基于SVM算法的变压器DGA和故障诊断.pdfVIP

基于SVM算法的变压器DGA和故障诊断

作者：陆敏安任堂正肖远兵陈敬德崔明飞

来源：《机电信息》2020年第21期

摘要：油中溶解气体分析（DGA）是评估变压器运行状态和故障诊断的重要指标。现将

支持向量机算法（SVM）应用于DGA和故障诊断中，并对比了SVM算法和其他传统算法在

故障诊断中的正确率。研究结果表明，传统算法的故障诊断正确率在43%～54%，而优化后的

SVM算法正确率为76.77%。超过23%的正确率提升充分证明了SVM算法在故障数据特征识

别中的先进性，对变压器运维提供了强力的技术支持。

关键词：变压器;支持向量机;油中溶解气体分析;故障诊断

引言0

准确评估变压器运行状态对提升电网可靠性、制定运维检修策略及消除事故隐患具有重要

意义。油中溶解气体分析（DGA）是反映变压器运行状态的重要指标[1]。

传统的DGA方法主要使用IEC60599提出的三比值法[2]，国内的科研人员也提出了《变

压器油中溶解气体分析和判断导则》（DL/T722—2014）用以正确评估变压器油的质量和设备

运行状况[3]。传统分析方法虽然有国内外电工委员会的支持，但固定的阈值边界无法保证正

确率[4-5]。

近年来，专家系统、模糊理论和灰色关联性理论等方法逐渐被应用于DGA[6-7]。相比于

传统的DGA方法，这些评估理论体系的确提升了故障识别的正确率，但是这些有限的提高依

托于丰富的机理知识储备，推理过程中的逻辑也不够缜密，从而导致应用门槛较高。更先进的

智能算法也被尝试用于DGA，例如BP神经网络，但是网络收敛速度慢，容易过拟合，并且在

数据量较少时无法保证正确率的缺点也阻碍了它的进一步应用与推广[8]。

基于对过往发表论文的研究，为了显著提升基于DGA的故障诊断的正确率，需要使用有

坚实理论基础并且适用于小样本的机器学习算法。本文将介绍支持向量机算法（SVM）在

DGA中的应用。第一节首先介绍SVM算法的原理;第二节则验证SVM在DGA故障诊断中的

正确率，并将其与传统算法进行对比;第三节对文章成果进行了总结。

1SVM算法原理

支持向量机（SVM）[9-10]的理论依据是统计学习，通过数据挖掘的方法，解决模式识

别、时间序列分析等问题，最小化了经验风险和模型复杂度的同时，在数据样本有限的条件

下，能够确保输出函数的平滑性以及模型的推广性[11]。

以二分类问题举例[10]，如图1（a）所示，要将灰、黑两种类别分类，图1（b）中提供了

一个分割线A，可以被称为分类线。但是，推广到高维空间，当要被分割的数据不只是一维或

二维的数据，那么分割这些数据的点和线则会变为面，即被称作“决策面”，而虚线所连接的点

即被称为“支持向量”。

图1（c）中提供了决策面B和其对应的支持向量。虽然A和B都达到了将灰、黑两类数

据分类的效果，但SVM算法会认为A在性能上优于B，其依据是决策面A的分类间隔大于

B，分类间隔为“决策面”移动到“支持向量”所形成的平面的极限距离。所以，SVM的学习策略

就是间隔最大化，其机理为寻找一个不仅能以一定的精度完成问题分类，并且还能保证决策面

到两侧支持向量间隔最大的最优分类面[10，12]。

图1中的数据点可以看作x，它们的颜色可以看作类别y，训练集可以写为（xi，yi），

x∈RRn，y∈{±1}，由于图1中的灰、黑数据线性可分，分类面可以写作xw+b=0，w为权值

向量，b为偏置。为了满足所有样本可以被分类面进行正确分类，并且具有一定的分类间隔的

条件，则需：

基于2SVM的变压器DGA和故障诊断

变2.1压器DGA和故障诊断原理

油浸式变压器的绝缘油主要有两种元素：碳和氢。当变压器内部发生过热和放电反应时，

绝缘油和絕缘材料则发生化学分解，产生氢气、烃类气体和碳氧化物[1]。油中溶解的气体包

括7种：氢气（H2）、甲烷（CH4）、乙炔（C2H2）、乙烯（C2H4）、乙烷（C2H6）、一

氧化碳（CO）、二氧化碳（CO2）[2-3]。

上述7种气体可以作为故障特征气体，它们的种类、含量、气体之间的比例关系也直接反

应了变压器的故障类别，例如低温过热产生大量H2，严重过热产生少量C2H4，故障涉