第卷第期电力系统及其自动化学报171Vol.17No.12005年2月ProceedingsoftheCSU-EPSAFeb.2005基于多级支持向量机分类器的电力变压器故障识别¹吕干云,程浩忠,董立新,翟海保(上海交通大学电气工程系,上海200030)摘要:支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程,对色谱分析法检测到的特征气体含量进行数值预处理,提取出故障识别所需要的6个特征量,然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别,并最后判断输出变压器所处的状态。测试结果表明,该方法具有三个优点:1)具有较强的鲁棒性,识别正确率极高;2)训练时间很短,实时性能好;3)不存在局部极小问题。关键词:故障识别;多级支持向量机;分类器;电力变压器中图分类号:TM762文献标识码:A文章编号:1003-8930(2005)01-0019-04FaultDiagnosisofPowerTransformerBasedonMulti-LayerSVMClassifierL¨UGan-yun,CHENGHao-zhong,DONGLi-xin,ZHAIHai-bao(DepartmentofElectricalEngineering,ShanghaiJiaotongUniversity,Shanghai200030,China)Abstract:SupportVectorMachine(SVMs)isanovelmachinelearningmethodbasedonstatisticallearningtheory(SLT).SVMispowerfulfortheproblemwithsmallsample,nonlinearandhighdimension.Amulti-layerSVMclassifierisappliedheretofaultdiagnosisofpowertransformer.Throughaspecialdatadealingprocess,contentsoffivecharacteristicgasesobtainedbyDGAaretransformed,and6characteristiccomponentsforfaultdiagnosisaredistilledforSVMs.Themulti-layerSVMclassifier,trainedwiththesamplingdatafromtheabovedealingprocess,identifiesoutthefourtypesoftransformerstates.Thetestresultsshowthattheproposedclassifierhasanexcellentperformanceontrainingspeedandcorrectratio.Keywords:faultdiagnosis;multi-layerSVM;classifier;powertransformer络有几个比较大缺点,如训练时间比较长,存在局1前言部最优等问题,识别正确率和可靠性有待于进一步在电力工业中,变压器作为电力系统的枢纽提高。设备,对它进行故障检测,不仅有利于保证其安全支持向量机是一种以有限样本统计学习理论运行,而且对于提高电力系统的可靠性都有重要的为基础发展起来的新的通用学习方法,有效地解决作用。对变压器故障进行识别,从而及时发现变压了小样本、高维数、非线性等的学习问题,并克服了器内部故障的性质和发展趋势,使我们能准确掌握人工神经网络学习合理结构难以确定和存在局部变压器的运行状况,是制定其维护措施的重要依最优等缺点,大大地提高了学习方法的泛化能力。据。气体色谱分析法是检测变压器内部故障性质的目前支持向量机已经广泛应用于手写字体识别、人～重要方法,目前该方法被广泛使用[1,2]。人工神经网脸识别、故障分类[810]、时间序列预测[11]、非线性络技术是变压器故障识别的最重要方法之一,目前系统建模和辨识[12,13]等领域,并取得了良好的效已经有很多这方面的研究[3～7],其中文献[5]、[6]、果。本文将支持向量机引入变压器故障诊断中,提[7]分别结合了模糊技术、专家系统和遗传算法,出了基于多级支持向量机分类器的变压器故障诊取得了比较好的识别效果。但是,通常人工神经网断方法,对几种常见的变压器故障进行分类。¹收稿日期:2004-02-01;修回日期:2004-04-12基金项