论文部分内容阅读
摘要：本文把代价敏感学习机制整合至组合核相关向量机（MKL-RVM），建设了代价敏感组合核相关向量机（CS-MKL-RVM），探究CS-MKL-RVM算法在变压器故障诊断中的应用情况，摸索出最优的核函数参数。通过分析油内溶解气体分析数据的实际案例，发现CS-MKL-RVM和BPNN、MKL-RVM等诊断方法相比较，CS-MKL-RVM较明显的提升故障诊断率，且误诊断代价处于较低水平。
关键词：变压器;组合核相关向量机;故障诊断;参数优化
引言
变压器是电力系统内主要的一种高压设备，其内部油纸绝缘的老化情况关系变压器使用寿命长短，为使变压器能安稳运行，就需采用合理方法尽早发现变压器内潜在的故障。近些年，国内外学者陆续提出采用人工神经元网络（ANN）、相关向量机（RVM）等智能诊断方法，其原理基本是依照油内气体溶解数据等诊断相关故障。但事实上，变压器故障类别和油内气体含量直接并没有明确的函数关系，故而采用以上方法诊断设备故障有一定片面性。组合核学习是当下智能领域中研究的热点，MKL-RVM是Damoulas教授做出的提议，其以概率的形式输出诊断结果，为分析问题的不确定性创造了便利条件。现实应用中存在不同程度的误诊断情况，诱发一定危害。本文把代价敏感机制整合至MKL-RVM内，构建了CS-MKL-RVM算法，探讨其在变压器故障诊断中的应用情况。
一、介绍CS-MKL-RVM模型及优化核参数
（一）算法介绍
CS-MKL-RVM、MKL-RVM两者的结构模型别无二致。MKL-RVM是以分层贝叶斯模型结构为基础，通过整合多项概率似然函数，促进多特征空间的有机融合过程
（二）优化CS-MKL-RVM核参数
MKL-RVM在使用过程中规避了确定规则化系统难度大的问题，模型学习阶段核组合参数（β）实现了智能优化，但需结合既往经验选择核函数参数。本文应用K-CV与PSO算法相结合的形式去优化核函数参数，具体流程如下：
1 把总数是S的样本数据集（Xs）依照随机原则分为元素数目近乎等同的K个独立子集Xks，其中;
2 利用Xs-Xks训练MKL-RVM模型，利用Xks检测验证训练好的MKL-RVM模型;
3 利用PSO算法选择与测评函数参数，设定原始种群规模是20，在各次迭代内粒子通过个体极值（Pi）与群体极值（Ps）更新字体的运行速度与所处方位;
4 用K个模型的平均误判率作为PSO算法的适应度函数取测评待选择的核函数参数。
（三）CS-MKL-RVM代價敏感机制原理
参照1.2的函数参数优化流程优化CS-MKL-RVM模型，获取最优核函数参数后训练MKL-RVM模型，而后结合贝叶斯风险理论微调整模型，借此方式获得最小的误诊断代价。
二、采用CS-MKL-RVM诊断变压器故障的具体流程
（1）结合变压器运转实况，科学规划设备的故障状态;
（2）输入变压器的在线或离线监测数据，提取数据的特征量，要求提获的特征量能从不同维度呈现出变压器的运转状态。
（3）设定由不同特征量构成具有不同特征空间的CS-MKL-RVM融合模型。本文用IEC所推荐的前5种作为故障分析的特征性气体。
（4）采集不同运转状态下变压器设备对应的样本数据;
（5）为各组特征变量空间选定相配套的核函数，并依照1.2设定的流程优化各项核函数参数。RBF核函数见下式，其中σ是核函数：
在确定核函数以后，利用1.2内设定的流程方法探寻最优核函数参数。在折交叉验证过程中，K取10。
（6）学习与测试MKL-RVM故障诊断模型，利用typeII最大似然预算先验参数，针对组合核参数，利用最大期望（EM）与二次规划方法求算;
三、案例分析
本文选择某电力企业提供的油内气体在线监测实际数据，以及前期采集且已经被证实能较整体的呈现出变电站故障类别的DGA样本数据，共计364组。于样本集内，随机提取各故障类型1/2样本数组成训练集，其他样本作为测试机。为检测验证CS-MKL-RVM算法在诊断变压器运行故障方面表现出的效能，依次用BPNN、MKL-RVM及CS-MKL-RVM建设故障模型，并比较以上三种算法诊断设备故障实际案例的情况。
BPNN的输入神经元数是5，隐层、输出神经分别是15、6，采用Sigmoid函数作为激励函数，用φ（H2）/T、φ（CH4）/C、φ（C2H6）/C、φ（C2H4）/C、φ（C2H2）/C作为BPNN诊断模型的输入。具体诊断情况见表1[3]。
相比较之下，CS-MKL-RVM算法的平均诊断准确率偏低，但其持有更小的平均总计诊断代价更小，这提示导入代价敏感算法后，能使CS-MKL-RVM的诊断结果朝向误诊断代价偏向的方向移走。
结束语：
本文把代价敏感机制导入MKL-RVM算法内，建成了CS-MKL-RVM电力变压器故障诊断方法。该算法在应用过程中将误诊断最小设定成目标，有效规避了BPNN等常规诊断方法应用阶段要考虑误诊断代价的问题，诊断准确率很高，值得推广。
参考文献：
[1]罗亦泳， 姚宜斌， 赵庆志，等. 利用优化的组合核相关向量机算法构建地表下沉预测模型[J]. 武汉大学学报：信息科学版， 2018， 043（009）：1295-1301.
[2]王东， 朱永利. 基于模糊C均值聚类和改进相关向量机的变压器故障诊断[J]. 电测与仪表， 2019（12）：14-19.
[3]高明哲， 许爱强， 唐小峰，等. 基于多核多分类相关向量机的模拟电路故障诊断方法[J]. 自动化学报， 2019， 045（002）：434-444.
关键词：变压器;组合核相关向量机;故障诊断;参数优化
引言
变压器是电力系统内主要的一种高压设备，其内部油纸绝缘的老化情况关系变压器使用寿命长短，为使变压器能安稳运行，就需采用合理方法尽早发现变压器内潜在的故障。近些年，国内外学者陆续提出采用人工神经元网络（ANN）、相关向量机（RVM）等智能诊断方法，其原理基本是依照油内气体溶解数据等诊断相关故障。但事实上，变压器故障类别和油内气体含量直接并没有明确的函数关系，故而采用以上方法诊断设备故障有一定片面性。组合核学习是当下智能领域中研究的热点，MKL-RVM是Damoulas教授做出的提议，其以概率的形式输出诊断结果，为分析问题的不确定性创造了便利条件。现实应用中存在不同程度的误诊断情况，诱发一定危害。本文把代价敏感机制整合至MKL-RVM内，构建了CS-MKL-RVM算法，探讨其在变压器故障诊断中的应用情况。
一、介绍CS-MKL-RVM模型及优化核参数
（一）算法介绍
CS-MKL-RVM、MKL-RVM两者的结构模型别无二致。MKL-RVM是以分层贝叶斯模型结构为基础，通过整合多项概率似然函数，促进多特征空间的有机融合过程
（二）优化CS-MKL-RVM核参数
MKL-RVM在使用过程中规避了确定规则化系统难度大的问题，模型学习阶段核组合参数（β）实现了智能优化，但需结合既往经验选择核函数参数。本文应用K-CV与PSO算法相结合的形式去优化核函数参数，具体流程如下：
1 把总数是S的样本数据集（Xs）依照随机原则分为元素数目近乎等同的K个独立子集Xks，其中;
2 利用Xs-Xks训练MKL-RVM模型，利用Xks检测验证训练好的MKL-RVM模型;
3 利用PSO算法选择与测评函数参数，设定原始种群规模是20，在各次迭代内粒子通过个体极值（Pi）与群体极值（Ps）更新字体的运行速度与所处方位;
4 用K个模型的平均误判率作为PSO算法的适应度函数取测评待选择的核函数参数。
（三）CS-MKL-RVM代價敏感机制原理
参照1.2的函数参数优化流程优化CS-MKL-RVM模型，获取最优核函数参数后训练MKL-RVM模型，而后结合贝叶斯风险理论微调整模型，借此方式获得最小的误诊断代价。
二、采用CS-MKL-RVM诊断变压器故障的具体流程
（1）结合变压器运转实况，科学规划设备的故障状态;
（2）输入变压器的在线或离线监测数据，提取数据的特征量，要求提获的特征量能从不同维度呈现出变压器的运转状态。
（3）设定由不同特征量构成具有不同特征空间的CS-MKL-RVM融合模型。本文用IEC所推荐的前5种作为故障分析的特征性气体。
（4）采集不同运转状态下变压器设备对应的样本数据;
（5）为各组特征变量空间选定相配套的核函数，并依照1.2设定的流程优化各项核函数参数。RBF核函数见下式，其中σ是核函数：
在确定核函数以后，利用1.2内设定的流程方法探寻最优核函数参数。在折交叉验证过程中，K取10。
（6）学习与测试MKL-RVM故障诊断模型，利用typeII最大似然预算先验参数，针对组合核参数，利用最大期望（EM）与二次规划方法求算;
三、案例分析
本文选择某电力企业提供的油内气体在线监测实际数据，以及前期采集且已经被证实能较整体的呈现出变电站故障类别的DGA样本数据，共计364组。于样本集内，随机提取各故障类型1/2样本数组成训练集，其他样本作为测试机。为检测验证CS-MKL-RVM算法在诊断变压器运行故障方面表现出的效能，依次用BPNN、MKL-RVM及CS-MKL-RVM建设故障模型，并比较以上三种算法诊断设备故障实际案例的情况。
BPNN的输入神经元数是5，隐层、输出神经分别是15、6，采用Sigmoid函数作为激励函数，用φ（H2）/T、φ（CH4）/C、φ（C2H6）/C、φ（C2H4）/C、φ（C2H2）/C作为BPNN诊断模型的输入。具体诊断情况见表1[3]。
相比较之下，CS-MKL-RVM算法的平均诊断准确率偏低，但其持有更小的平均总计诊断代价更小，这提示导入代价敏感算法后，能使CS-MKL-RVM的诊断结果朝向误诊断代价偏向的方向移走。
结束语：
本文把代价敏感机制导入MKL-RVM算法内，建成了CS-MKL-RVM电力变压器故障诊断方法。该算法在应用过程中将误诊断最小设定成目标，有效规避了BPNN等常规诊断方法应用阶段要考虑误诊断代价的问题，诊断准确率很高，值得推广。
参考文献：
[1]罗亦泳， 姚宜斌， 赵庆志，等. 利用优化的组合核相关向量机算法构建地表下沉预测模型[J]. 武汉大学学报：信息科学版， 2018， 043（009）：1295-1301.
[2]王东， 朱永利. 基于模糊C均值聚类和改进相关向量机的变压器故障诊断[J]. 电测与仪表， 2019（12）：14-19.
[3]高明哲， 许爱强， 唐小峰，等. 基于多核多分类相关向量机的模拟电路故障诊断方法[J]. 自动化学报， 2019， 045（002）：434-444.