基于双空间特征提取的变压器故障诊断模型

摘要：为了提高基于油中溶解气体分析（dissolved gas analysis， DGA）的变压器故障诊断正确率，弥补单子空间特征提取的局限性，提出了基于双子空间特征提取的变压器故障分层诊断模型.首先，将DGA测试样本在一个子空间内进行特征提取后，为避免核函数及其参数的选择难题，以及利用多核支持向量机（multiplekernel support vector machine， MKSVM）鲁棒性强和精度高的特点，采用MKSVM作为分类器对测试样本进行预测.依据预测结果将测试样本分为难分类和易分类样本，对易分类样本直接进行分类识别；对难分类样本则将该样本再次投影到另一子空间进行特征提取后，同样采用MKSVM作为分类器对难分类样本进行预测，综合两次预测结果进行分类识别，实现两分类MKSVM的双子空间特征提取算法.最后，根据故障特征，建立基于双子空间特征提取算法的变压器故障分层诊断模型.诊断实例表明，该模型具有较高的诊断正确率和推广能力.

关键词：故障诊断；双空间算法；特征提取；多核学习；支持向量机

中图分类号：TM411；TP277文献标识码：A

电力变压器的安全运行直接影响输电网系统的安全性，油中溶解气体分析（dissolved gas analysis，DGA）是油浸式变压器故障诊断最有效的手段之一.IEC三比值法等经典方法一直对基于DGA的变压器故障类型分析发挥着重要作用，但存在缺编码及临界值判据缺损等问题[1].

近年来，人工智能方法如神经网络、模糊聚类分析、灰关联分析、支持向量机等，广泛应用于变压器故障诊断中，取得了较好的诊断效果.文献[2]将主成分分析（principal component analysis， PCA）用于DGA数据分析.文献[3]通过核主成分分析（kernel PCA， KPCA）将DGA样本从低维的特征空间非线性地映射到高维核空间，故障诊断均取得了一定的效果.然而，任何一种单子空间特征提取算法都有其局限性.文献[4]提出了基于PCA和独立成分分析（independent component analysis， ICA）的双空间特征提取算法并应用于人脸识别，较好地弥补了单子空间特征提取算法的不足.双空间算法的思想是利用两个特征子空间的互补性，在某一个特征子空间，有些模式易于识别，有些难于识别，将难识别的模式投影到另一个特征子空间有可能变成易于识别的模式.

支持向量机（support vector machine，SVM）采用结构风险最小化原理来提高泛化能力，较好地解决了小样本、非线性、局部极小点等问题，适宜用于变压器故障诊断.文献[5-6]采用SVM构造分类器对变压器故障类型进行诊断，取得了较好的诊断效果.然而，SVM的诊断性能过于依赖核函数及其参数的选择，在不同的应用场合，核函数的性能表现差别很大，核函数的构造或选择尚未有完善的理论依据，当样本特征含有异构信息，样本规模大，多维数据不规则，采用单个简单核进行映射的方式处理并不合理[7].核融合利用各基本核的特征映射能力，较好地解决了核函数的选择与模型的选择难题.文献[8-9]将多核学习的思想应用于研究SVM的建模问题，提高了建模精度.

本文利用DGA检测数据，先将DGA测试样本在一个子空间内进行特征提取，采用多核支持向量机（multiplekernel SVM， MKSVM）作为分类器对测试样本进行预分类，对于难分类的测试样本再次投影到另一子空间特征提取，综合预分类结果进行识别，提出了2分类MKSVM的双子空间特征提取算法，建立了变压器故障分层诊断模型并验证了模型的有效性.

4诊断实例分析

正常样本取自某供电局检测DGA样本400例，其中，200例用于建模，200例用于训练和测试.收集历年来相关期刊公布的变压器油中溶解气体分析数据和少部分实际故障样本，选出结论明确的135例样本，其中，高温过热故障样本50例，中低温过热样本29例，低能放电样本24例，高能放电样本32例.实验采用5折交叉验证法，每次做实验时，先从200例正常样本中随机选择40例并从135例故障样本中随机选择27例（高温过热样本10例，中低温过热样本6例，高能放电样本6例，低能放电样本5例）作为测试样本集，其余268个样本作为训练样本集.

5结论

本文提出了基于双空间特征提取的变压器故障分层诊断模型.利用多核支持向量机鲁棒性强和精度高的特点，并依据多核支持向量机的预测结果进行预分类，将难识别的测试样本投影到不同的特征子空间中进行综合，避免了分类器选择及支持向量机核参数选择不当而导致的性能下降问题.从本文双空间算法的实验结果可以看出，采用具有互补性的双空间进行特征提取，可以得到较高的识别率.先PCA或KPCA特征提取，而以ICA或KICA作为补空间更恰当.其中PCAKICA双空间算法的识别率最高，达到88.15%，高于性能较优的单空间算法KICASVM的分类正确率达10百分点，且远高于IEC三比值法23百分点.即使是分类性能较差的ICAPCA双空间算法，分类正确率也达到82.22%，且各类的分类正确率都高于KICASVM和IEC三比值法，验证了本文提出的基于双空间特征提取算法的变压器故障分层诊断模型的有效性.

参考文献

[1]操敦奎. 变压器油中气体分析诊断与故障检查[M].北京：中国电力出版社，2005.

[2]唐勇波， 桂卫华， 彭涛， 等. 基于重构贡献和灰关联熵的变压器诊断方法[J].仪器仪表学报， 2012， 33（1）：132-138.

[3]胡青， 孙才新， 杜林， 等. 核主成分分析与随机森林相结合的变压器故障诊断方法[J]. 高电压技术， 2010， 36（7）： 1725-1729.

[4]王卫东， 韩斌， 杨静宇. 基于PCA及ICA的双空间特征提取算法[J]. 中国图象图形学报， 2008，13（11）：2163-2169.

[5]FEI Shengwei， ZHANG Xiaobin. Fault diagnosis of power transformer based on support vector machine with genetic algorithm[J]. Expert Systems with Applications， 2009，36： 11352-11357.

[6]BACHA K， SOUAHLIA S， GOSSA M. Power transformer fault diagnosis based on dissolved gas analysis by support rector machine[J]. Electric Power Systems Research， 2012， 83： 73-79.

[7]汪洪桥， 孙富春， 蔡艳宁， 等. 多核学习方法[J]. 自动化学报， 2010，36（8）： 1037-1050.

[8]CHEN Zhenyu， LI Jianping， WEI Liwei， et al. Multiple kernel SVM based multipletask oriented data mining system for gene expression data analysis[J]. Expert Systems with Applications， 2011，38：12151-12159.

[9]YEH Chiyuan，HUANG Chiwei，LEE Shiejue. A multiple kernel support vector regression approach for stock market price forecasting[J]. Expert Systems with Applications， 2011， 38：2177-2186.

[10]LEE J M， YOO C， CHOI S W， et al. Nonlinear process monitoring using kernel principal component analysis[J]. Chemical Engineering Science， 2004，59（1）：223-234.

[11]HYVARINEN A， OJA E. Independent component analysis： algorithms and applications[J]. Neural Networks， 2000， 13： 411-430.

[12]韦琦， 魏新劳. 应用核独立分量分析的电力用户负荷曲线估计[J]. 中国电机工程学报， 2008， 28（16）：103-107.

[13]CAO L J，KEERTHI S S，ONG C J， et al. Developing parallel sequential minimal optimization for fast training support vector machine[J]. Neurocomputing， 2006，70： 93-104.