基于SLRMD与多分类SVM的变压器故障诊断方法

摘要

cqvip:受益于小样本学习特性,支持向量机方法成为当前变压器故障诊断最有效的方法之一,并广为运用。然而该类方法的诊断性能依赖于样本数据的质量,受异常点影响较大。为此,提出一种基于稀疏低秩矩阵分解的方法来对其进行改进。首先对训练样本进行编码,使其低秩化,然后采用稀疏低秩矩阵分解方法将所得矩阵分解为一个低秩矩阵和一个稀疏矩阵,通过对稀疏矩阵的统计分析找出异常元素,并将该元素对应的训练样本作为异常点进行删除,进而生成新的训练样本。最后采用新生成的训练样本构建分类器,实现故障诊断。实例分析表明,所提方法能够在存在异常点的情况下有效提高故障诊断的准确率,并抑制异常点对故障区间划分的影响。