基于多类支持向量机的变压器绝缘故障诊断

《基于多类支持向量机的变压器绝缘故障诊断》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、维普资讯http://www.cqvip.com第23卷第2期电力科学与工程Vo1．23，No．2Jun一200792007年6月ElectricPowerScienceandEngineering基于多类支持向量机的变压器绝缘故障诊断袁松贵。，匡迎春(1．长沙理工大学电气与信息工程学院，湖南~)410076；2．湖南农业大学工程技术学院，湖南K：~410128)摘要：利用支持向量机进行故障诊断，提出了一种基于决策树的多类支持向量机，并在变压器绝缘故障诊断中检验了它的有效性。关键词：多类支持向量机；故障诊断；决策树

2、；电力变压器中图分类号：TP18；TM410．7文献标识码：A策树的多类支持向量机，并将其应用于变压器绝缘0引言故障诊断，获得了较高的正确判断率。机器学习是人工智能应用的重要研究领域，它1现有的多类支持向量机研究如何从观测数据中寻找规律，并利用这些规律对未来数据或无法观测的数据进行预测n。现有的现有的多类支持向量机，大致是基于两种思路。机器学习方法的重要理论之一是统计学。与传统的第一种思路，以Weston在1998年提出的多统计学相比，统计学习理论是专门研究小样本情况类算法。这种算法，是在经典SVM理论的基础上，下

3、机器学习规律的理论，它针对小样本的情况建重新构造多值分类模型，通过SV方法对新模型的立了一套新的理论体系。在该理论体系下，统计推目标函数进行优化，实现“一次性”多值分类。第理规则不仅考虑了对渐进性能的要求，而且追求在二种思路是，通过构造多个二值分类器实现多类支现有有限信息的条件下得到最优结果。1995年，持向量机。第一种，看似简单，但算法选择的目标Vapnik和Chervonenkis等人在此理论基础上发展函数十分复杂，实现困难，计算复杂度也非常高，了一种新的通用学习方法一支持向量机p(SVM尤其是当训练样本、类别

4、较大时，该问题更为突SupportVectorMachine)。支持向量机是基于结出。因此，第二种更有研究价值。基于第二种思构风险最小原理的机器学习方法，它具有较好的推路，目前提出了以下几种方法：广能力，且巧妙地解决了维数灾的问题。故障诊断(1)1-a-r(1-against-rest)由VapNik提出，实质上就是模式识别问题，现有的主要方法有专家对于类问题，构造个两分类器，第f个两分系统、神经网络、遗传算法逻辑推理。这些方法各类器中用第f类中的训练样本作为正的训练样本，自取得了一定的成绩，但都无法解决故障诊断的

5、瓶其他的作为负的训练样本，依此用一个两分类器，颈问题：样本的缺乏。因为支持向量机的学习方法将每一类与其他所有类区分开来。这种算法的缺点是专门针对小样本情况，所以，将它应用于故障诊是，它共用了个支持向量机，每个支持向量机断，具有一定的研究意义。但支持向量机是一个两需用所有的样本进行训练，虽然训练的次数不多，分类器，而故障诊断是一个多分类问题。如何将支但训练的量较大，因此，训练的速度慢。持向量机推广到多分类问题中，是目前国内外研究(2)1-a-1(1-against-1)该算法由Kressel的热点。本文就故障诊断问题

6、，提出了一种基于决提出，对于类分类问题，在每两类间构造所有收稿日期：2007-03-04．作者简介：袁松贵(1971一)，男，长沙理工大学电气与信息工程学院讲师维普资讯http://www.cqvip.comlO电力科学与工程2007笠可能的两分类器，因此，它共有(—1)／2个两分类器。当对一个未知样本进行分类时，每个分类器都对其类别进行判断，并为相应的类别“投上一票”，最后得票最多的类别即作为该未知样本的类别。这种算法的不足之处在于，支持向量机的数目较大，分类速度慢。(3)有向无环图(DDAGDecisionDi

7、rected图2基于决策树的多类支持向量机AcyclicGraph)由Platt等提出的一个新的学习框机，比以上3种方法所用的支持向量机数目少。架，其训练的方法同1一a一1，采用了(一1)／22．2分类算法个分类来实现类的分离。同时引入了图论中的①进行两分类支持向量机的检测；②判断结果有向无环思想。对于类分类问题，如4分类情为一1吗?是，搜寻左节点；否则，搜寻右节点；⑨况，其拓扑结构如图1所示，顶部的节点称为根节判断是叶节点吗?不是，返回第①步；④是叶节点。有向无环图的决策速度优于前两者，因此，得点，则结束。到了广

8、泛的应用。其缺点在于，采用的支持向量机从算法可以看出，其思路非常简单，容易实现。树目大，分类的速度慢；另外，它的根节点的选择2．3分类结果的表示直接影响着分类的结果，不同的分类器作为根节在支持向量机中，用+1和一1来区分两类。但点，其分类结果可能会不同，从而产生分类结果的在多分类器中，有个类，如何来区分这个类，不确定性。是多分类器的又一个问题。针对这一问题，