[发明专利]基于SVM和DGA的变压器在线故障诊断方法

说明书

技术领域

本发明涉及一种变压器故障诊断方法，尤其涉及一种基于SVM(Support Vector Machine) 和DGA(Dissolved Gas Analysis)的变压器在线故障诊断方法，属于变压器故障诊断领域。

背景技术

安全、稳定的供电系统是国民经济发展的重要基础，是现代工业社会和谐发展的必要条 件。变压器作为供电系统的枢纽设备，对其进行实时监测能够有效地确保供电系统的可靠性。

目前，变压器内部故障诊断最有效的方法是油中溶解气体分析法(Dissolved Gas Analysis， DGA)。国内电力系统中大多数电力变压器采用绝缘油对内部系统进行散热和绝缘，而变压器 处于不同运行状态时，其绝缘油中溶解气体组分和浓度各不相同，对油中溶解气体进行采样 和分析，即可推断出变压器的运行状态，可以有效地对变压器进行故障诊断。然而，变压器 故障类型多样，且故障特征气体与故障之间存在复杂的非线性关系，传统的IEC三比值法和无 编码比值法判断过于简单化，且存在比值盲区问题，往往不能对故障进行准确的诊断。因此， 人工智能技术被广泛引入DGA中来，对变压器故障类型进行识别，其中支持向量机引起了广泛 的关注。

支持向量机(Support Vector Machine，SVM)是一种基于结构风险最小原则的智能分类 器。相较人工神经网络(Artificial Neural Network，ANN)等传统智能处理算法，该算法能够 在小样本量的情况下建立出具有优秀泛化性能的二分类器，同时避免了局部最小和维数灾难 问题。因此，该算法引起了广泛的关注，并已成功运用至变压器离线故障诊断领域。

尽管目前存在大量采用支持向量机对变压器故障诊断的研究，其实际运用中仍存在如下 问题：1)未建立基于支持向量机的实时诊断系统：多数研究给出了故障诊断的思路并采用已 有数据进行系统进行离线诊断测试，但很少搭建具体的、能够实时诊断的系统结构；2)缺乏 合理的数据预处理：对油中溶解气体进行采样得到的数据，必须经过合理的预处理才能对变 压器运行特征进行有效描述，一些研究缺乏对原始数据的预处理，或者预处理方法不合理；3) 诊断决策流程不合理：支持向量机从本质上来说是一种二分类器，而变压器故障是多类型的， 因此不能通过仅仅一个SVM故障分类器将所有故障区分开，传统的诊断决策流程存在一些不 足，如划分存在盲区、训练样本量不对称等，影响了诊断的可靠性。

发明内容

本发明针对背景技术中采用SVM对变压器进行故障诊断技术存在的缺陷，而提出一种诊 断准确率高的基于SVM和DGA的变压器在线故障诊断方法。

本发明的基于SVM和DGA的变压器在线故障诊断方法，包括如下步骤：

(1)数据采集

采用气相色谱分析法，以固定抽样频率对变压器绝缘油中的故障气体H₂、CH₄、C₂H₂、 C₂H₄、C₂H₆进行浓度实时检测，然后将所测数据送至PC机进行预处理；

(2)数据预处理