基于代价敏感组合核相关向量机的电力变压器故障诊断

摘要

作为电力系统中最为重要的高压设备之一，油浸式电力变压器的整体寿命主要取决于其内部油纸绝缘的老化状况。为保证变压器安全可靠运行，必须采取有效的监测措施及时发现变压器内的各种潜伏性故障.组合核相关向量机可以融合多个特征空间,输出变压器隶属于各种状态的概率.本文将代价敏感学习机制融入组合核相关向量机,构建了代价敏感组合核相关向量机,该算法以误诊断代价最小为目标,按贝叶斯风险理论预测样本的故障类别,克服了传统诊断方法未考虑误诊断代价差异的问题.针对代价敏感组合核相关向量机核函数参数选取需人为设定的问题,本文采用K折交叉验证和粒子群算法相结合的方法寻优核函数参数.基于油中溶解气体分析数据的诊断实例表明,与BP神经网络,支持向量机及组合核相关向量机算法相比,代价敏感组合核相关向量机不仅具有较高的诊断正确率,而且具有较低的误诊断代价.