[发明专利]一种基于改进图的半监督分类的变压器故障诊断方法

摘要

本发明涉及一种基于改进图的半监督分类的变压器故障诊断方法，包括以下步骤获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化；在每一类样本中选取有标签样本和未标签样本进行相似性学习，构成相似性近邻图，并计算权重矩阵；构建初始标签矩阵；规范化初始标签矩阵；根据模糊近邻的标签传递法则进行半监督分类建模，生成训练模型；利用训练模型对无标签的测试样本分配类别标签，得到诊断结果。本发明方法应用于不平衡样本集的变压器的故障诊断中，能获得较高的故障诊断精度。

主权项

一种基于改进图的半监督分类的变压器故障诊断方法，其特征在于，包括以下步骤：步骤1：获取变压器各种运行状态下特征气体的含量数据作为故障诊断样本集，并进行归一化，其中，选取H2、CH4、C2H6、C2H4、C2H2作为故障诊断特征气体，并实时采集各种运行状态下变压器油中这五种气体的含量构成故障诊断样本集；所述的归一化方法为：对于H2气体的含量，其归一化值为H2体积分数占五种气体总体积分数的百分比数值,对于烃类气体，归一化值为其体积分数占总烃体积分数的百分比数值；归一化公式如下：c1=Σi=15xi,c2=Σi=25xi]]>X'＝{x1/c1,x2/c2,x3/c2,x4/c2,x5/c2}步骤2：在每一类样本中选取有标签样本和未标签样本进行相似性学习，构成相似性近邻图，并计算权重矩阵，相似性近邻图的建立过程如下：把所有样本点看作相似性近邻图上的顶点，图的边E＝{eij}用相邻样本间的相似性eij表示，两相邻样本xi、xj的相似性eij定义为：eij＝exp(||xi‑xj||2/σ2)式中σ为高斯核参数；把样本之间的相似性表示为权重矩阵W＝{wij}若xi∈knn(xj)orxj∈knn(xi)式中knn(xj)表示xj的K个近邻，knn(xi)表示xi的K个近邻；步骤3：根据训练集中有标签样本的类别标签信息，初始化标签矩阵，其中，初始标签矩阵的构成规则如下：初始标签矩阵记为Y(l+u)×c，Y的每一行表示一个样本的类别向量，对于有标签样本集XL＝{(x1,y1)，(x2，y2)，...，(xl，yl)}中的xi，当yi＝j，Yij＝1，否则，Yij＝0；对于无标签样本集XL＝{(xl+1,yl+1)，(xl+2，yl+2)，...，(xl+u，yl+u)}，Yij＝0，j＝1，2，...c；步骤4：对初始标签矩阵进行规范化处理，平衡各个类别的标签的信息总量，具体过程如下：定义平衡因子U，U为c×c维的对角矩阵，其对角元素为uii=1/YiT1→]]>其中YiT表示矩阵Y第i列的转置，通过平衡因子U对标签矩阵进行规范化处理：Y＝Y·U步骤5：根据模糊近邻的标签传递法则进行半监督分类建模，生成训练模型，其中，半监督分类模型的训练步骤如下：步骤5.1：根据权重矩阵计算标签概率转移矩阵P，n×n维的标签概率转移矩阵P＝{pij}的计算公式如下：pij=p(i→j)=wij/Σxj∈N(xi)wij,xj∈N(xi)0,xj∉N(xi)]]>步骤5.2：不断更新标签矩阵，直至满足终止条件，得到最终的分类器；步骤6：利用训练模型对无标签的样本分配类别标签，得到诊断结果，分配类别标签的规则为：标签矩阵中测试样本集所对应的各行元素中，根据最大值所在的列相应的分配类别标签。