基于SVM和DGA的变压器在线故障诊断方法

摘要

本发明公开了一种基于SVM和DGA的变压器在线故障诊断方法，属变压器故障诊断领域。该方法首先用气相色谱分析法采集故障特征气体H2、CH4、C2H2、C2H4、C2H6在变压器绝缘油中的浓度，然后通过预处理系统对数据进行归一化，将数据按照决策流程送至由集成学习法组装的六个SVM分类器构成的分类诊断系统，通过计算将测量数据分类，进而对变压器运行状态做出判断，最后输出诊断结果。本方法采用了人工智能技术中的支持向量机(SVM)对油中气体进行分析，能够对气体组分和变压器运行状态之间的关系做出更客观、本质的反映，有效地提高了故障诊断的准确率。

说明书

技术领域

本发明涉及一种变压器故障诊断方法，尤其涉及一种基于SVM(Support Vector Machine)和DGA(Dissolved Gas Analysis)的变压器在线故障诊断方法，属于变压器故障诊断领域。

背景技术

安全、稳定的供电系统是国民经济发展的重要基础，是现代工业社会和谐发展的必要条件。变压器作为供电系统的枢纽设备，对其进行实时监测能够有效地确保供电系统的可靠性。

目前，变压器内部故障诊断最有效的方法是油中溶解气体分析法(Dissolved Gas Analysis，DGA)。国内电力系统中大多数电力变压器采用绝缘油对内部系统进行散热和绝缘，而变压器处于不同运行状态时，其绝缘油中溶解气体组分和浓度各不相同，对油中溶解气体进行采样和分析，即可推断出变压器的运行状态，可以有效地对变压器进行故障诊断。然而，变压器故障类型多样，且故障特征气体与故障之间存在复杂的非线性关系，传统的IEC三比值法和无编码比值法判断过于简单化，且存在比值盲区问题，往往不能对故障进行准确的诊断。因此，人工智能技术被广泛引入DGA中来，对变压器故障类型进行识别，其中支持向量机引起了广泛的关注。

支持向量机(Support Vector Machine，SVM)是一种基于结构风险最小原则的智能分类器。相较人工神经网络(Artificial Neural Network，ANN)等传统智能处理算法，该算法能够在小样本量的情况下建立出具有优秀泛化性能的二分类器，同时避免了局部最小和维数灾难问题。因此，该算法引起了广泛的关注，并已成功运用至变压器离线故障诊断领域。

尽管目前存在大量采用支持向量机对变压器故障诊断的研究，其实际运用中仍存在如下问题：1)未建立基于支持向量机的实时诊断系统：多数研究给出了故障诊断的思路并采用已有数据进行系统进行离线诊断测试，但很少搭建具体的、能够实时诊断的系统结构；2)缺乏合理的数据预处理：对油中溶解气体进行采样得到的数据，必须经过合理的预处理才能对变压器运行特征进行有效描述，一些研究缺乏对原始数据的预处理，或者预处理方法不合理；3)诊断决策流程不合理：支持向量机从本质上来说是一种二分类器，而变压器故障是多类型的，因此不能通过仅仅一个SVM故障分类器将所有故障区分开，传统的诊断决策流程存在一些不足，如划分存在盲区、训练样本量不对称等，影响了诊断的可靠性。

发明内容

本发明针对背景技术中采用SVM对变压器进行故障诊断技术存在的缺陷，而提出一种诊断准确率高的基于SVM和DGA的变压器在线故障诊断方法。

本发明的基于SVM和DGA的变压器在线故障诊断方法，包括如下步骤：

(1)数据采集

采用气相色谱分析法，以固定抽样频率对变压器绝缘油中的故障气体H₂、CH₄、C₂H₂、C₂H₄、C₂H₆进行浓度实时检测，然后将所测数据送至PC机进行预处理；

(2)数据预处理

步骤(1)所得采集样本原始数据X＝{x₁，x₂，x₃，x₄，x₅}，令按如下公式进行数据预处理：

$X^{\prime }=\{x_1/c_1,x_2/c_1,x_3/c_1,x_4/c_1,x_5/c_1,\frac{1}{6}{\log }_{10}\left(c_2\right)\}=\{\frac{X}{c_1},\frac{1}{6}{\log }_{10}\left(c_2\right)\}$

其中：x₁、x₂、x₃、x₄、x₅分别为故障气体H₂、CH₄、C₂H₂、C₂H₄、C₂H₆在绝缘油中的绝对浓度；c₁、c₂分别为绝缘油中溶解的故障气体的总浓度和总烃绝对浓度；X′为预处理后所得数据；i为故障气体在绝缘油中绝对浓度的编号；

(3)数据诊断

采用六个SVM分类器：SVM1用于判断变压器的正常状态与低能放电状态，SVM2用于判断变压器的正常状态与高能放电状态，SVM3用于判断变压器的正常状态与过热状态，SVM4用于判断变压器的过热状态与低能放电状态，SVM5用于判断变压器的过热状态与高能放电状态，SVM6用于判断变压器的低能放电状态与高能放电状态，六个SVM分类器采用集成学习法进行组装，其中：SVM1～SVM6分别表示六个SVM分类器，下同；

诊断流程分如下8条路径：

路径1：

将步骤(2)所得数据送至SVM1，当SVM1诊断结果为“正常”，则将数据进一步送至SVM2；当SVM2诊断结果为“正常”，则将数据再进一步送至SVM3；当SVM3诊断结果为“正常”，则最终诊断结果为“正常”；

路径2：

将步骤(2)所得数据送至SVM1，当SVM1诊断结果为“正常”，则将数据进一步送至SVM2；当SVM2诊断结果为“正常”，则将数据再进一步送至SVM3；当SVM3诊断结果为“过热”，则最终诊断结果为“过热”；

路径3：

将步骤(2)所得数据送至SVM1，当SVM1诊断结果为“正常”，则将数据进一步送至SVM2；当SVM2诊断结果为“高能放电”，则将数据再进一步送至SVM5；当SVM5诊断结果为“高能放电”，则最终诊断结果为“高能放电”；

路径4：

将步骤(2)所得数据送至SVM1，当SVM1诊断结果为“正常”，则将数据进一步送至SVM2；当SVM2诊断结果为“高能放电”，则将数据再进一步送至SVM5；当SVM5诊断结果为“过热”，则最终诊断结果为“过热”；

路径5：

将步骤(2)所得数据送至SVM1，当SVM1诊断结果为“低能放电”，则将数据进一步送至SVM4；当SVM4诊断结果为“低能放电”，则将数据再进一步送至SVM6；当SVM6诊断结果为“低能放电”，则最终诊断结果为“低能放电”；

路径6：

将步骤(2)所得数据送至SVM1，当SVM1诊断结果为“低能放电”，则将数据进一步送至SVM4；当SVM4诊断结果为“低能放电”，则将数据再进一步送至SVM6；当SVM6诊断结果为“高能放电”，则最终诊断结果为“高能放电”；

路径7：

将步骤(2)所得数据送至SVM1，当SVM1诊断结果为“低能放电”，则将数据进一步送至SVM4；当SVM4诊断结果为“过热”，则将数据再进一步送至SVM5；当SVM5诊断结果为“过热”，则最终诊断结果为“过热”；

路径8：

将步骤(2)所得数据送至SVM1，当SVM1诊断结果为“低能放电”，则将数据进一步送至SVM4；当SVM4诊断结果为“过热”，则将数据再进一步送至SVM5；当SVM5诊断结果为“高能放电”，则最终诊断结果为“高能放电”；

(4)输出显示诊断数据结果。

本发明具有如下有益效果：

1.考虑到故障类型与各特征气体的比值以及总烃浓度相关，本发明首先对采集的故障气体浓度数据进行预处理，处理后的数据较传统方法更能体现其本质特征；

2.针对传统多层SVM诊断流程，本发明采用决策导向无环图法对诊断流程进行优化，该流程克服了传统流程中存在划分盲区问题；

3.传统的采用SVM对变压器进行故障诊断的研究多应用于离线故障诊断，本发明建立了在线故障诊断系统的模型，方便了进一步研究变压器的实时智能故障诊断；

综上，本发明能够实时地更准确地对变压器运行状态进行分析和诊断。

附图说明

图1是本发明的变压器在线故障诊断方法流程结构图。

图2是支持向量机故障数据分类原理图。

图3是基于决策导向无环图法的故障分类诊断示意图。

图4是本发明中采用SVM分类器进行故障分类诊断示意图，图中：1-正常状态；2-过热状态；3-高能放电状态；4-低能放电状态。

具体实施方式

如图1所示是本发明的变压器在线故障诊断方法流程结构图，其主要由如下部分组成：

1.数据采集部分

变压器运行状态与故障气体H₂、CH₄、C₂H₂、C₂H₄、C₂H₆在绝缘油中的浓度呈复杂的非线性关系，采用气相色谱分析法以固定抽样频率对变压器绝缘油中这五种故障特征气体进行浓度检测，然后将气体浓度数据实时送至PC机数据预处理部分。

2.数据预处理部分

绝缘油中溶解的故障气体的相对浓度和总烃绝对浓度的变化情况是不同故障类型的直接显性表达。而直接采用原始数据进行分类器训练时，会因不同气体而具有不同的量纲，导致训练所得分类器性能不佳；而对原始数据直接进行归一化，虽可消除量纲对计算的影响，但却丢失了故障气体的绝对浓度信息。

针对如上问题，本方法根据变压器故障数据特征设计了有效的归一化算法，该算法在消除量纲影响的同时，保留了故障特征气体的相对浓度和绝对浓度信息，计算过程如下：

数据采集部分采集的样本原始数据X＝{x₁，x₂，x₃，x₄，x₅}，令按如下公式进行数据预处理：

$X^{\prime }=\{x_1/c_1,x_2/c_1,x_3/c_1,x_4/c_1,x_5/c_1,\frac{1}{6}{\log }_{10}\left(c_2\right)\}=\{\frac{X}{c_1},\frac{1}{6}{\log }_{10}\left(c_2\right)\}---\left(1\right)$

其中：x₁、x₂、x₃、x₄、x₅分别为故障气体H₂、CH₄、C₂H₂、C₂H₄、C₂H₆在绝缘油中的绝对浓度；c₁、c₂分别为绝缘油中溶解的故障气体的总浓度和总烃绝对浓度；X′为预处理后所得数据；i为故障气体在绝缘油中绝对浓度的编号；

在式(1)中，相对浓度能很好地反映油中溶解气体的组分比率，而总烃绝对浓度c₂取值范围一般处于(17.5，299000)之间，通过可将其取值范围限为(0.2072，0.9126)。

3.SVM分类器部分

支持向量机(SVM)为二分类器，即每个支持向量机只能对特定两种运行状态A、B进行判断，将测试样本划分至故障可能性较高的一类中去。而变压器故障类型是多样的(如A、B、C)，所以系统必须将所有运行状态两两组合(A-B、A-C、B-C)，建立多个SVM故障分类器。本方法共包含六个SVM分类器：SVM1用于判断变压器的正常状态与低能放电状态，SVM2用于判断变压器的正常状态与高能放电状态，SVM3用于判断变压器的正常状态与过热状态，SVM4用于判断变压器的过热状态与低能放电状态，SVM5用于判断变压器的过热状态与高能放电状态，SVM6用于判断变压器的低能放电状态与高能放电状态，其中：SVM1～SVM6分别表示六个SVM分类器，下同。

每个SVM分类器都是采用SVM算法对现有专家知识库中数据进行训练所得。本方法训练数据来源于Ganyun Lv等(Electric Power Systems Research，2005，75：9-15)的相关工作。

SVM分类器数据分类原理如图2所示。SVM采用核函数将低维不可分数据投影至高维空间，形成一个线性可分的数据集，并通过构建最大间隔分类超平面将数据进行分类。设给定样本{(x_i′，y_i′)}_i′＝1^l，x_i′∈R^m，y_i′∈{±1}，SVM首先通过非线性映射φ：R^m→Rⁿ将数据投影至高维可分空间，m，n为样本维数，然后构造最大间隔分类超平面w·φ(x)+b＝0，寻找最大间隔分类超平面的过程表示为如下二次规划问题：

$\mathrm{Minimize}:w·w+C\underset{i^{\prime }=1}{\overset{l}{\Sigma }}{\xi }_{i^{\prime }}^2$

S.t.：y_i′(<w·x_i′>+b)≥1-ξ_i′  i′＝1，...，l    (2)

ξ_i′≥0  i′＝1，...，l

其中：w为超平面权重向量；b为偏置；ξ为松弛变量；l为训练样本数；C为惩罚因子；i′为训练样本编号；下同；

采用拉格朗日乘子法进行求解可得其对偶问题：

$\mathrm{Maximize}:W\left(\alpha \right)=\underset{i^{\prime }=1}{\overset{l}{\Sigma }}{\alpha }_{i^{\prime }}-\frac{1}{2}\underset{i^{\prime },j=1}{\overset{l}{\Sigma }}{y}_{i^{\prime }}{y}_j{\alpha }_{i^{\prime }}{\alpha }_j(K(x_{i^{\prime }},x_j)+\frac{1}{C}{\delta }_{i^{\prime },j}),i^{\prime }=1,...,l;j=1,...,l$

$s.t.:\underset{i^{\prime }=1}{\overset{l}{\Sigma }}{y}_{i^{\prime }}{\alpha }_{i^{\prime }}=0---\left(3\right)$

α_i′≥0  i′＝1，...，l

其中：α为样本的拉格朗日乘子；δ_i′j为Kroneckerδ，当i′＝j时定义为1，其余为0；K(·)为核函数；j也为训练样本编号；下同；

该问题的Karush-Kuhn-Tucker互补条件为：

α_i′[y_i′(<x_i′·w>+b)-1+ξ_i′]＝0  i′＝1，...，l    (4)

当求出最优解a^*，b^*后，代入超平面方程，得到决策函数最后的分类结果由决策规则sgn(f(x))给出，sgn为取号函数。

训练SVM分类器时，惩罚因子C取值范围为[2，1000]，核函数选择为RBF核函数，即σ取值为[0.1，2]；本方法实施例中惩罚因子取C＝100，核函数中σ＝1，SVM分类器采用林智仁开发的LibSVM软件包或MATLAB自带的svmtrain函数进行实现。

图3为基于决策导向无环图法的故障分类诊断示意图，该决策流程由三层共六个结点组成，其中每个结点代表一个特定故障类型的分类器，第一层结点称为根结点，其余结点称为子结点或叶结点。对于测试样本，首先采用根结点对其进行划分，然后根据根结点划分结果，决定将该测试样本送至第二层叶结点的位置，进而通过第二层叶结点的划分结果得知该测试样本在第三层叶结点的位置，最后通过第三层叶结点的划分，确定测试样本的故障类型。该方法中，上层结点的划分结果将指导测试样本在下层结点的位置。

给定测试样本X，其真实类别为2类。该测试样本首先送至根结点1-a-4，该分类器用于评估样本对于1、4类别的偏向；在根分类器中，假设X被划分至1类，则决策系统将该样本送至第二层左侧叶结点1-a-3中，评估测试样本对于1、3类别的偏向；设该叶结点随机将其划分至3类，则测试样本将被送至第三层中间叶结点2-a-3中，该结点用于评估测试样本对于2、3类别的偏向；此时，测试样本可被正确划分至2类。

对于任意类别的测试样本，该结构能够在三次划分后对其故障类型进行判断，是目前最高效的故障诊断流程之一。然而，该方法仍存在一个问题：划分偏好，即叶结点处划分正确率通常略高于根结点处，分析如下：

以图3为例，假设每层划分正确率为p，则1类和4类的划分正确率r(1)＝r(4)＝p*p*p，2类和3类划分正确率为

令y′(p)＝2p-1，当时，导数y′＞0，且y(1)＝-0.5，可得：y(p)＜0，p∈(0.25，1]，∵p＞0，∴r(1)-r(2)＝y(p)*p＜0，r(2)＞r(1)，p∈(0.25，1]。即对于四分类问题，该决策流程有利于2类和3类。

决策导向无环图法存在划分编好问题，这使得故障类型的编号对实际诊断的可靠性存在影响。通常来说，叶结点处的诊断可靠性略高于根结点处，因此，本发明设计时采取如下原则：对于重要的故障类型，尽可能让其编号为2、3类型。

下表为一组针对国内变压器故障的实验数据，该表对359台故障变压器的故障类型进行了统计。

变压器故障类型统计

  故障类型  台次  比率(％)  过热  226  63  高能放电  65  18.1  低能放电  25  10  过热兼高能放电  36  7  其他  7  1.9

如上表所示，过热故障为最高故障类型，高能放电故障次之。因此针对变压器故障诊断，本发明方法中运行状态编号为：1-正常状态；2-过热状态；3-高能放电状态；4-低能放电状态。

如图4所示为本发明中采用SVM分类器进行故障分类诊断示意图。SVM分类器用集成学习法组装，诊断过程分如下8条路径：

路径1：

将预处理后所得数据送至SVM1，当SVM1诊断结果为“正常”，则将数据进一步送至SVM2；当SVM2诊断结果为“正常”，则将数据再进一步送至SVM3；当SVM3诊断结果为“正常”，则最终诊断结果为“正常”；

路径2：

将预处理后所得数据送至SVM1，当SVM1诊断结果为“正常”，则将数据进一步送至SVM2；当SVM2诊断结果为“正常”，则将数据再进一步送至SVM3；当SVM3诊断结果为“过热”，则最终诊断结果为“过热”；

路径3：

将预处理后所得数据送至SVM1，当SVM1诊断结果为“正常”，则将数据进一步送至SVM2；当SVM2诊断结果为“高能放电”，则将数据再进一步送至SVM5；当SVM5诊断结果为“高能放电”，则最终诊断结果为“高能放电”；

路径4：

将预处理后所得数据送至SVM1，当SVM1诊断结果为“正常”，则将数据进一步送至SVM2；当SVM2诊断结果为“高能放电”，则将数据再进一步送至SVM5；当SVM5诊断结果为“过热”，则最终诊断结果为“过热”；

路径5：

将预处理后所得数据送至SVM1，当SVM1诊断结果为“低能放电”，则将数据进一步送至SVM4；当SVM4诊断结果为“低能放电”，则将数据再进一步送至SVM6；当SVM6诊断结果为“低能放电”，则最终诊断结果为“低能放电”；

路径6：

将预处理后所得数据送至SVM1，当SVM1诊断结果为“低能放电”，则将数据进一步送至SVM4；当SVM4诊断结果为“低能放电”，则将数据再进一步送至SVM6；当SVM6诊断结果为“高能放电”，则最终诊断结果为“高能放电”；

路径7：

将预处理后所得数据送至SVM1，当SVM1诊断结果为“低能放电”，则将数据进一步送至SVM4；当SVM4诊断结果为“过热”，则将数据再进一步送至SVM5；当SVM5诊断结果为“过热”，则最终诊断结果为“过热”；

路径8：

将预处理后所得数据送至SVM1，当SVM1诊断结果为“低能放电”，则将数据进一步送至SVM4；当SVM4诊断结果为“过热”，则将数据再进一步送至SVM5；当SVM5诊断结果为“高能放电”，则最终诊断结果为“高能放电”；

该流程可以有效提高在线诊断系统对高发故障诊断的准确性。

4.结果输出部分

最后计算机将诊断结果显示输出，结束本诊断方法流程。