多源检测数据融合的变压器故障诊断模型

摘要

针对变压器的红外热像、油气数据等多源状态检测数据不平衡(即数据缺失、数据不对称、数据较少)导致支持向量机学习模型欠拟合、准确率低下,以及传统三比值法阈值绝对导致了其在故障现象叠加时不能全面诊断出故障真实状况的不足,提出了多源检测数据融合的变压器故障诊断模型。该模型首先采取了高斯核和Sigmoid核组合,以及多分类器的方式对SVM进行改进,即利用改进组合核多分类器SVM对变压器油气数据进行诊断,达到解决故障现象叠加的问题,进而得出油气诊断结果;然后利用改进故障树模型对红外检测图像进行分析,即通过分析变压器的关键部件的温度值进行诊断,得出温度诊断结果;最后,通过贝叶斯决策融合诊断模型对油气诊断结果和温度诊断结果进行决策级融合,得出最终的故障诊断结果。实验结果表明,所设计方法诊断准确率比SVM、三比值法以及SVM最新改进方法 PSO-SVM分别提高了9.2%,6.3%,6.5%。