[发明专利]一种基于CBBO-SVM的变压器故障诊断方法

说明书

本发明公开了一种基于CBBO‑SVM的变压器故障诊断方法，具体步骤如下，步骤1、所采集的油浸式变压器带有类标签的样本集S＝{(x₁,x₂,x₃,...x_n),(y₁,y₂,y₃,...,x_m)}；步骤2、对所采集到的数据进行预处理暨归一化处理：将输入量和输出量都归一化到[0,1]，以达到计算方便的目的；步骤3、利用CBBO对支持向量机的参数c_i和σ_i进行优化；步骤4、利用步骤3优化后得到的参数c_i和σ_i建立多级SVM模型，利用样本集数据进行分类，从而达到油浸式变压器故障诊断的效果。该方法能够利用CBBO(混沌生物地理学)算法对SVM(支持向量机)算法的参数进行优化，有效的提高分类的准确率。

技术领域

本发明属于变压器故障在线监测技术领域，具体涉及一种基于CBBO-SVM的变压器故障诊断方法。

背景技术

现今，全国范围用电需求量迅猛提高，电力系统日益向高电压等级、高自动化的大电网联动方向前进，电力变压器的稳定运行不仅有助于推动特高压建设，而且与电力系统、医疗、工业乃至消费者的生活息息相关。由于变压器自身结构复杂加之其制造、安装、运维、检修等各个环节交互影响，使之在运行过程中易发故障。油浸式变压器在所有变压器种类中占有极大的比例。因此，对油浸式变压器进行故障诊断非常有必要。

油浸式变压器传统的诊断方法主要涉及：三比值法、大卫三角形、气体图形法、特征气体法等等，这些诊断方法已经十分成熟了，但是在不断发展的今天，这些诊断方法逐步暴露出很多缺点，例如：准确度低、无法判断多种故障并存时的情况、比值编码组合不全等等。人们在传统的诊断方法上加入BP神经网络、贝叶斯算法、萤火虫算法等智能算法，虽然一定程度上提高了准确度，但却出现了新的问题，例如：所需故障数据多、迭代次数高、计算时间长等不足。

因此本发明提出了一种基于CBBO-SVM(混沌生物地理学优化支持向量机)的变压器故障诊断方法，这种诊断方法具有能在较低的迭代次数的前提下得到最优参数，而且使诊断的准确度大大提高。

发明内容

本发明的目的是提供一种基于CBBO-SVM的变压器故障诊断方法，该方法能够利用CBBO(混沌生物地理学)算法对SVM(支持向量机)算法的参数进行优化，有效的提高分类的准确率。

本发明所采用的技术方案是，一种基于CBBO-SVM的变压器故障诊断方法，具体按照以下步骤实施：

步骤1、所采集的油浸式变压器带有类标签的样本集S＝{(x₁，x₂，x₃，...x_n)，(y₁，y₂，y₃，...，x_m)}，其中，训练样本占50％，测试样本占50％，x_i代表样本属性，包括有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳7种属性，y_i代表类别标签1、2、3、4、5、6，分别对应正常状态、中低温过热、高温过热、高能放电、低能放电、电弧放电6个状态；

步骤2、对所采集到的数据进行预处理暨归一化处理：利用下式(1)将输入量和输出量都归一化到[0,1]，以达到计算方便的目的；