针对传统变压器故障诊断过程中故障征兆与故障类型间映射关系的不确定性及模糊性问题,根据粗糙集知识与多核学习理论,构建了一种变压器多级故障诊断模型。该方法基于溶解气体分析(DGA)诊断标准,以5种特征气体及16种气体比值作为初始特征量,并利用邻域粗糙集知识按属性重要度大小获取在所诊断故障类型上高重要度的最小故障特征信息集。在深入挖掘DGA所含故障信息的基础上,建立分级故障诊断模型,以二分类支持向量机作为分类器,利用最小故障特征信息集进行多级故障诊断。此外,采用反正切变换处理各输入特征,避免了油中溶解气体长尾分布而导致的误分情况;同时,各支持向量机皆采用多核学习,以解决单核支持向量机数据敏感性强,鲁棒性低的缺陷。实例分析表明:与传统特征量相比,新提出特征量下的各诊断层准确率均能较稳定的达到88%以上,且最小运行时长可达0.337 5 s,具备提高分类精度,减小运行时间与算法结构的明显优势。另外,与传统故障诊断方法相比,该多级诊断的模型不仅能更深层次挖掘故障特征信息,降低冗余特征信息的复杂性,并且可有效提高诊断平均准确率3%以上,具有更高的准确度与可靠性。 据限制在[0,π/2]之间，能更好地适应网络输入输出间的非线性。 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name基于邻域粗糙集与-液压滚圆机滚弧机折弯机张家港钢管电动滚圆机滚弧机因此，本文采取AT处理5种特征气体体积分数与16种气体体积比值。为保障数值运算的稳定性与模型网络的收敛性，需将网络输入数据进行归一化处理。因此，采用式(8)对经AT处理后的气体数据进行归一化，即*()()iixePpσP=(9)式中：pi*为特征量P归一化值；e(P)为特征量平均值；σ(P)为其标准差。3.2基于邻域粗糙集与多核支持向量机的变压器多级故障诊断模型变压器分级故障模式如图1所示。图中，Ⅰ级诊断用于区分正常与故障情况，Ⅱ级诊断用于区分放电与过热故障，Ⅲ级诊断则将过热与放电故障进行更细致化划分，且各分类器皆采用MKSVM，各级MKSVM诊断输入则为在本级诊断上与对故障类型贡献度高的特征量。本文共采集数据365条，其中IEC10数据113条，国网成都公司提供172条，已发表文献80条，各数据故障分布见表2。为获得更准确有效的试验效果，将113条IEC10数据与80条已发表文献数据构成193条测试样本集、国网公司提供的172条数据构成检验数据。3.2.1基于邻域粗糙集的各级特征量获取为提高故障诊断准确率，本文采用邻域粗糙集进行DGA数据与故障类型间映射关系的深层次挖掘。首先，邻域粗糙集不需要对样本进行离散化，可很好地保障DGA大量的有用数据信息，使得故障信息的挖掘更具保障。其次，进行特征属性挖掘时，其使用前向贪心算法，以启发学习机制为主，可保留最大重要度属性，并保证系统核的完整性；表1气体体积比值Table1Gasratio编码比值编码比值S1CH4/H2S9(CH4+C2H4)/TH基于邻域粗糙集与-液压滚圆机滚弧机折弯机张家港钢管电动滚圆机滚弧机 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name