基于支持向量机的变压器故障诊断摘要：针对变压器故障诊断中缺少实际典型故障样本的问题，提出了支持|hj景机（SVMs）变压器故障诊断方法。该方法采用K均值聚类（KMC）对变压器油中5种特征气体样木进行预选取作为特征向量，输入到多分类支持向量机中进行训练，建立SVMs诊断模型，实现对故障样木的诊断分类。实例分析表明，KMC算法浓缩了故障信息，有效地解决了确定模型参数时耗时巨大的问题。该方法在有限样木情况下，能够达到较高的故障正判率，满足变压器故障自动诊断的目的。关键词：变压器；故障诊断；K均值聚类；支持向量机：TN911-34文献标识码：A：1004-373X（2011）24-0118-03TransformerFaultDiagnosisBasedonSupportVectorMachinesLIUYi-yan1,CHENChen2,KANGXu-hong1,JUYong-teng1(1.SchoolofElectronicandControlEngineering,Chang'anUniversity,Xi'an710064,China;2.HanzhongInstituteofConstructionSurveyandDesign,Hanzhong723000,China)Abstract：Duetolackoftypicaldamagesamplesinthetransfbnncrfaultdiagnosis,anewfaultdiagnosismethodbasedonsupportvectormachines(SVMs)ispresented.Accordingtothemethod,thefivecharacteristicgasesdissolvedintransformeroilareextractedbytheK-meansclustering(KMC)methodasfeaturevectors,whichareinputintomulti-classifiedSVMsfbrtraining,andthentheSVMsdiagnosismodelisestablishedtoimplementfaultsamplesclassification.TheresultsofexperimentandanalysisshowthatwithKMCalgorithm,thediagnosisinformationarcconcentratedandthegreattimeconsumptioninparameterdeterminationisremittedeffectively.Thepresentedmethodcandetectthefaultsintransformerwithahighcorrectjudgmentrateandcanreachthepurposeofautomationdiagnosisfbrtransformerfaultsundertheconditionoffewsamples.Keywords：transformer;faultdiagnosis;K-mcansclustering;supportvectormachine收稿LI期：2011-07-26基金项目：国家科技支撑计划项目：高大空间建筑工程安装维护设备技术与产业化开发(2008BAJ09B06)；中国博士后基金：斜拉桥损伤识别和健康状态预测技术研究(20110491637)0引言变压器是电力系统中最重要的设备之一，其运行状态直接影响着整个系统的安全性。汕中溶解气体分析(DGA)被认为是一种变压器故障诊断和进行绝缘寿命评估最方便、有效的手段之一。然而在变压器故障诊断的实践中，利用DGA数据进行故障诊断的三比值法、改良三比值法存在“缺编码”、“编码边界过于绝对”等不足，近年来，很多人工智能方法如专家系统、神经网络和模糊理论等方法被应用于变压器绝缘诊断中，取得了一定的效果[l-4]o由分析变压器故障时油中溶解气体的机理可知，油中气体含量与变压器故障类型之间没有明确的函数映射关系，气体含量的分布特性也很难推测，而实际现场数据的采集精度及数量也很有限。因此基于经验风险最小化原理的传统诊断分类器得不到足够的知识学习，导致分类精度不高，诊断误差较大。支持向量机(S叩portVectorMachines,SVMs)通过寻求结构风险最小化达到在样本量较少的情况下获得很好的学习效果。克服了过学习、欠学习、局部极小值等缺陷。由于出色的学习性能，已在很多领域得到了成功的应用。本文将SVMs引入到变FR器DGA故障诊断中，采用K均值聚类算法(K・MeansClustering,KMC)对故障样本进行预选取，有效地提取了支持向量个数，提高了诊断模型的推广能力。实例分析表明，该方法在变压据故障诊断中具有很好的适应性。1相关基木理论1.1SVMs二分类算法[5-6]设有样本xi及其所属类别yi表示为(xi,yi),xWRd,yW{+1,—l},i=l,2,n,超平面方程wx+b=0能将两类样本正确区分，并使分类间隔最大的优化问题可表示为：min(p(w)=12(ww)+C£ni=1gi(1)约束条件:yi[(wxi)+b]w为权重矩阵。式(1)中gi为松弛因了，常数C起到控制对错分样本惩罚程度的作用，实现在错分样本的比例核算法夏杂程度之间的折中。利用Lagrange优化方法把上述问题转化为其对偶问题，即：maxL(a)=£ni=lai—12£ni=l£nj=lai^jyiyj(xixj)(2)约束条件：£ni=lyiai=0,0Wai解式(2)得到最优分...