基于参数优化支持向量机的矿用变压器故障诊断

第３０卷第４期２　０　１　２年４月水　电　能　源　科　学Ｗａｔｅｒ　Ｒｅｓｏｕｒｃｅｓ　ａｎｄ　ＰｏｗｅｒＶｏｌ．３０Ｎｏ．４Ａｐｒ．２　０　１　２文章编号：１０００－７７０９（２０１２）０４－０１７９－０４基于粒子群优化支持向量机的变压器故障诊断朱文俊１，周　刚１，王红斌１，尹玉娟２，张金江２，郭创新２（１．广东电网公司电力科学研究院，广东广州５１００８０；２．浙江大学电气工程学院，浙江杭州３１００２７）摘要：针对支持向量机（ＳＶＭ）用于变压器故障诊断中模型参数具有不确定性的问题，采用粒子群优化（ＰＳＯ）算法对支持向量机参数进行优化，减少了模型参数的不确定性。

故障数据测试表明，ＰＳＯ能快速、准确地优化ＳＶＭ参数，二者的结合可有效完成变压器故障分类，并取得较为满意的效果。

关键词：油中溶解气体分析；ＰＳＯ优化；支持向量机；故障诊断；参数优化；变压器中图分类号：ＴＭ４１１文献标志码：Ａ收稿日期：２０１１－０８－１５，修回日期：２０１１－１０－１９基金项目：浙江省自然科学基金资助项目（Ｙ１１００２４３）作者简介：朱文俊（１９８４－），男，工程师，研究方向为高电压电气设备测试及在线监测技术，Ｅ－ｍａｉｌ：ａｎｇｅｌｕｆｗｂｂ＠１６３．ｃｏｍ通讯作者：张金江（１９７１－），男，副教授，研究方向为输变电设备状态监测、故障诊断与智能评估等，Ｅ－ｍａｉｌ：ｊｊｚｈａｎｇ＠ｚｊｕ．ｅｄｕ．ｃｎ 目前，油中溶解气体分析（ＤＧＡ）方法［１］是变压器故障诊断最常用的方法，它能有效发现变压器内部的潜伏性故障及其发展程度。

油中溶解气体的含量与产气速率因故障原因的不同而不同。

ＤＧＡ测试中故障产生的可燃性气体包括氢气、氧气、氮气、甲烷、乙烯、乙炔、乙烷、二氧化碳、一氧化碳等。

研究结果表明，电晕或局部放电，过热故障和电弧放电时变压器绝缘老化的三大主要原因［２］。

传统的ＤＧＡ方法仅根据专家经验将故障现象与故障原因之间的关系简单对应起来，忽略了故障现象与故障原因的模糊性和不确定性，因此存在编码不完全、编码边界过于绝对、误诊断的局限性［３］。

基于支持向量机的矿山机电设备故障智能化检测方法在矿山的心脏深处，机电设备如同跳动的脉搏，维系着整个生产流程的生命力。

然而，这些设备一旦出现故障，就如同被投掷了一颗定时炸弹，随时可能引发生产的停滞甚至灾难性的后果。

因此，对矿山机电设备的故障检测，就如同医生对病人进行诊断一般，需要精准、高效且智能化的手段。

传统的故障检测方法，往往依赖于经验丰富的技术人员进行人工巡检和判断。

然而，这种方法就如同盲人摸象，不仅效率低下，而且容易受到主观因素的影响，导致检测结果的准确性大打折扣。

更何况，矿山机电设备的故障种类繁多，如同一座庞大的迷宫，单凭人工的力量，很难在短时间内找到问题的症结所在。

幸运的是，随着科技的进步，一种名为“支持向量机”的技术应运而生，为矿山机电设备的故障检测带来了曙光。

支持向量机，这个名字听起来或许有些晦涩难懂，但其实它就如同一位智能的侦探，能够通过分析设备的运行数据，自动识别出潜在的故障隐患。

与传统的检测方法相比，支持向量机具有更高的准确率和效率。

它不受人为因素的影响，能够客观地分析数据并作出判断。

更重要的是，支持向量机具有强大的学习能力和适应性，能够不断从新的数据中学习并优化自身的算法模型。

那么，如何将支持向量机应用于矿山机电设备的故障检测呢？首先，我们需要收集大量的设备运行数据作为训练样本。

这些数据就如同侦探手中的线索，是支持向量机进行分析和学习的基础。

接着，我们利用支持向量机对这些数据进行训练和建模。

这个过程就如同侦探对线索进行推理分析的过程一样，需要耐心和细致的工作。

最后，当新的设备运行数据输入到模型中时，支持向量机就能够迅速准确地判断出是否存在故障隐患。

当然，任何技术都不是万能的。

支持向量机虽然强大，但仍然存在一定的局限性。

例如，它需要大量的高质量数据作为训练样本，如果数据质量不高或者数量不足，就可能影响模型的准确性和稳定性。

此外，支持向量机对于一些复杂的故障类型可能难以识别和处理。

基于变分模态分解能量熵和支持向量机的电力变压器绕组故障诊断电力变压器是电力系统的核心枢纽能量转换设备,电力变压器的故障往往伴随着大规模停电等严重后果,因而电力变压器的安全稳定运行对于电力系统的可靠性至关重要。

传统的变压器绕组故障检测方法或需要变压器退出运行,或对于潜伏性故障的检测具有滞后性,难以在潜伏性故障发生的早期发现故障。

针对这些不足,本文提出一种基于振动频谱分析的电力变压器绕组故障诊断方法,以期实现电力变压器绕组早期潜伏性故障的精确诊断。

为此,本文将变分模态分解引入到电力变压器绕组的故障诊断中,详细研究论述了基于变分模态分解能量熵的变压器油箱表面振动非平稳信号的检测和故障特征的提取,并建立了基于帕瑞托粒子群算法优化的支持向量机故障诊断模型。

实现电力变压器绕组故障的智能诊断。

针对以往电力变压器振动频谱分析振动机理分析不透彻的问题,本文介绍了电力变压器的基本结构和四个核心振源,以及多个振源的振动信号如何经不同传递途径复杂耦合卷积后最终到达变压器油箱表面,详细分析了变压器的两个核心振源铁芯和绕组的振动机理。

并给出绕组和铁芯振动加速度的量化表达式。

考虑到变压器油箱表面所获取的变压器振动加速度信号具有非线性非平稳的特点,引入变分模态分解(VMD)理论,通过仿真分析表明,VMD分解在针对间断信号、频率相近信号、脉冲信号时比EMD有明显的优越性,有效避免了两类模态混叠和过分解现象,准确反映源信号特征。

针对VMD模型参数难以确定的问题,使用型波法对VMD的两个核心参数进行了确定。

使用VMD能量熵对变压器绕组的健康状态作出初步评估,并给出具体判据,且VMD能量熵不受负载电流大小的影响,具有很强的稳定性。

而后,针对VMD能量熵无法准确定性故障类型的问题,构建VMD-SVM联合故障诊断模型,实现对绕组垫块脱落、绕组径向拉伸、绕组扭转三种故障的准确诊断。

针对支持向量机的两个核心参数难以确定的问题,使用帕瑞托粒子群方法对支持向量机的两个核心参数进行多目标并行寻优获取最优参数。

基于支持向量机和交叉验证的变压器故障诊断张艳;吴玲【摘要】为及时监测变压器潜伏性故障和准确诊断故障,提出基于优化惩罚因子C 参数的支持向量机算法(C-SVC:C-support vector classification)和交叉验证算法相结合的变压器故障诊断方法.该方法利用变压器在故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的体积分数数据建立训练集和测试集.在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数的参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而诊断出变压器的故障类型.变压器故障诊断实例分析结果证明,该方法可行,有效,且具有较高的故障诊断准确率.%A novel method for power transformer fault diagnosis based on the C-SVC (support vector classification with the optimized penalty parameter C) and cross-validation algorithm is presented, which can monitor and detect latent transformer faults timely and accurately. The training and testing sets of the C-SVC algorithm are built upon the data about the dissolved gases including hydrogen, methyl hydride, ethane, aethylenum and acetylene produced from transformer faults. Through the optimizing process of the penalty parameter and kernel function parameter y in the training set, the optimal support vector machine model can be gotten, with which the classification of data in the testing set can be conducted to determine fault features. The method has been validated by many practical examples to be feasible and efficient with high fault diagnosis accuracy.【期刊名称】《中国电力》【年(卷),期】2012(045)011【总页数】4页(P52-55)【关键词】变压器;故障诊断;支持向量机;C-SVC算法;交叉验证;核函数参数【作者】张艳;吴玲【作者单位】自贡电业局调度局,四川自贡 643000;自贡电业局调度局,四川自贡643000【正文语种】中文【中图分类】TM410 引言电力变压器是电力系统中最重要的电气设备之一，其安全运行的可靠性关系到电力系统的稳定与安全。

2020年第11期144信息技术与信息化电子与通信技术不变，改变信号源的频率，先增加ƒ使得U o 降到中频时的0.707倍，此时输入信号的频率即为ƒH ，降低频率使得U o 降到中频时的0.707倍，此时输入信号频率即为ƒL 。

表5 幅频特性的测试与计算测试条件U i (mV)0.707*U o (mV)f H f L 开环20.8444.7750.1khz 340Hz 闭环20.8137.872.5MHz440Hz由表5测试结果可得，电压串联负反馈 能够较好地实现展宽电路通频带的功能。

3 结论由表2～5的测试与分析可得，电压串联负反馈能够增大电路输入阻抗，更好的匹配前级电路；能够减小电路输出阻抗，增强电路带负载能力；电压串联负反馈牺牲了放大倍数，提高了电路的稳定性；可以减小电路的非线性失真以及对电路的通频带也有较好的展宽作用，优化电路各项动态指标。

此外，该平台提供的解决方案，不仅解决了2020年新冠疫情下，开展在线实验的困难，还可以在更长远的大学开放性实践工作中提供更加开放和自由的空间，让学生真正体验实验的自由开放 。

参考文献：[1] 施金鸿,陈光明.电子技术基础实验与综合实践教程[M].北京:北京航空航天大学出版社, 2006:29.[2] 陆凯,刘学敏. 基于net CIRCUIT labs 的两级交流放大器分析与研究[J]. 电子测试, 2020(15):56-57.[3] 余华,刘岚,姚敏,等.基于虚-实结合新型实验云平台的教学改革研究与实践——以netCIRCUIT labs 系统为例[J]. 中国多媒体与网络教学学报, 2020(3):21-23.（收稿日期：2020-09-16 修回日期：2020-10-11）基于灰狼算法优化支持向量机的变压器故障诊断熊军华* 师刘俊 康 义* **XIONG Jun-hua SHI Liu-jun KANG Yi摘　要 针对变压器故障诊断准确率不高的问题，本文提出一种基于灰狼算法（GWO ）优化支持向量机（SVM ）的变压器故障诊断模型。

基于遗传优化支持向量机的变压器故障诊断电力变压器作为电力系统中的关键电力设备，其运行状态和电网的安全可靠运行息息相关，受到国内外研究者的广泛关注。

对于电力变压器的故障诊断，工程实践中广泛采用的是油中溶解气体法，它对于发现变压器的潜伏性故障非常有效，然而由于电力变压器的故障样本比较少，属于小样本数据，而支持向量机对于处理小样本数据情况下的分类问题非常有效，因此文章结合支持向量机、油中溶解气体法来建立变压器故障诊断模型，另外支持向量机的核函数参数g和惩罚因子C对变压器故障诊断模型的诊断效果有重要影响，所以文章还利用遗传算法来找出最优的参数，从而使其具有最佳的诊断性能。

标签：电力变压器；故障诊断；支持向量机；油中溶解气体法；遗传算法引言电力变压器作为电力系统中的关键电力设备，其运行状态和电网的安全可靠运行息息相关，一旦其发生故障，会给电网带来巨大的影响，因此对于变压器的故障诊断得到了电网以及国内外研究者的格外关注。

然而由于电力变压器的构造比较复杂，且长时间处于大电流、高电压的运行环境下，给电力变压器的故障诊断带来了困难[1]。

油中溶解气体法对于发现电力变压器的潜伏性故障非常有效且使用方便，从而使其在工程实践中得到了广泛推广，如基于油中溶解气体分析法发展而来的比值法，它对于发现变压器的潜伏性故障起到了一定的作用，然而该方法存在编码太绝对以及编码缺失的缺点，从而限制了它的发展。

而对于电力变压器的故障诊断，实际上就是处理一个多分类问题，它就是利用故障特征量的信息，从而采用用到变压器的故障诊断领域，如神经网络、支持向量机，它们就是通过对故障样本的学习，从而来进行故障诊断的，然而由于变压器的故障样本比较少，属于小样本数据[2]，而支持向量机对于处理小样本情况下的分类问题非常有效，因此文章结合油中溶解气体分析法以及支持向量机来建立变压器的故障诊断模型。

1 支持向量机理论支持向量机是由统计学理论的创始人Vapnik等人依据统计学理论于20世纪90年代提出的，它建立在统计学理论中的VC维理论和结构风险最小基础上，对于解决小样本、非线性、维数灾难、过学习以及局部极小值等问题非常有效。

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
【期刊名称】《陕西电力》
【年(卷),期】2011(39)8
【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问题等方面特有的优势,解决变压器故障信息存在的冗余、不确定、小样本等问题.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.
【总页数】5页(P46-49,57)
【作者】董卓;朱永利
【作者单位】华北电力大学电子与电气工程学院,河北保定 071003;华北电力大学电子与电气工程学院,河北保定 071003
【正文语种】中文
【中图分类】TM41
【相关文献】
1.基于信息融合技术的变压器多层次故障诊断 [J], 李志斌;李启本
2.基于人工蜂群算法优化支持向量机的变压器故障诊断 [J], 季伟; 胡伟
3.基于灰狼算法优化支持向量机的变压器故障诊断 [J], 熊军华;师刘俊;康义
4.基于支持向量机集合的油浸式变压器故障诊断 [J], 肖海燕;孙爱伦
5.基于混合采样和支持向量机的变压器故障诊断 [J], 李亮;范瑾;闫林;张宓;王鹏飞;赵小军;肖海滨
因版权原因，仅展示原文概要，查看原文内容请购买。

基于支持向量机的变压器远程故障诊断研究的开题报告一、选题背景变压器在电力系统中扮演着重要的角色，其负责将电能从高压输电线路传输到低压配电线路，因此其可靠性和安全性非常重要。

在实际运行中，由于电力系统的复杂性和不可预测性，变压器难免会出现故障，如绝缘老化、短路等。

为了提高变压器的可靠性和延长使用寿命，需要对其进行及时的故障诊断和维护。

目前，变压器远程故障诊断技术已经得到了广泛的应用。

其中，支持向量机被认为是一种有效的方法，能够识别和分类各种变压器故障类型。

然而，目前针对变压器故障诊断的研究还存在一些问题，如数据不足、模型精度不够高等。

因此，本研究旨在基于支持向量机，通过收集和分析变压器的运行数据，建立一个高效准确的远程故障诊断模型，以提高变压器的可靠性和安全性。

二、研究目的本研究的主要目的如下：1.通过收集和分析变压器的运行数据，建立一个支持向量机模型，以识别和分类各种变压器故障类型。

2.通过对模型的训练和测试，评估其准确性和效率，为变压器远程故障诊断提供科学依据。

3.针对目前变压器远程故障诊断存在的问题，提出相关改进建议，并对该领域进行深入研究。

三、研究内容本研究的主要内容如下：1.收集和整理变压器的运行数据，包括各种故障类型的数据特征。

2.设计和实现支持向量机算法，包括模型选择、特征提取、训练和测试等环节。

3.对模型进行优化和调整，以提高其准确性和效率。

4.评估模型的性能，并与其他机器学习算法进行比较。

5.针对模型训练的结果，提出相关改进建议，并对变压器远程故障诊断领域进行探讨。

四、研究方法本研究采用以下方法：1.收集和整理变压器的运行数据，包括历史数据、实时数据和测试数据。

2.利用支持向量机算法，对数据进行处理、特征提取和分类。

3.通过交叉验证和网格搜索等方法，优化和调整模型的参数。

4.利用Python语言编写程序，实现模型的训练和测试，对模型进行评估。

五、可行性分析1.变压器故障诊断是一个热门和重要的研究领域，具有广泛的应用前景。