[发明专利]基于精简集下采样不均衡SVM变压器在线故障检测方法

说明书

技术领域：

本发明涉及一种基于精简集下采样不均衡SVM变压器在线故障检测方法。

背景技术：

变压器作为电力系统的枢纽设备，其能否安全可靠运行是整个电网能否安全运行的关键。要使主变压器安全运行，提高供电可靠率，就必须提高主变压器的运行、维护和检修水平。其中对它进行有效的故障监测，对保证其安全运行和提高电力系统的可靠性都有着十分重要的作用。因此开展变压器运行状态监测是一项颇具现实意义的工作。

支持向量机(support vector machine，SVM)理论通过结构风险最小化原理来提高泛化能力，较好地解决了传统智能方法应用中小样本、非线性、局部极小点等实际问题。近年来，相关学者将SVM引入到变压器故障诊断中并取得了一定应用效果。然而由于传统SVM方法属于有监督分类算法，需要数目相同的不同类别样本进行训练才能获得较好的泛化能力。但是在变压器故障诊断领域中，故障样本的收集工作十分困难，故障样本往往可遇不可求，因此导致训练样本数据不均衡。SVM算法针对不均衡数据集进行分类时，由于各个类别的样本数目存在很大的差异，从而导致不同类别的样本对于训练算法提供的信息不对称，这就使得利用SVM算法处理不均衡数据时，训练后得到的分类面会向少数类样本偏移，从而使支持向量机过度拟合多数类样本点，低估了少数类样本点，导致算法对少数类样本的错分率增大。因此，如何提高SVM算法在不均衡数据下的变压器故障诊断性能成为众多学者关注的重点。

目前提高不均衡数据下SVM算法性能的研究主要集中在数据层面上，包括数据上采样和下采样。在与上采样结合的方法中有基于随机上采样代价敏感SVM算法、基于SMOTE(Synthetic Minority Over-Sampling Technique)代价敏感SVM算法。然而上采样算法本身是一个数据依赖算法，它要求少数类样本集合是个凸集，即位于两个少数类样本间的实例必须是少数类样本，同时由于上采样算法额外增加了很多新的训练样本，因此导致SVM模型计算代价增大。下采样算法则是一个与上采样相反的方法，它通过减少多数类样本的方式达到数据均衡，如随机下采样。但是由于下采样算法只随机选取了多数类的一个子集，而这些选取出来的子集对改善SVM分类界面是否有效却未知，因此有时候选择不当会导致分类效果很不理想。因此，如何在保证数据均衡的同时，使得保存的样本信息对决策界面的生成更有效是下采样提高不均衡数据下SVM算法分类性能的关键。

发明内容：

本发明的目的是提供一种基于精简集下采样不均衡SVM变压器在线故障检测方法。

上述的目的通过以下的技术方案实现：

一种基于精简集下采样不均衡SVM变压器在线故障检测方法，该方法包括如下步骤：

（1）采集变压器振动信号：利用安装在变压器机箱上的振动加速传感器来采集变压器振动信号；

（2）获取降噪振动信号：对步骤一获取的变压器振动信号进行低通滤波处理，去除高频噪声信息，获取降噪振动信号；

（3）获得多组故障检测特征数据：对步骤二获取的降噪振动信号按时间序列进行1024分段处理，并对分段后的时间序列利用广义自回归条件异方差模型GARCH(1,1)进行建模，利用极大似然法模型估计参数集合作为故障检测特征数据，将得到的多组故障检测特征数据的一部分作为训练样本，另一部分作为测试样本；

（4）利用K-均值算法进行聚类：对步骤三获取的正常多数类训练样本利用K-均值算法进行聚类，聚类个数为少数类样本数目；

（5）算出每一个样本的权重值：将步骤三获取的每一个正常多数类样本用Parzen窗核密度估计法计算每一个多数类样本的密度权重，以及利用支持向量数据描述计算所有正常样本的中心和半径，以此计算每一个样本的紧密度，最后将两个值进行结合算出每一个样本的权重值。

（6）建立多数类样本约简向量求解优化模型：利用精简集约简算法计算步骤四的每个聚类内所有样本的精简集原像，在确定了样本空间结构信息后，建立多数类样本约简向量求解优化模型，实现训练样本的均衡；

（7）得到SVM故障诊断模型：将步骤六得到的所有正常样本的精简集合同原有的少数故障样本结合，作为训练样本输入到SVM算法模型中进行训练，得到SVM故障诊断模型；

（8）将待测样本输入到步骤七训练好的不均衡SVM检测器中，分析检测器输出的结果，得到变压器的工作状态，实现变压器的在线故障检测。

所述基于精简集下采样不均衡SVM变压器在线故障检测方法，所述的步骤三中GARCH(1,1)模型参数组合一起作为故障检测特征数据为：