[发明专利]基于代价敏感学习的变压器模糊谨慎推理故障诊断方法

权利要求书

1.一种基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，具体包括以下步骤：

步骤1：在获取变压器状态评估初始样本集并设置代价敏感初设矩阵的基础上，确定特征输入向量以及变压器故障类别及其表示方法，对多分类支持向量进行矩阵建模，得到多分类支持向量矩阵模型；

步骤2：结合Sigmoid概率软化模型对变压器故障诊断多分类支持向量矩阵模型进行软化决策，构造归一化多属性决策矩阵；

步骤3：在多属性决策矩阵基础上，构造归一化有序加权平均算子区间，计算模糊谨慎隶属度；具体包括如下步骤：

步骤3.1：对多分类支持向量矩阵D的每一行分别取悲观态度策略和乐观态度策略计算有序加权平均算子，即分别取该行评价值的最小值与最大值，得到有序加权平均算子区间向量E_OWA(D)，如式(3)所示：

步骤3.2：对有序加权平均算子区间向量进行归一化，构造模糊谨慎隶属度E^imp(D)，作为模糊谨慎隶属度权重，如式(4)所示：

步骤4：对通过归一化加权平均得到的模糊谨慎隶属度进行互补置信度分配，通过PCR5方法对信度分配进行信息融合，并基于信度分配融合的终值进行决策判定；具体包括如下步骤：

步骤4.1：根据公式(5)得到辨识框架Θ＝{A₁,A₂,…,A_k}的基本信度分配矩阵；

其中，区间对应模糊谨慎隶属度E^imp(D)的每一行值，为A_i的补集；

步骤4.2：基于公式(6)对支持证据冲突信度进行重新分配，实现基本信度分配的信息融合；

其中，X₁和X₂均属于辨识框架Θ＝{A₁,A₂,…,A_k}的子集；m₁(X)、m₂(X)、m₁(X₁)、m₁(X₂)、m₂(X₂)分别代表所采用的m₁或m₂基本信度分配函数中各子集X、X₁、X₂的基本信度分配结果；

步骤4.3：证据推理理论泛化置信函数Bel(A_i)，如式(7)所示：

步骤4.4：基于证据推理理论泛化置信函数Bel(A_i)，得到对应于类别A_i的基于证据推理的信度分配融合终值A_final，由信度分配融合终值A_final大小进行决策判定，如式(8)所示：

步骤5：根据决策判定，对误诊样本类别进行检索归类，在此基础上对代价敏感初始矩阵进行在线惩罚修正，实现代价敏感初始矩阵的在线自校正，并持续反馈进行基于证据推理模糊谨慎有序加权平均的油浸式电力变压器故障诊断决策过程。

2.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，在步骤1中，构造的多分类支持向量矩阵模型如式(1)所示：

其中，P_i为分属于运行状态i的概率，M_i是分别采用的基于DGA的单一油浸式电力变压器故障诊断方法，D为多分类支持向量矩阵，D_ij为方法j对样本属于第i类运行状态的概率评价。

3.根据权利要求1所述的基于代价敏感学习的变压器模糊谨慎推理故障诊断方法，其特征在于，在步骤2中，Sigmoid概率软化模型，如式(2)所示：

其中，系数A和B分别为软化斜率和偏置；对于模糊集对分析方法，概率p为模糊隶属度函数最终得到的运行状态估计概率值。