經(jīng)驗,1/(2R2和C的取值定為等比數(shù)列2-10,2-9,215.使用M-ary 分類算法進行的變壓器故障診斷具體流程如下:(1對5種氣體的體積分數(shù)數(shù)據(jù)進行歸一化處理,形成總的訓(xùn)練樣本集和總的驗證樣本集;(2按照3個分類器所分的類別,將訓(xùn)練樣本進行拆分,并將各個子訓(xùn)練集中的類別分別用+1和-1進行標識;(3用網(wǎng)格搜索的方法得到最優(yōu)參數(shù)對,對各分類器分別用自己的訓(xùn)練集訓(xùn)練,得到相

12、應(yīng)的分類模型;2034上海交通大學學報第42卷(4將驗證樣本代入各訓(xùn)練好的子分類器中,得到各子分類器的輸出類別;(5按照式(3計算驗證樣本所屬的最終類別.本文所用的樣本庫是從各種資料上搜集來的有明確結(jié)論的142個樣本,選擇其中的92個作為訓(xùn)練集,其余的50個作為驗證集.變壓器的各種狀態(tài)在樣本集中的分布情況如表3所示.表3各種狀態(tài)在樣本集中的分布Tab.3Training and checking sample sets of states 項目狀態(tài)1234567訓(xùn)練集41083442210驗證集364183106使用M-ary分類算法,用網(wǎng)格搜索法優(yōu)選出的參數(shù)對C=4;1/(2R2=8進行變壓

13、器的故障診斷,可以得到此時的訓(xùn)練正判率為90.2%,將與訓(xùn)練集無關(guān)的驗證集中的50個樣本代入,可得到驗證正判率為86.0%.而使用一對一的分類算法來分析此算例,同樣選用C-SVM和徑向基核,1/(2R2和C的取值仍定為等比數(shù)列2-10,2-9,215,使用網(wǎng)格搜索法優(yōu)選出的參數(shù)對C=2;1/(2R2=16進行變壓器的故障診斷,可以得到此時的訓(xùn)練正判率為89.1%,驗證正判率為86.0%.由此可見,只要合理選擇分類器的相應(yīng)參數(shù),使用M-ary分類方法進行的變壓器故障診斷分類精度與使用一對一分類算法進行診斷的分類精度是可以比擬的.2改進的M-ary SVM模型在M-ary分類方法中,需要根據(jù)各子分

14、類器的輸出計算值,先做一個近似計算,即取符號值得到各子分類器的輸出結(jié)果,然后再按照經(jīng)驗公式計算相應(yīng)的類別,從而得到最終的分類結(jié)果.若在計算過程中,某一子分類器的取符號運算出現(xiàn)失誤,則會導(dǎo)致整個判斷結(jié)果錯誤.為此,本文對M-ar y分類方法進行了改進,即不用各子分類器輸出的類別信息,而是直接使用各子分類器的輸出計算值,并使用SV M 對這些計算值進行綜合,找出其中的非線性關(guān)系,從而得出更加精確的分類結(jié)果.該方法也可以看做是用復(fù)合型知識來建立SVM模型,即將原始信息先輸入各M-ary子分類器進行處理,然后將得到的新知識輸入SVM進行分析.這種建模方法不做任何近似計算,利用SVM的自學習功能和強大的

15、非線性映射能力來擬合各子分類器計算值之間的非線性函數(shù)關(guān)系,因而最后的分類精度可以優(yōu)于M-ary分類方法和一對一分類方法.改進的M-ary SVM模型的診斷步驟如下:(1計算M-ary分類器的個數(shù),根據(jù)式(1、(2確定分類器中原類別的標識情況;(2訓(xùn)練各個M-ary分類器,并將各子分類器的計算值組成一個矩陣d1,形成新的訓(xùn)練集,將驗證樣本對應(yīng)的各子分類器的計算值組成一個矩陣d2,形成新的驗證集;(3將d1作為SVM的輸入信息,將訓(xùn)練樣本的類別信息作為SVM的輸出信息,使用一對一的分類算法訓(xùn)練SVM組合器;(4將d2輸入到訓(xùn)練好的SVM組合器中進行測試,可得到相應(yīng)的類別輸出結(jié)果和診斷準確率.3改進

16、的M-ary分類模型在變壓器故障診斷中的應(yīng)用仍采用前面介紹的變壓器故障樣本庫,首先構(gòu)造3個分類器,原類別在這3個分類器中的具體標識見表2.由此可見,將新模型應(yīng)用于變壓器的故障診斷中,有更高的診斷正判率.實例某110kV變壓器的油色譜數(shù)據(jù):H2為58L L/L;CH4為290L L/L;C2H6為149L L/L; C2H4為373L L/L;C2H2為0L L/L.變壓器的實際狀態(tài)為中熱故障,但用一對一的分類方法和M-ary分類方法的診斷結(jié)果都為高熱故障,采用本文提出的改進的M-ary SVM的診斷結(jié)果為中熱故障,與實際情況相符.4結(jié)語本文使用M-ary SVM模型進行變壓器的故障2035第1

17、2期肖燕彩,等:改進的M-ary支持向量機模型及其在變壓器故障診斷中的應(yīng)用診斷研究,并在此基礎(chǔ)上提出了改進的M-ary SV M 模型,這種模型充分利用了各子分類器的輸出信息,考慮了各子分類器輸出間的非線性關(guān)系,變壓器故障診斷的應(yīng)用實例證明了改進模型的有效性.參考文獻:1章政,肖登明,劉奕路.基于遺傳編程判別函數(shù)法在電力變壓器絕緣故障診斷中的應(yīng)用J.上海交通大學學報,2006,40(4:558-562.ZH AN G Zheng,XIA O Deng-ming,L IU Y-i lu.Appl-icatio n o f g enetic pr og ramming based discrim

18、inantfunctions in the insulatio n fault diagnosis of pow ertransformer sJ.Journal of Shanghai Jiaotong Univer-sity,2006,40(4:558-562.2Duv al M.A rev iew of faults detectable by g as-in-oil a-nalysis in transfor mersJ.IEEE Electrical InsulationMagazine,2002,18(3:8-17.3董明,孟源源,徐長響,等.基于SV M及油中溶解氣體分析的大型電

19、力變壓器故障診斷模型研究J.中國電機工程學報,2003,23(7:88-92.DON G M ing,M ENG Y uan-yuan,X U Chang-xiang,etal.Fault diag no sis mo del fo r po wer t ransfo rmer basedon suppo rt v ect or machine and dissolved gas analysisJ.Proceedings of the C SEE,2003,23(7:88-92. 4L B G an-yun,CH EN G Hao-zhong,ZH A I H a-i bao,etal.F

20、ault diag no sis of pow er transformer based onmult-i layer SV M classifierJ.Electric Power SystemsResearch,2005,74(1:1-7.5Hao L,L ew in P L,T ian Y,et al.Par tial dischar geidentificatio n using a suppo rt vector machineC/CEIDP.P iscataway:Institute of Electrical and Elec-tro nics Engineer s I nc,2

21、005:414-417.6K oley Chiranjib,Purkait Pr ithwirai,Chakr avo rti Siva-ji.Wav elet-aided SVM to ol fo r impulse fault ident if-ication in tr ansfo rmersJ.IEEE Transactions on Pow-er Delivery,2006,21(3:1283-1290.7ZH U Y ong-li,W AN G Fang,GEN G Lan-qin.T r ans-for mer fault diagnosis based o n naive ba

22、yesian class-ifier and SV RC/TENC ON.Piscatawa y:Institute o fElectr ical and Electr onics Eng ineers Inc,2007:4142282.8肖燕彩,朱衡君.基于最小二乘SV M的電力變壓器故障診斷J.電力自動化設(shè)備,2007,27(9:48-51.XI AO Yan-cai,ZH U H eng-jun.Fault diag no sis o fpow er tr ansfo rmer based o n least squar e suppo rt vec-tor machineJ.Elect

23、ric Power Automation Equip-ment,2007,27(9:48-51.9鄭勇濤,劉玉樹.SV M解決多分類問題研究J.計算機工程與應(yīng)用,2005,41(23:190-192.ZH EN G Y ong-tao,L IU Yu-shu.An analysis of mult-iclass suppor t v ector machinesJ.C omputer Engineer-ing and Applications,2005,41(23:190-192.10Sebald D J,Bucklew J A.Suppor t v ecto r machines andthe multiple hy po thesis test pro blemJ.IEEE Trans-actions on Signal Processing,2001,49(11:2865-2872.11IEC-60599,M ineral o i-l impregnated elect rical equip-ment in ser vice guide t o t he interpretat ion of dissolvedand fr ee gases analysi