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，捉出了支持向量机(SVMs)变压器故障诊断方法。该方法采川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，实现对故障样本的诊断分类。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。该方法在有限样本情况下，能够达到较高的故障止判率，满足变圧器故障白动诊断的目的。中国论文网关键词：变压器；故障诊断；K均值聚类；支持向量机中图分类号：TN911-34文献标识码:A文章编号：1004-373X(2011)24-0118-03TransfomierFauItDiagnosisBasedonSupportVectorMachinesLIUYi-yanl,CHENChen2,KANGXu-hongl,JUYong-fengl(1.SchoolofElectronicandControlEngineering,Chang"anUniversity,Xi'an710064,China;2.IlanzhongTnstituteofConstructionSurveyandDesign,Ilanzhong723000,Chirm)Abstract:DuetolackoftypicaldamagesamplesinthetransformerfauItdiagnosis,anewfaultdiagnosismethodbasedonsupportvectormachines(SVMs)ispresented・Accordingtothemethod,thefivecharacteriSticgasesdissolvedintransformeroi1areextractedbytheK-meansclustering(KMC)methodasfeaturevectors,whichareinputintomulti-classifiedSVMsfortraining,andthentheSVMsdiagnosismodelisestablishedtoimplementfaultsamplesclassification.TheresultsofexperimentandanalysisshowthatwithKMCalgorithm,thediagnosisinformationareconcentratedandthegreattimeconsumptioninparameterdeterminationisremittedeffectively.Thepresenteclmethodcandetectthefaultsintransformerwithahighcorrectjudgmentrateandcanreachthepurposeofautomationdiagnosisfortransformerfaultsundertheconditionoffewsamples.Keywords：transformer;faultdiagnosis;K-meansclustering;supportvectormachine收稿日期：2011-07-26基金项国家科技支撑计划项th高大空间建筑工程女装维护设备技术与产业化开发(2008BAJ09B06)；'!'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。油中溶解气体分析(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2—。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，近年來，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川于变压器绝缘诊断中，取得了一定的效果[1-4]0由分析变压器故障时油小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。因此皋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(SupportVectorMachines,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。山于出色的学习性能，己在很多领域得到了成功的应用。本文将SVMs引入到变压器DGA故障诊断中，采用K均值聚类算法(K-McansClustering,KMC)对故障样木进行预选取，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，该方法在变压器故障诊断中具有很好的适应性。1相关基本理论1.1SVMs二分类算法[5-6]设有样本xi及其所属类另ijyi表示为(xi,yi),x€Rd,ye{+1,—1},i=l,2,…，n,超平面方程wx+b=0能将两类样本正确区分，并使分类间隔最人的优化问题可表示为:min4)(w)=12(w?w)+CEni=lgi(1)约束条件：yi[(\v?xi)+b]21—Ei,w为权重矩阵。式(1)中Ei为松弛因子，常数C起到控制对错分样本惩罚程度的作用，实现在错分样木的比例核算法复杂程度之间的折中。利用Lagrange优化方法把上述问题转化为其对偶问题，即：maxL(a)=Z：ni=lai—12Eni二1Enj=laiajyiyj(xi?xj)(2)约束条件：£ni=lyiai=0,OWai解式(2)得到最优...