基于支持向量机和油中溶解气体分析的变压器故障诊断

电力变压器是电力系统的重要设备,它的性能直接影响到电力系统运行的安全和可靠。针对变压器的故障诊断,前人提出了很多的解决方法,但都有这样或那样的缺陷,不能迅速、准确的作出判断。支持向量机作为数据挖掘的一项新技术,被广泛应用于模式识别和处理回归问题等诸多领域。本文利用支持向量机小样本学习、推广性强、不陷入“过学习”的优点,将其应用于变压器油中溶解气体数据的分析中,提出变压器故障诊断的新方法,具有重要的理论意义和实用价值。 本文分析了现有的基于变压器油中溶解气体的故障分析方法的优缺点,将其与支持向量机的分支——支持向量分类机相结合。针对油中溶解气体与变压器故障之间的非线性分类关系,建立了变压器故障诊断模型。变压器特征气体反映故障的灵敏度及气体含量本身差异大,因此本文对数据进行了归一化处理,显著改善了模型的收敛性能。通过对核函数、求解方法以及参数的选取,建立了具有最佳分类效果的支持向量分类机。针对变压器油色谱数据进行一次分类的结果往往很难达到要求的问题,本文分别建立了发热和放电故障诊断模型,低、高能量放电故障诊断模型和中低、高温发热故障诊断模型,并用所得到的模型建立了两层的故障诊断决策树,提高了故障分类的精度和效率。 本文将SVM模型的仿真结果与三比值法进行比较,结果表明基于支持向量机的故障诊断模型在对变压器发热和放电故障两个大类诊断的准确率上稍低于三比值法,但在对细分故障的诊断准确率方面远远高于三比值法,能够对故障进行更深入的诊断。 最后,本文将SVM模型与BP神经网络作了比较。在对学习过样本的判断准确率上SVM模型稍低于BP神经网络,但对未学习的样本,尤其是对低、高能量放电故障样本的诊断准确率均明显高于BP神经网络,这表明SVM方法能够避免出现神经网络常见的“过学习”现象。减少训练样本数后,BP神经网络的判断准确率急剧下降,而SVM模型准确率基本不变,这很好的体现了SVM小样本学习,推广能力强的优点。另外,仿真结果表明,与神经网络相比SVM的收敛性能更好,诊断速度更快。