支持向量机在变压器状态评估中的应用研究

论文摘要

变压器是电力系统和电气化铁路牵引供电系统的重要设备,其安全可靠性对电力系统和铁路的安全运营影响重大。变压器的状态评估是实现其状态维修的基础。支持向量机很好地执行了统计学习理论的结构风险最小化原则,在小样本情况下具有较好的泛化能力,避免了陷入局部极小值,解决了故障诊断领域面临的典型故障样本严重不足的主要难题,逐渐成为智能诊断的有力工具。支持向量机的研究虽已取得了一定进展,但如何将这些研究成果应用到对电力系统和电气化铁路供电系统具有重大影响的变压器的状态评估中去,还是一个新颖的、富有挑战性的课题。论文围绕支持向量机在变压器故障诊断、故障预测和运行状态评估中的应用进行了研究,作了一些有意义的工作,具体内容包括以下几个方面:1.用支持向量机的多分类方法对基于油中溶解气体的变压器故障诊断进行了研究。主要使用了两种典型的多分类算法即一对一的分类方法和M-ary分类方法,提出了一种改进的M-ary支持向量机模型,通过该模型的具体应用证明了算法的正确性和有效性;并且对支持向量机中的参数选择问题进行了研究,使用改进的遗传算法求解了支持向量机中的参数,实验表明,与基本遗传算法相比,该方法能够在较大范围内准确地找到相应的优化参数,并能有效地进行变压器的故障诊断。2.研究了支持向量机的回归方法在变压器故障预测中的应用。首先引入最小二乘支持向量机（LS-SVM）作为预测器进行了变压器油中气体体积分数的预测,分析研究了LS-SVM模型的适应性和用不同数据建立的LS-SVM模型参数的变化情况;然后对灰色模型进行优选,引入了灰色多变量模型,提出了改进的离散灰色模型和改进的灰色多变量模型,进一步提高了预测精度;最后提出了一种以LS-SVM作为组合器的优选灰色、LS-SVM组合预测模型,该模型综合考虑了优选灰色模型及LS-SVM的特点;应用实例分析表明了所提模型的有效性和优越性。3.研究了支持向量机在变压器运行状态评估中的应用。针对目前的变压器运行状态评估模型主要采用模糊综合评价的方法,提出了基于评分法的模糊综合支持向量机模型,该方法使用模糊综合评价结果作为支持向量机的输入,综合考虑了各结果之间的非线性关系,判断准确率有所提高;为了减少运行状态评估中的人为因素,消除伪特征的干扰,提出了基于成分分析和支持向量机的变压器运行状态评估模型,对比研究了PCA、KPCA、ICA和PCA+ICA共4种特征提取方式,说明了在运行状态评估问题中进行数据预处理有利于分类算法的实现,KPCA为变压器的运行状态评估提供了一种有效可行的数据预处理方式;为了进一步提高评估的正判率,获得更加稳定的评估效果,本文还提出了改进的KPCA+SVM评估模型,采用了混合核函数和并行优化策略,变压器的运行评估实例分析证明了改进算法的有效性。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题研究的背景和意义
• 1.2 变压器状态评估技术及研究现状
• 1.2.1 变压器的常见故障类型及传统诊断方法
• 1.2.2 基于DGA的变压器故障诊断技术及研究现状
• 1.2.3 基于DGA的变压器故障预测技术及研究现状
• 1.2.4 变压器运行状态评估技术及研究现状
• 1.3 支持向量机的研究概况
• 1.3.1 理论背景
• 1.3.2 支持向量机的研究现状
• 1.3.3 支持向量机在故障诊断中的应用研究
• 1.4 论文的研究内容和结构安排
• 2 支持向量机理论
• 2.1 引言
• 2.2 机器学习理论概述
• 2.2.1 机器学习问题的表示和经验风险最小化原则
• 2.2.2 学习机器复杂性与推广能力
• 2.3 统计学习理论概述
• 2.3.1 学习机的VC维
• 2.3.2 推广性的界
• 2.3.3 结构风险最小化
• 2.4 支持向量机的二分类原理
• 2.4.1 最优分类超平面
• 2.4.2 线性支持向量机
• 2.4.3 非线性支持向量机
• 2.5 支持向量机的回归方法
• 2.5.1 回归及损失函数
• 2.5.2 线性回归原理
• 2.5.3 非线性回归原理
• 2.6 支持向量机的基本求解算法
• 2.6.1 块算法
• 2.6.2 分解算法
• 2.6.3 顺序最小优化算法
• 2.7 支持向量机的特点
• 2.8 本章小结
• 3 支持向量机在基于DGA的变压器故障诊断中的研究
• 3.1 引言
• 3.2 变压器的产气机理
• 3.3 基于支持向量机的变压器故障诊断研究
• 3.3.1 支持向量机的多分类算法
• 3.3.2 基于支持向量机的变压器故障诊断方案
• 3.3.3 一对一支持向量机在变压器故障诊断中的应用
• 3.3.4 M-ary支持向量机在变压器故障诊断中的应用
• 3.3.5 诊断结果分析
• 3.4 改进的M-ary支持向量机模型
• 3.4.1 总体思想
• 3.4.2 仿真实例
• 3.4.3 新模型在变压器故障诊断中的应用
• 3.5 改进的遗传支持向量机在变压器故障诊断中的应用
• 3.5.1 基本遗传算法简介
• 3.5.2 改进的遗传支持向量机
• 3.5.3 改进的遗传支持向量机用于变压器故障诊断
• 3.6 模型的实际应用
• 3.6.1 故障变压器1
• 3.6.2 故障变压器2
• 3.7 本章小结
• 4 支持向量机用于变压器的DGA故障预测研究
• 4.1 引言
• 4.2 常用预测模型
• 4.3 最小二乘支持向量机模型
• 4.4 以LS-SVM作为预测器的变压器油中气体体积分数预测
• 4.4.1 模型的建立及应用实例
• 4.4.2 LS-SVM模型相关问题的探讨
• 4.5 以LS-SVM作为组合器的优选灰色、LS-SVM组合预测模型
• 4.5.1 灰色模型的变形形式
• 4.5.2 灰色模型变形形式的改进
• 4.5.3 组合预测模型总体思想
• 4.6 新模型在变压器油中气体体积分数预测中的应用
• 4.6.1 应用实例1
• 4.6.2 应用实例2
• 4.7 本章小结
• 5 基于支持向量机的变压器运行状态评估研究
• 5.1 引言
• 5.2 状态评估方法
• 5.3 变压器的运行状态分类
• 5.4 基于评分法的模糊综合支持向量机模型
• 5.4.1 变压器的评分细则
• 5.4.2 基于评分法的模糊综合支持向量机总体思想
• 5.4.3 新模型的具体应用
• 5.5 基于成分分析法的支持向量机评估模型
• 5.5.1 三种基本的成分分析法
• 5.5.2 基于成分分析法和SVM的变压器运行状态评估模型及其应用
• 5.5.3 改进的KPCA+SVM模型及其应用
• 5.6 本章小结
• 6 结论
• 参考文献
• 附录A
• 附录B
• 附录C
• 附录D
• 附录E
• 作者简历
• 学位论文数据集