[发明专利]一种变压器故障诊断方法

权利要求书

1.一种变压器故障诊断方法，其特征在于，包括以下步骤：

S1、获取变压器油中溶解气体浓度和对应故障结论的样本数据并做预处理，生成训练样本集和测试样本集；

S2、采用生成的训练样本集建立核极限学习机预测模型；

S3、模型训练过程中采用纵横交叉算法对核极限学习机的核函数参数和惩罚系数进行优化；

S4、将测试样本输入到训练好的核极限学习机中进行预测，得到变压器故障诊断结果。

2.根据权利要求1所述的变压器故障诊断方法，其特征在于，在步骤S1中，样本数据中的油中溶解气体采用的特征气体包括甲烷(CH₄)、乙烷(C₂H₆)、乙烯(C₂H₄)、乙炔(C₂H₂)、氢气(H₂)、二氧化碳(CO₂)以及一氧化碳(CO)。

3.根据权利要求2所述的变压器故障诊断方法，其特征在于，在步骤S1中，根据碳氢气体的浓度，变压器对应的故障类型分为以下六种：高温过热(T2)、高能量放电(D2)、低能量放电(D1)、中低温过热(T1)、局部放电(PD)以及正常状态(NC)，共6种状态；对应的输出编码分别为：100000、010000、001000、000100、000010以及000001。

4.根据权利要求3所述的变压器故障诊断方法，其特征在于，在步骤S1中，将样本数据分为训练样本集和测试样本集，训练样本集Tr_n中每个样本包括上述7种碳氢气体的浓度作为输入，表示为其中m为预测模型输入个数，1种对应的故障类型作为输出，表示为l的取值由预测模型输出个数决定，n为样本集中第n个样本。

5.根据权利要求4所述的变压器故障诊断方法，其特征在于，其中m＝7，l＝1。

6.根据权利要求5所述的变压器故障诊断方法，其特征在于，在步骤S1中，测试样本集Te_n的选取方式与训练样本集Tr_n的选取方式相同。

7.根据权利要求6所述的变压器故障诊断方法，其特征在于，在步骤S2中，建立核极限学习机预测模型的具体步骤为：

S2.1、极限学习机回归函数及隐藏层与输出层链接权重如下：

式中，x为样本输入，f(x)为网络输出，h(x)、H为隐藏层特征映射矩阵，为一随机映射，β为隐藏层与输出层连接权值，根据广义逆矩阵理论求出，I为对角矩阵，C为惩罚系数，T为样本目标值向量；

S2.2、定义核极限学习机核矩阵如下：

式中，x_i和x_j为样本输入向量，其中i和j是取值范围为1到N的正整数，K(x_i,x_j)为核函数，核极限学习机的核函数选择为径向基RBF核函数，RBF核函数表达式为：

K(x_i,x_j)＝exp{-||x_i-x_j||²/2σ²}

式中，||x_i-x_j||为样本间的欧式范数，σ为核函数参数；

则核极限学习机的输出和隐藏层与输出层连接权值为：

式中N为样本输入向量个数。

8.根据权利要求7所述的变压器故障诊断方法，其特征在于，在步骤S2中，核极限学习机需要优化的变量个数为2个：惩罚系数C和核函数参数σ。

9.根据权利要求8所述的变压器故障诊断方法，其特征在于，惩罚系数C和核函数参数σ的取值范围分别为[0.01,1000]和[0.001,100]。

10.根据权利要求9所述的变压器故障诊断方法，其特征在于，在步骤S3中，采用纵横交叉算法对核极限学习机的惩罚系数和核函数参数进行优化的具体步骤为：

S3.1、参数初始化，纵横交叉算法种群大小M设为20，最大迭代次数T_max取100，纵向交叉概率P_v设为0.8；

S3.2、随机生成一组粒子作为核极限学习机的初始C和σ，用于建立纵横交叉算法优化核极限学习机的诊断模型：

Fⁱ＝[Cⁱ,σⁱ]，i＝1,2,...,M

其中，C为惩罚系数，σ为核函数参数，M为种群大小，共M个粒子；

迭代次数t置1，分别将纵横交叉算法的每一个初始种群粒子转换成核极限学习机的惩罚系数和核函数参数，进行模型训练，由下式计算训练误差，即为该粒子的适应度值：

式中，p_t、分别是实际故障类型输出和目标故障类型输出，T为训练样本数；

S3.3、在粒子探索目标空间的t次迭代中，由Fⁱ表示每一个粒子在解空间中的位置；

S3.3.1、对种群中所有粒子进行两两不重复随机组合，共M/2对组合，对每对组合，根据下式对粒子进行横向交叉：

MS_hc(i,d)＝e₁×F(i,d)+(1-e₁)×F(j,d)+f₁×(F(i,d)-F(j,d))

MS_hc(j,d)＝e₂×F(j,d)+(1-e₂)×F(i,d)+f₂×(F(j,d)-F(i,d))

i,j∈N(1,M)；d∈N(1,D)

式中，e₁、e₂为[0,1]之间的随机数，f₁、f₂为[-1,1]之间的随机数，M为粒子规模，D为变量维数，F(i,d)、F(j,d)分别为父代粒子F(i)和F(j)的第d维，MS_hc(i,d)、MS_hc(j,d)分别为F(i,d)和F(j,d)通过横向交叉产生的第d维子代；

横向交叉结果保存在中庸解矩阵MS_hc中，计算粒子适应度值，并与其父代粒子的适应度值作比较，适应度值小的粒子保留在F中；

S3.3.2、对横向交叉得到的粒子的每一维进行归一化，然后对粒子所有的维进行不重复两两随机配对，共D/2对，对任意一对维，生成一个随机数rand，若rand<P_v，则对该对维根据下式进行纵向交叉操作：

MS_vc(i,d₁)＝e·F(i,d₁)+(1-e)·F(i,d₂)

i∈N(1,M)；d₁,d₂∈N(1,D)；r∈[0,1]

式中，MS_vc(i,d₁)为父代粒子F(i)的第d₁维和第d₂维通过纵向交叉产生的子代，e为[0,1]之间的随机数；

纵向交叉结果保存在中庸解矩阵MS_vc中，对纵向交叉结果反归一化后计算中庸解矩阵中粒子的适应度值，与其父代粒子进行适应度值比较，适应度值好的粒子保存在F中；

S3.3.3、粒子更新完成后，计算更新位置后的粒子适应度值，记录相对应的最优个体F_best；

S3.3.4、迭代次数t加1，当迭代次数t<T_max时，转至步骤S3.3.1，否则，寻优结束，F_best即为核极限学习机的最优惩罚系数和函数参数。