本發(fā)明屬于變壓器故障在線監(jiān)測方法技術領域，具體涉及一種基于多分類支持向量機變壓器故障診斷提升方法。

背景技術：

近年來，電力設備故障診斷一詞經(jīng)常會出現(xiàn)在我們的生活中，其主要原因在于隨著經(jīng)濟的快速發(fā)展，導致電力系統(tǒng)容量不斷的增大，而電力設備在電力系統(tǒng)占有重要的位置。

變壓器在電力系統(tǒng)中是不可或缺的，變壓器能安全穩(wěn)定的運行將關系著電網(wǎng)與人民的安全，其故障將會給人們的生活帶來極大的不便與恐慌，因此對其進行故障診斷勢在必行。變壓器故障診斷主要經(jīng)歷了三個時期：定期檢修、DGA傳統(tǒng)方法及DGA智能算法。尤其是DGA智能算法的問世使變壓器故障診斷更上一個臺階。支持向量機是近幾年來發(fā)展較快的一種智能算法，有著較好的分類性能，因此將其應用于變壓器故障診斷是勢在必行的。

將DAG-SVM方法與多級SVM方法結合用于對變壓器支持向量機進行故障診斷，然后利用改進二進制布谷鳥算法以及bagging算法對其進行選擇性集成，能有效提高變壓器故障診斷的精度。

技術實現(xiàn)要素：

本發(fā)明的目的在于提供一種基于多分類支持向量機變壓器故障診斷提升方法，將DAG-SVM方法與多級SVM方法結合用于對變壓器支持向量機進行故障診斷，再利用改進二進制布谷鳥算法及bagging算法對其進行選擇性集成，能提高變壓器故障診斷的精度。

本發(fā)明所采用的技術方案是，基于多分類支持向量機變壓器故障診斷提升方法，具體按照以下步驟實施：

步驟1、對所采集的油浸式變壓器帶有類標簽的樣本集S＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}每一類按3：1比例分為：訓練樣本和測試樣本；

其中：x_i代表樣本屬性，包括有：氫氣、甲烷、乙烷、乙烯、乙炔五種屬性；y_i代表類別標簽1、2、3、4、5、6，分別對應正常狀態(tài)、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電；

步驟2、對經(jīng)步驟1得到的訓練樣本與測試樣本分別進行歸一化處理，然后建立基于Bagging集成DAG-SVM與多級支持向量機變壓器故障診斷模型；

步驟3、經(jīng)步驟2后，利用改進二進制布谷鳥算法對得到的所有DAG-SVM與多級支持向量機模型進行選擇；

步驟4、利用步驟3獲得的模型集合對待測樣本同時檢測，最后應用多數(shù)投票法得到最終結果。

本發(fā)明的特點還在于：

步驟2具體按照以下步驟實施：

步驟2.1、設置迭代次數(shù)為T；

步驟2.2、經(jīng)步驟2.1后，先利用隨機抽樣法從樣本集中抽取樣本數(shù)量為n(要少于樣本集)的新的樣本集；

然后將新的樣本集作為新的DAG-SVM與多級支持向量機模型的訓練樣本，再經(jīng)學習之后得到新的變壓器故障診斷模型；

步驟2.2重復T次，分別得到T個DAG-SVM與多級支持向量機變壓器故障診斷模型。

DAG-SVM模型具體按照以下步驟建立：

步驟a、根據(jù)標簽1類和2類、1類和3類、1類和4類、1類和5類、1類和6類、2類和3類、2類和4類、2類和5類、2類和6類、3類和4類、3類和5類、3類和6類、4類和5類、4類和6類、5類和6類對應的樣本分別訓練SVM，得到15個決策函數(shù)。

步驟b、經(jīng)步驟a后，利用得到的15個決策函數(shù)構建DAG-SVM，將第一個節(jié)點作為根節(jié)點，接下來是中間節(jié)點，最后為葉節(jié)點即為所求的故障類型。

多級支持向量機模型，具體按照以下步驟建立：

步驟1)將某一類別樣本表示為正類與其他樣本表示為負類，訓練得出一個決策函數(shù)；

步驟2)經(jīng)步驟1)后，先從負類樣本中選取一類表示為正類，其余的依然表示為負類，然后訓練得出另一個決策函數(shù)，以此類推，將得到6個決策函數(shù)，同時也得到多級支持向量機模型。

步驟3具體按照以下步驟實施：

步驟3.1、對經(jīng)步驟2得到的所有DAG-SVM與多級支持向量機變壓器故障診斷模型進行初始化，即進行二進制編碼；

其中，1代表選擇該模型，0則代表沒有選擇該模型；

則得到一個診斷模型集合，其余的為另一個模型集合；

同時設置初始種群數(shù)量為120，精度為p＝0.05；

步驟3.1、對經(jīng)步驟2得到的所有DAG-SVM與多級支持向量機變壓器故障診斷模型進行初始化，即進行二進制編碼；

其中，1代表選擇該模型，0則代表沒有選擇該模型；

則得到一個診斷模型集合，其余的為另一個模型集合；

同時設置初始種群數(shù)量為120，精度為p＝0.05；

步驟3.2、經(jīng)步驟3.1后，使用測試樣本對所選中的診斷模型集合進行測試，最終利用多數(shù)投票法取得結果，獲取并記錄模型信息與準確率信息；

步驟3.3、經(jīng)步驟3.2后，采用改進二進制布谷鳥算法更新診斷模型集合；

步驟3.4、將誤差＝1-適應度與精度0.05進行比較：

若誤差大于0.05，則再次執(zhí)行步驟3.3；

否則結束迭代，并得到最終的模型集合。

步驟3.3具體按照以下步驟實施：

步驟3.3.1、判斷種群中每個模型的貢獻率，即檢驗模型是否對適應度有影響，若其存在，能使適應度降低或者保持不變則將其丟棄，負責保留；

步驟3.3.2、經(jīng)步驟3.3.1后，為了使種群規(guī)模保持不變，若丟棄了一部分模型后，就要從剩下的模型集合里隨機抽取同樣數(shù)量的模型作為補充得到新的種群；

步驟3.3.3、經(jīng)步驟3.3.2后，利用新的種群對測試樣本進行檢測，利用多數(shù)投票法取得結果，獲取并記錄模型信息與準確率信息；

步驟3.3.4、經(jīng)步驟3.3.3后，保留適應度較強的種群，并記錄適應度信息。

本發(fā)明的有益效果是：

(1)本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法，將多分類支持向量機DAG-SVM與多級支持向量機結合，能對變壓器和進行較為精確的故障診斷，且這兩種多分類支持向量機都有著簡單易行，無誤分及拒分的突出性優(yōu)點。

(2)本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法，其中DAG-SVM與多級支持向量機都有各自的優(yōu)缺點，將它們進行綜合并利用Bagging算法進行效集成，能互相補充，有效提高了故障診斷效率及精度。

(3)本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法，利用改進二進制布谷鳥算法對弱分類器進行選擇，有助于去除無用的弱分類器，能提高算法效率。

附圖說明

圖1是本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法中涉及的Bagging提升DAG-SVM與多級支持向量機的結構示意圖；

圖2是本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法中涉及的DAG-SVM的結構示意圖；

圖3是本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法中涉及的多級支持向量機的結構示意圖；

圖4是本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法中涉及的改進二進制布谷鳥算法對所有模型進行選擇流程圖。

具體實施方式

下面結合附圖和具體實施方式對本發(fā)明進行詳細說明。

本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法，具體按照以下步驟實施：

步驟1、對所采集的油浸式變壓器帶有類標簽的樣本集S＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}每一類按3：1比例分為：訓練樣本和測試樣本；

其中，x_i代表樣本屬性(包括有：氫氣、甲烷、乙烷、乙烯、乙炔五種屬性)，y_i代表類別標簽1、2、3、4、5、6，分別對應正常狀態(tài)、中溫過熱、高溫過熱、局部放電、火花放電、電弧放電。

步驟2、對經(jīng)步驟1得到的訓練樣本與測試樣本分別進行歸一化處理，然后建立基于Bagging集成DAG-SVM與多級支持向量機變壓器故障診斷模型，如圖1所示，具體按照以下步驟實施：

步驟2.1、設置迭代次數(shù)為T；

步驟2.2、經(jīng)步驟2.1后，先利用隨機抽樣法從樣本集中抽取樣本數(shù)量為n(要少于樣本集)的新的樣本集；

然后將新的樣本集作為新的DAG-SVM與多級支持向量機模型的訓練樣本，再經(jīng)學習之后得到新的變壓器故障診斷模型；

步驟2.2重復T次，分別得到T個DAG-SVM與多級支持向量機變壓器故障診斷模型；

如圖2所示，DAG-SVM模型具體按照以下步驟建立：

步驟a、根據(jù)標簽1類和2類、1類和3類、1類和4類、1類和5類、1類和6類、2類和3類、2類和4類、2類和5類、2類和6類、3類和4類、3類和5類、3類和6類、4類和5類、4類和6類、5類和6類對應的樣本分別訓練SVM，得到15個決策函數(shù)。

步驟b、經(jīng)步驟a后，利用得到的15個決策函數(shù)構建DAG-SVM，將第一個節(jié)點作為根節(jié)點，接下來是中間節(jié)點，最后為葉節(jié)點即為所求的故障類型。

如圖3所示，多級支持向量機模型具體按照以下步驟建立：

步驟1)將某一類別樣本表示為正類與其他樣本表示為負類，訓練得出一個決策函數(shù)；

步驟2)經(jīng)步驟1)后，先從負類樣本中選取一類表示為正類，其余的依然表示為負類，然后訓練得出另一個決策函數(shù)，以此類推，將得到6個決策函數(shù)，同時也得到多級支持向量機模型。

步驟3、經(jīng)步驟2后，利用改進二進制布谷鳥算法對得到的所有DAG-SVM與多級支持向量機模型進行選擇，如圖4所示，具體按照以下步驟實施：

步驟3.1、對經(jīng)步驟2得到的所有DAG-SVM與多級支持向量機變壓器故障診斷模型進行初始化，即進行二進制編碼；

其中，1代表選擇該模型，0則代表沒有選擇該模型；

則得到一個診斷模型集合，其余的為另一個模型集合；

同時設置初始種群數(shù)量為120，精度(這里指的是診斷錯誤率)為p＝0.05；

步驟3.2、經(jīng)步驟3.1后，使用測試樣本對所選中的診斷模型集合進行測試，最終利用多數(shù)投票法取得結果，獲取并記錄模型信息與準確率信息(適應度)；

步驟3.3、經(jīng)步驟3.2后，采用改進二進制布谷鳥算法更新診斷模型集合，具體按照以下步驟實施：

步驟3.3.1、判斷種群中每個模型的貢獻率，即檢驗模型是否對適應度有影響，若其存在，能使適應度降低或者保持不變則將其丟棄，負責保留；

步驟3.3.2、經(jīng)步驟3.3.1后，為了使種群規(guī)模保持不變，若丟棄了一部分模型后，就要從剩下的模型集合里隨機抽取同樣數(shù)量的模型作為補充得到新的種群；

步驟3.3.3、經(jīng)步驟3.3.2后，利用新的種群對測試樣本進行檢測，利用多數(shù)投票法取得結果，獲取并記錄模型信息與準確率信息(適應度)；

步驟3.3.4、經(jīng)步驟3.3.3后，保留適應度較強的種群，并記錄適應度信息；

步驟3.4、將誤差＝1-適應度與精度0.05進行比較：

若誤差大于0.05，則再次執(zhí)行步驟3.3；

否則結束迭代，并得到最終的模型集合。

步驟4、利用步驟3獲得的模型集合對待測樣本同時檢測，最后應用多數(shù)投票法得到最終結果。

實施例

本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法中，將已知故障類型的750組數(shù)據(jù)按3：2比例分為訓練集與測試集，規(guī)模分別為450與30組數(shù)據(jù)，分別對應6中故障類型其中正常狀態(tài)、中低溫過熱、高溫過熱、局部放電、火花放電和電弧放電，對6種故障類型進行編號，分別為1、2、3、4、5、6，其中部分測試數(shù)據(jù)見表1，對應的測試結果見表2.

表1部分測試數(shù)據(jù)

利用DAG-SVM、多級支持向量機、Bagging優(yōu)化的DAG-SVM與多級支持向量機組合模型、基于改進二進制的Bagging優(yōu)化的DAG-SVM與多級支持向量機組合模型對相同數(shù)據(jù)進行故障診斷得到的準確率分別為83.3％、85％、91.3％，93％。

本發(fā)明基于多分類支持向量機變壓器故障診斷提升方法，將DAG-SVM方法與多級SVM方法結合用于對變壓器支持向量機進行故障診斷，再利用改進二進制布谷鳥算法及bagging算法對其進行選擇性集成，能提高變壓器故障診斷的精度。