基于欧氏聚类和支持向量机的变压器故障诊断.pdf

维普资讯 第24卷第4期 电 力 科 学 与 工 程 Vo1．24，No．4 Jun．，2008 l3 2008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：A 0 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508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