[发明专利]一种改进樽海鞘群优化支持向量机的变压器故障诊断方法

说明书

本发明公开了一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，包括：采集变压器故障样本，获取数据；对数据进行归一化预处理，得到优选特征量数据，对优选特征量数据进行特征优选；构建支持向量机模型；根据改进的樽海鞘群算法优化支持向量机模型；基于优化后的支持向量机模型构建变压器诊断模型，根据变压器诊断模型对变压器进行故障诊断。改进的樽海鞘群算法避免了原樽海鞘群算法中仅有一个食物源导致的陷入局部最优的不足。另外，基于获取的数据，通过改进后的樽海鞘群算法优化支持向量机；通过优化后的支持向量机构建变压器诊断模型；采用该模型对变压器的油中溶解气体进行诊断，从而判断变压器中的运行状态并分析出相应的故障类型。

技术领域

本发明涉及变压器故障诊断技术领域，具体涉及一种改进樽海鞘群优化支持向量机 的变压器故障诊断方法。

背景技术

变压器是电力系统中关键的变电装置，其状况能够迅速联系到整个电网的稳定性。 当其发生故障时不能及时诊断，会使电力系统正常安全运行得不到保证，会影响对后续 设备的供电，带来不可预计的经济损失。因此如何确保故障诊断的高精准度意义重大.

当油浸式变压器突发内部故障，通常反映为油色谱在线监测气体异常升高，溶解气 体分析(Dis-solved Gas Analysis，DGA)已经成为变压器故障诊断最常用的方法，DGA主要用于分析溶于变压器油中的气体含量，依据不同气体含量判断变压器故障类型。近 年来，相关学者提出了采用DGA方法得到的溶解气含量比值作为特征量，据此诊断变 压器的故障类型。目前，故障诊断大多依据工作人员现场经验，通过溶解气含量或比 值判断运行状态和故障类型，导致工作人员经验对故障诊断影响较大。油浸式变压器中 主要包括油裂解气体和绝缘纤维素裂解气体(氢气(H2)、总烃(TH)、一氧化碳(CO) 和二氧化碳(CO2)，其中总烃为甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)及 乙烷(C2H6)含量之和)。相关学者研究表明采用DGA气体含量作为特征量时，会 影响油浸式变压器故障诊断的准确性，主要是因为相同油浸式变压器故障类型，DGA 气体含量变化范围较大。不同学者采用的DGA气体含量比值作为特征量存在区别，且 未形成统一的标准。

随着人工智能、机器学习和数据挖掘等技术日渐成熟,各种机器学习方法被一一应用 到变压器故障诊断当中,如采用支持向量机(SVM)等技术建立变压器故障诊断模型。然而不同文献中SVM诊断模型采用的特征量有明显的区别，若采用过多的特征量作为 故障诊断模型的输入特征量会引起输入特征量冗余及干扰故障诊断结果。因此利用主成 分分析法(PCA)对输入特征量进行降维处理达到降低特征量冗余的目的再结合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。

目前SVM参数c和g的优化选取，国际上并没有公认统一的最好的方法，随着群 体智能优化算法的出现，樽海鞘群算法自2017年被提出来就被广泛使用，很大程度上 解决了SVM在变压器故障诊断中存在的训练时收敛速度慢、诊断精度低等问题。但原 樽海鞘群算法存在仅有一个食物源导致的陷入局部最优的问题。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的缺陷，从而提供一种改进樽 海鞘群优化支持向量机的变压器故障诊断方法。

本发明提供了一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，包括：

S1：采集变压器故障样本，获取数据；所述数据包括变压器油中DGA气体以及DGA气体含量比值；

S2：对所述数据进行归一化预处理，得到优选特征量数据；对优选特征量数据进行特征优选；

S3：采用径向基函数作为核函数，基于径向基函数和目标函数得到分类决策函数，； 根据所述分类决策函数和核函数构建支持向量机模型；

S4：根据改进的樽海鞘群算法优化所述支持向量机模型，得到优化后的惩罚因子以 及优化后的核参数；

改进的樽海鞘群算法包括：