[发明专利]基于磷虾群优化支持向量机的变压器故障诊断方法

说明书

本发明公开了一种基于磷虾群优化支持向量机的变压器故障诊断方法，与电力变压器故障诊断技术领域有关。该发明通过对采集到的变压器油中溶解气体(DGA)全数据以及典型气体的比值进行归一化，并通过BPSO对DGA特征量进行优选，得到新的DGA特征量组合；然后采用KH优化算法优化SVM的惩罚因子C及核函数参数σ，构建能够稳定使用的支持向量机诊断模型，并采用该模型对电力变压器的油中溶解气体进行诊断，从而与专家经验得到的故障结果进行比较，进而得出最终的故障类型，实现了对变压器的运行状态的初步判断。

技术领域

本发明属于电气设备故障诊断方法技术领域，具体涉及一种基于磷虾群优化支持向量机的变压器故障诊断方法。

背景技术

变压器特别是油浸式变压器，是电网的核心设备，承担着电力行业中电能变换和电力输送等重要使命。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。

溶解气体分析法作为电力行业中应用最广泛的故障诊断方法之一，可对变压器内部存在的潜在故障进行有效诊断甚至区分。其原理主要是：变压器在运行时，由于受到电、热、化学三重作用而导致的机械应力和电动力的影响，其油纸绝缘能力逐渐下降甚至丧失，进而分解产生H₂、C₂H₄等低分子烃类及其相关产物。根据产生的不同气体含量和种类造成不同类型故障的原理，我们能够根据变压器油中溶解气体的特征来判断故障类型。常用的故障表征气体包括：H₂、CH₄、C₂H₂、 C₂H₄、C₂H₆、CO和CO₂。油中溶解气体分析法不仅能够有效诊断变压器内部的电力癌细胞，而且具有无损检测、在线检测等诸多优点。但是原始的油中溶解气体诊断方法涉及特征量较多，且一些化学特征量如油中溶解CO、CO₂和糠醛含量等作为评估变压器故障诊断的参考依据时容易受到现场换滤油过程、温度、湿度等因素影响，很难保证这些特征量的有效性。

在实际工程应用中多采用气体体积分数相对比值的方法进行诊断，即所谓的比值法。比值法计算简单，能够直观判断,非常适合工程应用。它不需要太高的操作水平，现场工作人员非常容易上手，且使用起来很方便。基于此，我们引入三比值法对采集到的DGA特征量进行处理和归一变换，以保证其有效性。但我们需要知道，比值法存在编码边界过于绝对，编码不全等问题。

目前变压器故障诊断的研究主要集中在基于已有的油中溶解气体特征量(即 DGA比值，如Roger比值、IEC比值等)。随着信息技术的飞速发展，计算机运算速度的飞速提高，本世纪关于故障诊断如变压器故障研究中越来越多人通过人工智能中的机器学习方法，比如采用支持向量机(SVM)等数学手段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，且部分油中溶解气体特征量并不能反映甚至与故障诊断的能力无关，因此单纯的采用这些原始特征量反而会影响故障诊断的效果。由此看来，亟需综合应用三比值法和SVM模型的优点，通过算法进行特征量优选，并且通过改进后的支持向量机进行变压器的故障诊断，提高变压器故障诊断的准确率和泛化能力。

发明内容

本发明针对上述技术和手段中的问题，提供一种基于磷虾群优化支持向量机的变压器故障诊断方法。

为实现上述发明，本发明提供了一种基于磷虾群优化支持向量机的变压器故障诊断方法，包括如下步骤：

1)采集变压器故障样本数据中变压器的油中的DGA特征量，获取DGA特征量以及典型气体的三比值；