[发明专利]一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法

说明书

本发明涉及电气设备故障诊断技术领域，具体涉及一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法，对所选变压器油中溶解气体（DGA）特征量的比值进行分析，由归一化预处理，得到DGA三比值特征量数据，实现了三比值特征量的有效性和简洁性；本发明采用OAO一对一对支持向量机进行了非线性和多分类变化，构建了k‑折平均分类准确率目标函数，结合交叉验证原理对变压器进行故障诊断，并采用帝国殖民竞争算法进行核函数的参数优化，提高了故障诊断的准确率；本发明将二分类SVM拓展为多分类SVM，能够对变压器的多种故障类型进行一次性的诊断识别，简单快捷，为判断变压器的运行状态、评估变压器的故障情况、保障变压器安全稳定运行提供了新方法。

技术领域

本发明涉及电气设备故障诊断技术领域，具体涉及一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法。

背景技术

随着计算机、通信和传感技术的高速发展，信息系统和电力系统逐步实现深度融合与协作，电力系统成为了信息物理融合系统CPS(Cyber Physical System)应用的重要领域之一。在电力系统中，电力变压器是最重要的设备之一，它的运行状况关系到整个电力系统的安全稳定运行，其一旦发生故障将引起局部甚至大面积的停电，这势必会造成巨大的经济损失。因此，准确有效地诊断出电力变压器的故障对提高电力CPS的安全性具有重要意义。变压器部分一旦发生故障可能导致电网严重故障，进而造成大停电等巨大损失。因此，如何准确判断变压器的运行状态，评估变压器的故障情况，降低变压器的故障风险，是电力企业急需解决的关键问题，也是保障电力系统稳定运行的重中之重。

目前变压器故障诊断的研究主要集中在基于已有的DGA特征量(即DGA比值，如Roger比值、IEC比值等)，采用支持向量机(SVM)等技术建立变压器故障诊断模型。基于DGA数据的SVM电力变压器故障诊断方法已取得了较好的效果，但不同文献中SVM诊断模型采用不同的核函数，分类的效果有明显的区别，也存在一些问题。比如支持向量机诊断方法的核函数存在规则化参数确定困难、故障诊断的准确率不够高等问题。因此，亟需综合应用DGA三比值特征量和SVM模型的优点，进行变压器故障诊断，提升变压器故障诊断的准确率。

发明内容

为了解决上述问题，本发明提供了一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法，具体技术方案如下：

一种基于帝国殖民竞争算法的优化SVM变压器故障诊断方法包括以下步骤：

(1)采集变压器故障样本数据，选取变压器油中溶解气体分析特征量，对变压器油中溶解气体分析特征量的比值进行分析；

(2)对分析后的变压器油中溶解气体分析特征量的比值进行归一化预处理，得到归一化后的油中溶解气体分析特征量的三比值数据；

(3)采用变压器油中溶解气体作为特征参量，收集特征量集和结果集形成变压器故障诊断的分类集，并形成故障样本集；其中特征量集为变压器油中溶解气体的溶解值的集合，结果集为对应的变压器的运行状况的集合；分类集为变压器运行状态的故障分类的集合；

(4)构建支持向量机模型，对支持向量机进行非线性多分类变换；

(5)采用高斯径向基核函数作为支持向量机模型的核函数，计算出非线性多分类时支持向量机模型的分类决策函数；

(6)构建帝国殖民竞争算法来优化支持向量机模型的核函数的参数；

(7)采用所述步骤(6)的帝国殖民竞争算法对支持向量机模型的核函数进行参数优化，构建帝国殖民竞争算法优化支持向量机的变压器故障诊断模型；

(8)利用变压器油中溶解气体分析特征量、待定惩罚因子和核参数的支持向量机模型形成故障诊断目标函数，计算出目标函数的最优解，即为故障诊断的最优函数适应度；