基于改進RADAG-SVM的電力變壓器故障診斷

周志成　 楊志超　 楊成順　 陶風波　 李建生

(1江蘇省電力公司電力科學研究院, 南京 211103)(2南京工程學院電力工程學院, 南京 211167)

?

基于改進RADAG-SVM的電力變壓器故障診斷

周志成1楊志超2楊成順2陶風波1李建生1

(1江蘇省電力公司電力科學研究院, 南京 211103)(2南京工程學院電力工程學院, 南京 211167)

為提高變壓器故障診斷的正確率，提出一種基于改進重排序自適應有向無環(huán)圖(reordering adaptive directed acyclic graph, RADAG)支持向量機(support vector machines, SVM)的電力變壓器故障診斷方法.該方法首先利用基于K折交叉驗證和人工蜂群算法優(yōu)化SVM的核函數(shù)和懲罰因子參數(shù)，使二分類SVM獲得最佳的分類性能；其次，為進一步提高多分類SVM的性能，提出利用交叉確認機制估計每個二分類SVM的泛化能力的方法，并將其用于改進RADAG-SVM的分類精度.最后，給出基于改進RADAG-SVM的變壓器故障診斷流程并進行實例分析.結果表明，所提方法、原始RADAG-SVM和基于結點優(yōu)化的DDAG-SVM方法對變壓器故障診斷的平均正確率分別為94.16%，87.85%和90.77%.因而，與其他2種診斷方法相比，所提方法具有較好的故障診斷效果.

電力變壓器;故障診斷;重排序自適應有向無環(huán)圖;支持向量機

對變壓器的運行狀態(tài)及其潛伏故障進行判斷,及時發(fā)現(xiàn)故障的性質及發(fā)展趨勢對掌握變壓器的運行狀態(tài)以及電力系統(tǒng)的安全穩(wěn)定運行均具有重要意義.DGA(dissolved gas analysis)方法是目前發(fā)現(xiàn)油浸變壓器早期內部故障最有效、簡單的方法之一.其中,IEC三比值法在以往的設備維護中為發(fā)現(xiàn)變壓器故障隱患、降低事故率發(fā)揮了巨大作用.但在長期實踐中發(fā)現(xiàn),IEC所提供的編碼并不完備，實際應用中有部分DGA結果未能涵蓋于此編碼中，由此導致對某些故障無法進行診斷[1].

隨著人工智能技術的發(fā)展,神經(jīng)網(wǎng)絡[2]、模糊技術[3-4]、專家系統(tǒng)[5]、灰色系統(tǒng)理論[6]、模糊聚類[7]等方法逐漸被應用于變壓器故障診斷中,并取得了較好的診斷效果.然而,上述方法均存在一定的缺陷,如人工神經(jīng)網(wǎng)絡方法是基于傳統(tǒng)統(tǒng)計學基礎,按照大數(shù)定律,只有訓練樣本接近無窮大時,其統(tǒng)計規(guī)律才能被精確表達,然而,變壓器故障樣本無法獲取無窮多數(shù)據(jù),且該方法存在訓練時間長、存在局部最優(yōu)解等問題;模糊聚類對初值敏感、易陷入局部極值點且對樣本數(shù)據(jù)的分布要求及其嚴格,僅適合球狀或橢球狀的數(shù)據(jù)類型[8],因此診斷精度也受到限制.除此之外,變壓器復雜的故障機理以及多樣的故障類型,決定其需要不斷引入新技術和新方法進行深入研究.

支持向量機(support vector machines,SVM)是根據(jù)統(tǒng)計學習理論提出的一種基于知識的智能分類算法,該方法通過求解一個線性約束的二次規(guī)劃問題得到全局最優(yōu)解,且能夠在少量樣本的情況下,自動建立優(yōu)秀的故障分類模型,得到較好的分類結果[9].但SVM是針對二分類問題設計的,而變壓器的故障診斷問題是一個多分類問題,為此將SVM用于變壓器的故障診斷首先需將SVM進行多分類擴展.針對SVM多分類擴展問題，經(jīng)典方法是通過建立多個二分類器,然后兩兩組合進行決策.文獻[10]提出了基于多級支持向量機分類器的變壓器故障識別,取得了較好的識別效果,但該方法運算量大,存在誤分、拒分區(qū)域,且可能因正負樣本的不對稱導致過擬合問題;針對該方法存在的誤分、拒分現(xiàn)象,文獻[11]提出了決策導向無環(huán)圖(decision directed acyclic graph,DDAG)SVM算法,該算法在不增加決策計算量的情況下,為不同數(shù)據(jù)選擇不同的決策路徑,提高了劃分精度;文獻[9]基于DDAG-SVM算法提出了基于結點優(yōu)化的DDAG多分類擴展策略,并將所提方法用于變壓器的故障診斷,結果表明該方法在保持算法效率的基礎上,比傳統(tǒng)多分類支持向量機具有更高的分類準確性.然而,基于結點多分類擴展策略存在自上而下的誤差累積現(xiàn)象,如果在某個結點行發(fā)生分類錯誤,則會把分類錯誤延續(xù)到后續(xù)的結點上,尤其是在根結點上發(fā)生分類錯誤,將嚴重影響分類性能[12].為解決此問題,文獻[13]提出一種重排序自適應有向無環(huán)圖(reordering adaptive directed acyclic graph,RADAG)支持向量機.該算法采用倒三角結構,與DDAG算法相同,未知樣本需要計算k-1個決策函數(shù)才能得到最后的結果,但是未知樣本的真實類別只需要和其他類別計算log2k次或更少,較DDAG算法(需計算k-1次)減少很多計算量,這樣在很大程度上減少了誤差的累積.為進一步提高該算法的性能,本文對重排序自適應有向無環(huán)圖-支持向量機(RADAG-SVM)算法做出進一步的改進,分別提出基于K-折交叉驗證(K-fold cross validation, K-CV)法和人工蜂群算法的SVM核函數(shù)和懲罰因子參數(shù)優(yōu)化方法,以提高二分類SVM的分類性能;提出利用K-折交叉驗證法估計二分類SVM的泛化能力,將該泛化能力用于改進RADAG-SVM分類性能方法中,并將改進RADAG-SVM方法用于電力變壓器的故障診斷.

1　SVM兩類分類器及其泛化能力估計

1.1SVM兩類分類器

s.t. yi(w·xi+b)≥1-ξi

ξi≥0i=1,2,…,l

(1)

式中,w為超平面的法向量;C為錯誤懲罰因子,用于平衡樣本偏差和泛化能力;ξi為訓練樣本相對最優(yōu)平面的偏差,當分類面出現(xiàn)錯分時ξi>0;b∈R為閾值.

將式(1)運用拉格朗日乘子法求解,可將具有線性約束的二次規(guī)劃問題轉化為對應的對偶問題Q(a).其最大值為

(2)

式中,ai>0為拉格朗日乘子;K(xi,xj)為核函數(shù).

1.2SVM泛化能力估計

SVM泛化能力是學習模型對未來輸出進行正確預測的能力.SVM是一種基于結構風險最小化準則的學習方法,其泛化能力與經(jīng)驗風險和學習模型的復雜度密切相關.根據(jù)SVM原理可知,期望風險最小的SVM判別函數(shù)具有最好的泛化能力,由此可判斷SVM泛化能力的優(yōu)劣,但難以求得SVM判別函數(shù)的期望風險值,僅能得到一個上界.考慮一個在實n維空間中的二分類問題,其中訓練集z包含m個獨立同分布的觀測樣本(x1,y1),(x2,y2),…,(xm,ym),對于二分類SVM,總存在一個常數(shù)c，滿足所有概率分布并且至少概率為1-η.每一個分類器的期望風險的界滿足[14]

(3)

式中,右邊第1項和第2項分別表示經(jīng)驗風險和VC維;l為訓練集z中距離小于Δ的樣本標簽個數(shù);R為包含所有數(shù)據(jù)點的最小球體半徑;Δ為分類間隔.

SVM泛化能力越強,學習模型對未來輸出進行正確預測的能力越高.針對此問題，文獻[11,15]分別提出利用支持向量個數(shù)和分類間隔的方法用以提高二分類SVM的泛化能力,然而這些方法并不能精確反應每一個二分類SVM的實際性能.本文通過深入分析,得出如下具體原因:考慮一個二類問題,h1和h2分別是用于分開正負樣本超平面的2個學習模型.假設2個學習模型分別提供2個不同的分類間隔Δ1和Δ2，以及訓練集z中距離小于分類間隔的樣本標簽個數(shù)l1和l2.如果參數(shù)c和η確定,那么根據(jù)式(3)可知僅有2個參數(shù)(Δ和l)能反映學習模型的泛化能力,因為對于同一個二分類問題，其參數(shù)m1,m2,R1,R2均是相同的.現(xiàn)在,考慮由一對不同的二分類問題所得到的2個學習模型,如果參數(shù)c和η是確定的,根據(jù)式(3)可知,僅利用Δ和l或者其組合,并不能充分代表泛化能力的所有項.這就說明一個二分類模型,僅利用最大分類間隔可能無法得到一個更精確的分類結果.文獻[16]指出,僅利用支持向量的個數(shù)無法預測SVM的泛化能力.

(4)

(a) 4種方法估計的泛化能力

(b) 實際風險與K-CV方法估計的泛化誤差(r=0.089 3)

(c) 實際風險與SV方法估計的泛化誤差(r=0.359)

(d) 實際風險與NM方法估計的泛化誤差(r=0.198)

圖1(a)利為利用K-折線交叉驗證法、支持向量個數(shù)法、歸一化分類間隔法估計出SVM二分類器的泛化誤差與實際風險(AR)的對比結果.從圖中可以看出,利用K-折交叉驗證法估計的SVM泛化誤差接近樣本的實際風險,利用其他2種方法得到的泛化誤差與實際風險之間有較大的偏差.

為進一步研究上述方法的優(yōu)劣性,從325個分類器中選擇50個進行分析.圖1(b)、(c)、(d)分別為K-折交叉驗證法、支持向量機個數(shù)法、歸一化分類間隔法得到的泛化誤差與實際風險的對比結果,且分類器按照序號升序排列.從圖中可以看出，利用K-折交叉驗證法估計得到的泛化誤差與實際風險一致,而另外2種方法估計得到的泛化誤差與實際風險之間有較大誤差.為更進一步證明這一結論,本文利用統(tǒng)計學中相關系數(shù)(r-value)方法對結果進行分析,該方法可解釋變量和被解釋變量之間的線性相關程度,其中r值范圍為[-1,1],r>0表示正相關,r<0表示負相關.通過統(tǒng)計計算得到K-折線交叉驗證法、支持向量機個數(shù)法、歸一化分類間隔法r分別為0.893，0.369和-0.198.結果同樣表明,利用K-折交叉驗證法估計的泛化誤差和實際風險之間高度相關,其他2種方法相關度較低.上述分析表明,利用K-折線交叉驗證法非常合適估計SVM二分類器的泛化能力,且與式(3)方法相比,具有簡單、精確的優(yōu)點,利用式(3)估計泛化誤差時需要設置參數(shù)c,但是該值難以確定.

通過上述分析可知,泛化能力越高的SVM學習模型,對未來輸出進行正確預測的能力越高.同時SVM的泛化能力可利用K-折交叉驗證法進行準確估計.因此,本文提出用泛化能力作為最佳SVM分類器的選擇依據(jù),并將此用于多分類器算法的設計階段,以提高多分類器的分類精度.基于這個思想,本文對RADAG-SVM算法進行了改進.

2　RADAG-SVM算法及其改進

2.1RADAG-SVM算法

重排序算法用來在每一層尋找最優(yōu)的類別組合,這個問題可用結點集合為V,邊集合為E的圖G=(V,E)來闡述.其中,G中的每個結點代表一類,每個邊代表一個二分類器,該二分類器的泛化誤差根據(jù)1.2節(jié)方法獲得.對于圖G,重排序算法的輸出是一個邊的子集,該子集包含的所有邊的泛化誤差和最小,且每個結點在這個邊的子集中只出現(xiàn)一次.因此,重排序算法可利用最小權完全匹配 (minimum-weight perfect matching)算法[18]來實現(xiàn),該算法可尋找一個最小權(泛化誤差)的完美匹配.

支持向量機的分類間隔2/‖w‖為2類樣本中離最優(yōu)分類面最近的2個樣本之間的距離,也即權系數(shù)向量‖w‖越小,分類間隔越大,2類樣本被無錯誤分開的可能性就越大.因此‖w‖值在一定程度上會影響SVM的分類精度.RADAG-SVM正是根據(jù)分類間隔,并通過式(3)估計泛化誤差的界為未知樣本尋找最佳的結點序列,以避免DDAG中由結點序列而產(chǎn)生的分類誤差,其分類過程如圖2所示,算其法流程為:

② 利用最小權完美匹配算法選擇最優(yōu)的類對組合,使每一層二分類器的分類間隔總和最小,以便為個別類初始化產(chǎn)生最優(yōu)組合.

③ 根據(jù)初始化列表排列形成頂層分類的每個結點的類別組合,即第i個類別與第j個類別組合形成一個決策結點.

④ 頂層分類器排除部分類別后,剩余的類別繼續(xù)進行第2層分類,在第2層分類之前仍需利用最小權完美匹配算法將剩余類重新排序,并進行最優(yōu)類別組合.

企業(yè)知識型員工無論是成就需要、控制源還是自我效能感的人格預測變量，對人際關系的預測均高于對任務績效和工作奉獻的預測，分析原因可能是由于我國傳統(tǒng)文化一貫重視人際關系，與人為善。工作環(huán)境要融洽，不要嚴格；人際關系要簡單，不要復雜，這樣的企業(yè)文化將有利于員工把精力投入到工作中，提高工作績效，創(chuàng)造更多勞動成果。而知識型員工要求獲得尊重的需求非常強烈，建議企業(yè)的管理者積極創(chuàng)造“以人為本”的企業(yè)文化，尊重員工、平等溝通，注重人情味，做到事業(yè)留人、感情留人和文化留人。給予員工家庭歸屬感，幫助員工職業(yè)成長，創(chuàng)造和諧、健康、團結的企業(yè)文化環(huán)境。

⑤ 重復第③步和第④步,直到最后一層只剩下一個類別,算法結束.

圖2　RADAG-SVM分類過程

2.2RADAG-SVM算法改進

1) 改進1RADAG-SVM算法根據(jù)分類間隔,并依據(jù)分類間隔估計二分類器的泛化誤差,為未知樣本尋找最佳的結點序列.然而,該算法的分類精度會受到二分類器泛化能力估計不準確的影響,若泛化能力估計誤差較大,則會導致在訓練階段得到的模型可能對測試樣本的預測能力較差,因此,會對分類精度造成較大的影響.根據(jù)1.2節(jié)中對SVM泛化能力的分析可知,僅利用分類間隔這一參數(shù)并不能準確估計SVM的泛化能力,除此之外,在實際應用中通過式(3)也難以準確獲取分類器的泛化誤差,因為獲得的泛化誤差僅為泛化誤差的上界,且包含一個需要設定的參數(shù)c,而該參數(shù)的取值難以確定.

為此本文對RADAG-SVM算法進行改進,直接利用K-折交叉驗證估計每個二分類器的泛化誤差,而非利用分類間隔并通過式(3)估計的方法;然后在每一層的個類排序中基于最小權完美匹配算法，根據(jù)泛化誤差最小的原則選擇最佳的類組合，并形成決策結點.該方法可避免由分類間隔估計泛化誤差不準的缺陷,可將泛化能力最優(yōu)的二分類SVM作為模型,因此可進一步提高RADAG-SVM算法的分類精度.

2) 改進2RADAG-SVM算法雖然為多分類算法,但該算法在初始階段仍需采用樣本兩兩組合的方式構造二分類SVM,因此,要使每個二分類器獲得最佳的分類性能,應尋找最優(yōu)的懲罰因子C和核函數(shù)參數(shù)σ.在全局優(yōu)化算法中,人工蜂群(artificial bees colony, ABC)算法具有原理簡單、設置參數(shù)少、容易實現(xiàn)且魯棒性強的優(yōu)點,使得ABC算法在組合優(yōu)化、多目標優(yōu)化、人工神經(jīng)網(wǎng)絡訓練等方面具有廣泛應用[19];而K-折交叉驗證法(K-CV)可以確保所有的樣本數(shù)據(jù)都參與模型的訓練與驗證[20].若將K-CV用于評估待選擇的核函數(shù)參數(shù)優(yōu)劣,ABC用于選取最優(yōu)的核函數(shù)參數(shù),將較大提高二分類SVM的分類精度.為此,本文提出一種基于K-CV和ABC算法相結合的核函數(shù)參數(shù)優(yōu)化方法,該方法的具體實現(xiàn)步驟如下:

① 采用K-CV法,將樣本集D隨機分成M個元素大致相同且相互獨立的子集D1,D2,…,DM.

② 將D與DM做集合差運算，訓練SVM模型,用Dm(m∈{1,2,…，M})對模型進行驗證,以獲得M個分類正確率.

③ 為評估待選擇的核函數(shù)參數(shù),以下式中K個模型的分類平均正確率作為ABC算法的適應度函數(shù):

(5)

④ 采用ABC算法選擇最優(yōu)的核函數(shù)參數(shù).具體過程為:種群初始化后,引領蜂隨機選擇食物源進行交叉搜索,計算適應度值;隨后跟隨蜂根據(jù)錦標賽選擇策略選擇食物源,計算新食物源的適應度值,并判斷是否存在需要放棄的食物源,以分類準確率達到設定精確為終止條件.本文選擇正確率達到95%作為終止條件.

參數(shù)優(yōu)化方法的流程如圖3所示.

圖3　基于K-折交叉驗證和人工蜂群的參數(shù)優(yōu)化

3　基于改進RADAG-SVM的變壓器故障診斷

3.1確定變壓器故障分類和故障特征量

通常在變壓器的故障診斷中,變壓器的故障類型可分為低能放電LD、高能放電HD、局部放電PD、低溫過熱LT(T<300 ℃)、中溫過熱MT(300 ℃700 ℃)、低能放電兼過熱LDT、高能放電兼過熱HDT 8種故障類型.

變壓器正常運行時,變壓器中生CH4，C2，C2H4，C2H6，C2H2含量很少,但變壓器一旦發(fā)生電和過熱故障時上述氣體便會加速產(chǎn)生.其中,當變壓器內部故障點的溫度較低時,產(chǎn)生氣體的主要成分為CH4,然而隨著故障點溫度的逐步上升,變壓器油中的溶解氣體逐步產(chǎn)生C2H6，C2H4以及C2H2.而C2H6極其不穩(wěn)定,易分解為H2和C2H4,因此兩者總是同步產(chǎn)生,但通常CH4的含量大于C2H6.

變壓器的過熱故障包括低溫過熱、中溫過熱和高溫過熱.通常情況下,低溫過熱時,變壓器油中溶解氣體中的H2含量占總氫烴(即CH4，C2H6，C2，C2H4，C2H2含量之和)含量的27%以上;中溫過熱時,H2含量占總氫烴含量的27%以下;而高溫過熱時,氣體中的主要成分為C2H4,其次是CH4,二者含量占總烴的80%以上.

變壓器發(fā)生局部放電時,產(chǎn)生氣體的主成分為H2,其次是CH4.通常CH4占總烴含量的90%以上,H2占總氫烴含量的90%以上.當放電能量密度較大時,氣體中可能會出現(xiàn)少量的C2H2,但含量一般會小于總烴含量的2%.

低能放電時,總烴含量不高,產(chǎn)生氣體的主要成分是H2和C2H2.高能放電時,產(chǎn)生氣體的主要成分是H2和C2H2以及部分CH4和C2H4.變壓器典型故障對應的油中溶解氣體的組成如表1所示.

表1　變壓器故障與溶解氣體的組成

由表1可知,在變壓器發(fā)生某些故障時,油中溶解氣體成分也包含CO2和CO,但兩者的含量主要是反映固體絕緣的問題,對判斷變壓器過熱故障和放電故障不明顯.本文主要研究變壓器過熱和放電故障下的故障診斷問題,因此選擇CH4，C2H6，C2H4，C2H2，H2五種氣體的含量作為變壓器故障診斷的特征量.

為消除各氣體含量的原始數(shù)據(jù)差異較大以及數(shù)據(jù)量綱變化范圍太大的問題,且能比較直觀地反映特征氣體之間相互關系,本文將原始數(shù)據(jù)按照下式進行規(guī)格化處理:

(6)

3.2變壓器故障診斷流程

在確定變壓器故障類型和故障特征的基礎上,基于所提的改進RADAG-SVM方法對上述8種變壓器故障進行故障診斷.具體的診斷步驟如下:

① 數(shù)據(jù)樣本處理.處理確定的8種故障特征氣體樣本數(shù)據(jù),并利用式(6)進行規(guī)格化處理.

(7)

式中,σ為核函數(shù)的高寬參數(shù).為使構造的二分類SVM模型具有最佳的分類性能,采用K-CV和ABC算法尋求最優(yōu)的懲罰因子C以及核函數(shù)參數(shù)σ,其中,K的取值為5.

③ 據(jù)1.2節(jié)中的K-CV法估計每個SVM的泛化誤差.

④ 采用最小權值完美匹配算法，根據(jù)泛化誤差最小的原則，將測試樣本的8個類別按最佳排序初始化一列表,并形成4個頂層的決策結點,其輸出結果可排除4個類別,將剩余的4個類別在參數(shù)第2層中分類.

⑤ 第2層分類之前,再次利用最小權值完美匹配算法和最小泛化誤差對剩余的4個類別進行重新排序和組合決策結點,第2層剩余2個類別,輸出最后的分類結果.

3.3實例分析

為了驗證所提方法的有效性和正確性,本文選用江蘇省電力科學研究院提供的378組實測溶解氣體數(shù)據(jù)進行實例比較分析.同時,為進一步驗證本文方法的優(yōu)越性,將所提方法與文獻[9]中基于結點優(yōu)化的DDAG-SVM方法以及文獻[13]中原始RADAG-SVM方法進行對比研究, 3種方法的變壓器故障診斷正確率對比結果如表2所示.

表2　3種方法的變壓器故障診斷正確率對比

從表2結果可以看出,本文方法、原始RADAG-SVM和基于結點優(yōu)化的DDAG-SVM方法對變壓器故障診斷的平均正確率分別為94.16%,87.85%和90.77%,這表明本文所提方法是正確和有效的.

為進一步驗證本文方法的性能,基于本文所提方法和文獻[9]方法對8組電力變壓器的故障進行了診斷,其結果如表3所示.

由表3結果分析可知:本文方法可對8種故障類型做出正確的判斷,而文獻[9]的方法,針對高能放電出現(xiàn)了1處誤判,通過對診斷過程分析發(fā)現(xiàn),診斷過程在第3層的結點處出現(xiàn)了誤判,進而把分類錯誤延續(xù)到該結點的后續(xù)結點上,導致了最終結果的誤判.

表3　電力變壓器故障診斷實例

4　結語

為提高RADAG-SVM的分類性能,本文提出利用K-折交叉驗證法估計二分類SVM的泛化誤差,并以此作為尋求最優(yōu)個類組合的原則;同時,為提高每個二分類SVM的分類性能,提出基于K-折交叉驗證法和ABC算法相結合的SVM懲罰因子和核數(shù)參數(shù)優(yōu)化方法,基于上述2種方法,本文提出一種改進的RADAG-SVM多分類算法,并將該方法應用于變壓器的故障診斷.實例表明，本文所提方法具有較好的診斷結果和應用價值.

References)

[1]師瑞峰,史永鋒,牟軍,等. 油中溶解氣體電力變壓器故障診斷專家系統(tǒng)[J]. 電力系統(tǒng)及其自動化學報,2014,26(12):49-54.

Shi Ruifeng, Shi Yongfeng, Mou Jun, et al. Power transformer fault diagnosis expert system with dissolved gas analysis in oil[J].ProceedingsoftheCSU-EPSA, 2014, 26(12): 49-54. DOI:10.3969/j.issn.1003-8930.2014.12.008.(in Chinese)

[2]Souahlia S, Bacha K, Chaari A. MLP neural network-based decision for power transformers fault diagnosis using an improved combination of Rogers and Doernenburg ratios DGA[J].InternationalJournalofElectricalPower&EnergySystems, 2012, 43(1): 1346-1353. DOI:10.1016/j.ijepes.2012.05.067.

[3]Duraisamy V, Devarajan N, Somasundareswari D, et al. Neuro fuzzy schemes for fault detection in power transformer[J].AppliedSoftComputing, 2007, 7(2): 534-539. DOI:10.1016/j.asoc.2006.10.001.

[4]周愛華,張彼德,方春恩,等.基于模糊免疫識別方法的電力變壓器故障診斷[J].電網(wǎng)技術,2009,33(3):99-102.

Zhou Aihua, Zhang Bide, Fang Chunen, et al. Power transformer fault diagnosis based on fuzzy immune recognition approach[J].PowerSystemTechnology, 2009, 33(3): 99-102. (in Chinese)

[5]厲劼翀,周寧,呂彬.基于神經(jīng)網(wǎng)絡、模糊理論的變壓器油中溶解氣體診斷專家系統(tǒng)[J].電網(wǎng)技術,2006,30(增刊):125-128.

Li Jiechong, Zhou Ning, Lü Bin. Transformer DGA diagnosis expert system based on neural network and fuzzy theory[J].PowerSystemTechnology, 2006, 30(supp): 125-128.(in Chinese)

[6]楊廷方,周力行,李景祿,等.基于最優(yōu)權值的組合模型診斷變壓器故障[J].電網(wǎng)技術,2013,37(1):190-194.

Yang Tingfang, Zhou Lixing, Li Jinglu.Power transformer fault diagnosis based on optimal weights combined model[J].PowerSystemTechnology, 2013, 37(1):190-194.(in Chinese)

[7]李儉,孫才新,陳偉根,等.灰色聚類與模糊聚類集成診斷變壓器內部故障的方法研究[J].中國電機工程學報, 2003, 23(2):112-115.

Li Jian, Sun Caixin, Chen Weigen, et al.A method of synthesis based on the grey cluster and fuzzy cluster about internal fault diagnosis of transformer[J].ProceedingsoftheCSEE, 2003, 23(2): 112-115.(in Chinese)

[8]宋志杰,王健.AI優(yōu)化模糊核聚類算法的變壓器DGA分析[J].電力系統(tǒng)及其自動化學報,2014,26(4):39-43.DOI:10.3969/j.issn.1003-8930.2014.04.008.

Song Zhijie, Wang Jian.Transformer DGA analysis based on fuzzy kernel clustering algorithm optimized by artificial immune[J].ProceedingsoftheCSU-EPSA, 2014, 26(4): 39-43.DOI:10.3969/j.issn.1003-8930.2014.04.008. (in Chinese)

[9]易輝,宋曉峰,姜斌,等.基于結點優(yōu)化的決策導向無環(huán)圖支持向量機及其在故障診斷中的應用[J].自動化學報,2010,36(3):427-432.

Yi Hui, Song Xiaofeng, Jiang Bin, et al.Support vector machine based on nodes refined decision directed acyclic graph and its application to fault diagnosis[J].ActaAutomaticaSinica, 2010, 36(3): 427-432.(in Chinese)

[10]Fei Shengwei, Zhang Xiaobin. Fault diagnosis of power transformer based on support vector machine with genetic algorithm[J].ExpertSystemswithApplications, 2009, 36: 11352-11357. DOI:10.1016/j.eswa.2009.03.022.

[11]Platt J C, Cristianini N, Shawe-Taylor J.Large margin DAG’s for multiclass classification[C]//AdvancesinNeuralInformationProcessingSystems. Denver, Colorado, USA, 2000: 547-553.

[12]趙春暉,陳萬海,郭春燕.多類支持向量機方法的研究現(xiàn)狀與分析[J].智能系統(tǒng)學報,2007,2(2):11-17. DOI:10.3969/j.issn.1673-4785.2007.02.002.

Zhao Chunhui, Chen Wanhai, Guo Chunyan.Research and analysis of methods for multiclass support vector machines[J].CAAITransactionsonIntelligentSystems, 2007, 2(2): 11-17. DOI:10.3969/j.issn.1673-4785.2007.02.002. (in Chinese)

[13]Phetkaew T, Kijsirikul B, Rivepiboon W.Reordering adaptive directed acyclic graphs: An improved algorithm for multiclass support vector machines[C]//Proceedingsofthe2003InternationalJointConferenceonNeuralNetworks. Portland, OR, USA, 2003:1605-1610.

[14]Bartlett P, Shawe-Taylor J.Generalization performance of support vector machines and other pattern classifiers[C]//AdvancesinKernelMethods-SupportVectorLearning.Cambridge, USA, 1999: 43-54.

[15]Takahashi F, Abe S. Optimizing directed acyclic graph support vector machines[C]//InternationalWorkshoponArtificialNeuralNetworksinPatternRecognition. Florence, Italy, 2003:166-170.

[16]Burges C.A tutorial on support vector machines for pattern recognition[J].DataMinKnowlDiscov, 1998, 2: 121-167.

[17]Markatou M, Tian H, Biswas S, et al. Analysis of variance of cross-validation estimators of the generalization error[J].JournalofMachineLearningResearch, 2005, 6(1): 1127-1168.

[18]Cook W, Rohe A. Computing minimum-weight perfect matchings[J].InformsJournalonComputing, 1999, 11(2): 138-148. DOI:10.1287/ijoc.11.2.138.

[19]Karaboga D, Akay B. A comparative study of artificial bee colony algorithm[J].AppliedMathematicsandComputation, 2009, 214(1): 108-132. DOI:10.1016/j.amc.2009.03.090.

[20]Leisch F, Jain L C, Hornik K.Cross-validation with active pattern selection for neural network classifiers[J].IEEETransactionsonNeuralNetwork, 1998, 9(1): 35-41. DOI:10.1109/72.655027.

Fault diagnosis of power transformer based on modified RADAG-SVM

Zhou Zhicheng1Yang Zhichao2Yang Chengshun2Tao Fengbo1Li Jiansheng1

(1Jiangsu Electric Power Company Research Institute, Nanjing 211103, China) (2School of Electric Power Engineering, Nanjing Institute of Technology, Nanjing 211167, China)

The method for fault diagnosis of power transformers based on the reordering adaptive directed acyclic graph support vector machines (RADAG-SVM) was proposed to enhance the accurate rate of the fault diagnosis of power transformers. Firstly, the scheme for parameter optimization of kernel and penalty factor based on K-fold cross-validation (K-CV) and artificial bee colony (ABC) was used to achieve the best classification performance of the binary SVM. Secondly, a method for estimating the generalization performance of each two classification SVM by using cross-validation mechanism was proposed to further improve the performance of multiclass SVM. And, it was used to improve the classification accuracy of RADAG-SVM. Finally, the process for fault diagnosis of power transformers based on the modified RADAG-SVM was addressed and experiments were carried out. The results show that the average correct rates for transformer fault diagnosis based on the proposed method, the original RADAG-SVM and the nodes refined decision directed acyclic graph (DDAG) SVM are 94.16%, 87.85% and 90.77%. Therefor, compared with the other two diagnosis methods, the proposed method has a better effect on the transformer fault diagnosis.

power transformer; fault diagnosis; reordering adaptive directed acyclic graph (RADAG); support vector machine (SVM)

10.3969/j.issn.1001-0505.2016.05.011

2015-12-02.作者簡介: 周志成(1977—)，男，博士，高級工程師， zhouzhicheng1977@126.com.

國家電網(wǎng)公司總部科技資助項目(5299001352U0)、江蘇省產(chǎn)學研聯(lián)合前瞻性資助項目(BY2015008-05,BY2016008-05).

TM 71

A

1001-0505(2016)05-0964-08

引用本文: 周志成，楊志超，楊成順，等.基于改進RADAG-SVM的電力變壓器故障診斷[J].東南大學學報(自然科學版),2016,46(5):964-971. DOI:10.3969/j.issn.1001-0505.2016.05.011.