U
研究与分析
E
基于支持向量机的变压器故障多层次诊断及定位
董卓，朱永利
（华北电力大学电子与电气工程学院，河北保定
071003）
→摘要：文中提出一种基于支持向量机的变压器故障多层次诊断及定位模型。其基本思路是将变压器的油色谱信息和电气实验特征结合，再通过支持向量机对其进行学习分类，形成分层次、可靠、开放的变压器故障多层次诊断模型，并逐步对变压器的故障进行定位。充分利用支持向量机在解决小样本，非线性及高维模式识别间题等方面特有的优势，解决变压器故障信息存在的究余、不确定、小样本等间期。实验证明，将支持向量机应用到变压器的故障诊断及定位中是合理可行的。
关键词：变压器；故障诊断；支持向量机；油中溶解气体分析
中图分类号：TM41
文献标志码：A
文章编号：16737598(2011)080001-05
TransformerFaultMulti-levelDiagnosisandLocationBased on
SupportVectorMachine DONG Zhuo, ZHU Yong-li
(School of Electrical and Electronic Engineering, North China Electric Power University, Baoding 071003,China) Abstract: This paper presents a transfomer fault multilevel diagnosis and location model based on support vector machine, Firstly. the transfomer oil chromatogram and characteristics of electrical experiments are combined and sent to support vector machine. Secondly, through machine learming and classification, the sublevel, reliable and open multilevel diagnosis model for transformer fault is obtained, by which the transformer fault is located step by step.This model fully utilize the advantages of support vector machine in solving the small sample, nonlinear and high dimensional pattem recognition and other aspects to solve the problems existing in transformer failure infomation about redundant, uncertainty, small sample size and other issues. The experiment showed
that applying the support vector machine to transformer fault diagnosis and location is reasonable and feasible. Key words: transformer, fault diagnosis; support vector machine; dissolved gas analysis
引言 0
目前，利用人工智能方法和其他技术对变压器实现具体故障定位的研究还比较少。文献[1,2将模糊数学理论和专家系统相结合，形成模糊推理知识库应用于变压器故障诊断。但是，专家系统所采用的判断规则和专家库中经验的准确度、知识获取和推理等方面的间题都成为制约专家系统发展的瓶颈。文献3利用了相糙集中的信息摘约简技术对变压器的故障信息进行约简，形成不同的规则集，对变压器进行综合故障定位分析，粗略地将变器故障定位到具体的部位。文献[4-6]利用信息融合技术，将油中溶解气体分析与电气试验等相关信息结合起
万方数据
来，可对故障部位做出较为可靠的诊断.但由于证据体的信度划分比较主观，使得证据故障概率的分配无法客观化；且这种利用证据理论的综合诊断需要大量的证据作为前提，在证据严重冲突或证据体不明显的情况下，运用证据理论进行融合将会失效。
因此，本文提出了一种基于支持向量机的变压器故障定位模型，该模型的原理是充分利用变压器的油色谱信息和电气实验特征，将其信息充分结合，再通过支持向量机对其进行学习分类，形成分层次、可靠、开放的变压器多层次分析，逐步对变压器的故障进行定位。由于支持向量机理论是通过寻求结构风险最小化来实现实际风险最小化的，从而在样本量较小的情况下也能获得良好的学习效果，因此，在解决小样本、非线性及高维模式识别问题方面有许