基于欧氏聚类和支持向量机的变压器故障诊断.pdf

《基于欧氏聚类和支持向量机的变压器故障诊断.pdf》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24卷第4期电力科学与工程Vo1．24，No．4Jun．，2008l32008年6月ElectricPowerSc~nceandEngineering基于欧氏聚类和支持向量机的变压器故障诊断郑建柏，朱永利(华北电力大学计算机科学与技术学院，河jE保定071003)摘要：以变压器油中溶解气体的相关信息作为特征向量，首次将基于欧氏聚类的支持向量机多分类模型应用于变压器故障诊断中。该组合模型以变压器状态类别间的欧氏距离为依据，构建支持向量机多分类模型。实验表明，该方法能够避免多分类模型组建的盲目性，同

2、时能有效地对变压器进行故障诊断。关键词：支持向量机；变压器；故障诊断；欧氏聚类中图分类号：TM855文献标识码：A0引言1模型建立电力变压器作为电力系统中的核心设备，其SVM多分类器一般有两种类型：组合多个二故障诊断一直受到学术界和工程界的广泛关注。变值SVM形成多类SVM分类器，或者是改造二值压器故障诊断的方法较多，油中溶解气体分析SVM内部结构和算法以形成SVM多分类器。本(DGA)技术是目前对油浸变压器进行故障诊断最文结合决策树思想，应用欧氏聚类的结果作为构造方便、有效的手段之一，它能较准确、可靠地发树形SVM分类器的依据，组建SVM多分

3、类组合现逐步发展的潜伏性故障，防止由此引起重大事模型。当未知样本输入时，由根节点出发，沿决策故⋯。我国基本上沿用改进的IEC三比值法，但树的分支逐级进行较细的划分，最终到达某个叶节在现场应用中，也发现不少问题，例如“缺编码”、点，以实现对变压器故障的诊断。编码边界过于绝对等。针对这些不足，近年来各1．1属性变量、类变量的确定种智能技术如模糊推理、人工神经网络、贝叶斯本文从多个地区供电局的历史资料和近年有关网络等已被引入变压器的故障诊断中旺。然而，文献资料中收集了大量具有明确结论的变压器故障这些诊断技术都需要有较多的样本才能取得满意数据，整理了5

4、08例样本，其中正常数据37l条，的效果。有故障的数据l37条。通过分析，确定了H，CH，支持向量机(SupportVectorMachines，SVM)C2H，C2H，CzHz等气体含量作为属性信息，以是一种以统计学习理论为基础，针对有限样本的一低能放电、高能放电、中低温过热、高温过热和正种通用学习方法，能有效解决小样本、高维数、非常5种状态作为类变量的取值。线性等问题，并克服了人工神经网络存在局部最优1．2数据预处理等缺点，大大提高了学习方法的泛函能力。鉴于对于支持向量机而言，样本数据的泛化非常SVM能在训练样本很少的情况下达到分类推广的重

5、要。考虑到各种气体组分含量之间的差异性及分目的，国内外学者已经开始在故障诊断领域进行散性，为了避免取值范围大的属性比取值范围小的SVM方法的应用研究。属性更占优势，需要对DGA原始数据进行“归一本文基于欧氏聚类和决策树思想构建了多级化”处理。本文采用的归一化公式为．SVM模型，并以此对5类典型的变压器状态数据：卜1进行分类研究。研收稿日期：2007-08-16．作者简介：郑建柏(1978一)，男，华北电力大学计算机科学与技术学院硕士研究生维普资讯http://www.cqvip.coml4电力科学与工程2008年式中为归一值，G为色谱数据中各气

6、体浓度的原始值，为各气体浓度的注意值。用此方法对原始数据进行归一化，充分考虑到各状态信息衡量标准不同的特点，可将各条件属性值调整到0到l之间，有利于提高支持向量机的分类效果以搜集的508条完整数据为基础，按照每类均为l：l的比例随机划分测试集和训练集，即每次随～机抽取254条数据作为测试集，其余的254条数据图1变压器故障诊断SVM模型作为训练集训练所建模型。1．3故障类别的分层聚类如此循环下去，直到所有的节点都只包含一个单独根据SVM的原理，不同类别模式的分类间隔的类别为止，此节点也是二叉树中的叶子。该方法最大就可以使得真实风险最小，同时使得

7、支持向量将原有的多类问题同样分解成了一系列的两类分类个数较少，那么得到SVM网络泛化(推理)能力问题，其中两个子类间的分类函数采用SVM。二较强。若随机选取故障模式中的两种进行组合，那叉树方法可以避免传统方法的不可分情况，并且只么产生的组合数目很大，并且不同组合对诊断的效需构造七一1个SVM分类器，分类时并不一定需要果影响很大。基于该思想，本文采用分层欧氏聚类计算所有的分类器判别函数，从而可节省分类时间。算法对已有故障类别进行预处理。2实验结果与分析进行分层聚类分析首先需确定距离和相似性的度量方法，然后再依一定的算法进行聚类。采用欧本文在VC+

8、+6．0语言环境下实现变压器故障氏距离计算样本间距离，计算公式为诊断SVM模型，将254条数据进行归一处理，存放于SQLSever数据库的4个训练样本