基于聚类和模糊支持向量机的变压器故障诊断研究

变压器是电力系统中比较贵重的枢纽设备,其故障不仅影响到供电的可靠性,而且对电力系统的运行安全构成严重威胁,如何发现并判别变压器故障一直是电业部门的重要课题。油种溶解气体分析(DGA)是目前发现和判别变压器故障的有效手段,它的实质是寻找一种能客观、准确地描述油中溶解气体的特征信息到变压器故障类型之间关系的映射。本文基于支持向量机以及模糊支持向量机等基本算法,提出了分层聚类模糊支持向量机增量算法变压器故障诊断方法,并用实例分析证明其有效性。 主要工作如下: (1)以变压器油中溶解气体和变压器故障之间的关系为基础,提出了一个基于多分类支持向量机的变压器故障诊断模型及其求解步骤。 此方法基于模式识别特征提取的思想,以分层结构提取与分类模式密切相关的输入特征,有效地抑制了冗余信息的干扰,通过诊断效果比较,选取最佳的特征提取模式。 (2)采用参数自适应优化算法增强了SVM参数选择的灵活性,加快了算法的收敛速度。 (3)在支持向量机诊断模型的基础上,构造模糊支持向量机,以样本到相应的聚类中心的欧氏距离为基准确定模糊隶属度,从而降低了噪音和孤立点的影响。 (4)增量学习算法将新增样本信息合理有效地融入原有的FSVM诊断模型,有效地弥补了支持向量机离线学习的不足。