本发明涉及电气设备故障诊断方法，具体为一种多分类svm的变压器故障诊断方法及系统。
背景技术：
1、电力变压器是电力系统中最重要的电气设备之一,其运行状态直接影响系统的安全水平。因此如何提高变压器运行的可靠性,一直都是变压器运行检测中的重要课题。要提高变压器的运行可靠性,关键是要不断提高变压器的运维水平。目前，变压器的故障诊断方法常用的有绝缘试验、局部放电试验、绝缘油电气试验及其它预防性试验等。其中，油中溶解气体分析法(dga)是检测变压器内部故障的重要方法。
2、油中溶解气体分析法其原理主要是：变压器在运行过程中，受到热应力及电应力的影响，变压器中的油纸绝缘会分解产生co、co2及低分子烃类等相关产物，而不同性质故障所产生的气体含量和种类均有所差异，可以根据变压器油中溶解气体的特征判断故障类型。基于dga数据目前已形成iec推荐的三比值法、rogers法以及改良三比值法等传统电力变压器故障诊断方法。鉴于仅靠人为试验总结难以归纳出故障征兆与故障类型之间的关系。于是支持向量机、人工神经网络和贝叶斯分类器等人工智能方法被引入电力变压器故障诊断。基于dga数据的电力变压器故障诊断方法已取得了较好的效果，但也存在一些问题。支持向量机诊断方法存在核函数存在规则化参数确定困难、故障诊断的准确率不够高等问题。因此，亟需综合dga三比值特征量和svm模型的优点，对svm的变压器故障诊断模型进行优化，提升模型的故障诊断准确率。
技术实现思路
1、鉴于上述存在的问题，提出了本发明。
2、因此，本发明解决的技术问题是：如何提高现有变压器故障诊断方法的准确性和泛化能力。
3、为解决上述技术问题，本发明提供如下技术方案：一种多分类svm的变压器故障诊断方法，其包括如下步骤，采用气相色谱法分别检测变压器油中的溶解特征气体浓度并进行预处理；对预处理后的特征气体进行三比值处理；构建分类器支持向量机svm模型，采用一对一策略对标准二分类svm进行扩展，形成多类别分类问题；通过混合学习策略，融合svm与随机森林技术构建综合的多类别故障诊断模型，并使用粒子群优化算法进行迭代优化，输出变压器故障诊断模型。
4、作为本发明所述的一种多分类svm的变压器故障诊断方法的一种优选方案，其中：所述变压器油中的溶解特征气体包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳以及二氧化碳，针对溶解特征气体浓度进行归一化预处理，表达式为：
5、
6、其中，lo为常量值为-1，气体含量标准化的下界，up常量，值为+1，气体含量标准化的上界，xi为原始样本数据，xmin为样本集中最小的样本值，xmax为最大的样本值，xa为归一化预处理的值。
7、作为本发明所述的一种多分类svm的变压器故障诊断方法的一种优选方案，其中：所述三比值处理包括c2h2/c2h4、h2/ch4和c2h4/c2h6，对归一化预处理过的特征气体进行三比值处理比值处理，把三比值数据分成训练样本和测试样本，而训练样本随机分成k个大小基本相等的子集，1个子集作为验证集，其余k-1个子集作为训练集，寻找最优分类超平面wtx+b＝0将两类样本分开，通过smo算法将求解最优分类超平面的问题转化为二次最优化问题。
8、作为本发明所述的一种多分类svm的变压器故障诊断方法的一种优选方案，其中：所述二次最优化问题是通过调整目标函数和约束条件来反映三比值数据的特性，在目标函数中增加一个项，表示三比值数据之间的关系；
9、引入非线性映射函数将原始特征向量映射到一个高维的特征空间，得到分类问题的决策函数。
10、作为本发明所述的一种多分类svm的变压器故障诊断方法的一种优选方案，其中：所述三比值数据之间的关系，表达式为：
11、
12、
13、其中，为强调三比值数据关系的调整后的内积项，xi,xj为样本的特征向量，yi和yj为样本的类标签，为所有拉格朗日乘子的总和，为等式约束条件，c为正则化参数，αi为拉格朗日乘子，i为一个标识训练样本集中的具体样本。
14、所述分类问题的决策函数，表达式为：
15、
16、其中，为通过映射函数变换后的特征向量之间的关系，b为偏置项。
17、作为本发明所述的一种多分类svm的变压器故障诊断方法的一种优选方案，其中：所述通过混合学习策略，融合svm与随机森林技术构建综合的多类别故障诊断模型是采用一对一策略，采用一对一策略，针对变压器油中的溶解特征气体数据，对每两个不同的样本类别构建一个二分类svm分类器，对于k类不同的故障模式，构造k(k-1)/2个这样的分类器，在对待测样本进行故障类型分类时，对样本进行判别，并采用基于每个分类器在历史数据上表现的加权投票机制进行最终的类别决策，每个分类器的预测结果为待测样本在两个故障类别之间的分类，对预测结果所属的类别加一票，根据得票数最多的类别确定待测样本的类别，在最终的类别决策过程中，进一步采用基于历史性能的加权投票机制，结合置信度门槛，确保只有高置信度的分类结果被计入最终决策。
18、作为本发明所述的一种多分类svm的变压器故障诊断方法的一种优选方案，其中：所述使用粒子群优化算法进行迭代优化是根据多类别故障诊断模型及其初步分类结果使用粒子群优化算法对模型的参数进行优化迭代，调整加权投票机制中的权重，表达式为：
19、vnew＝wvold+c1r1(pbest-x)+c2r2(gbest-x)
20、xnew＝xold+vnew
21、其中，pbest、gbest分别为粒子自身和全局的最佳位置，c1、c2为学习因子，r1、r2为随机数，w为惯性权重；
22、当达到预设的最大迭代次数或模型性能不再提升时则停止优化，输出变压器故障诊断模型。
23、本发明的另外一个目的是提供一种多分类svm的变压器故障诊断系统，其能通过融合多种机器学习技术，不仅提高了故障诊断的准确性，也增强了模型对不同故障类型的判别能力，解决了现有技术在复杂故障诊断场景下的局限性的问题。
24、为解决上述技术问题，本发明提供如下技术方案：一种多分类svm的变压器故障诊断系统，包括：数据预处理模块、特征工程模块、分类器构建模块、集成和决策模块以及优化和迭代模块。
25、所述数据预处理模块是处理和准备输入数据，包括变压器油中的溶解气体数据，进一步完成数据清洗、归一化、标准化，以及三比值计算。
26、所述特征工程模块是从预处理后的数据中提取有用的特征。
27、所述分类器构建模块是构建和训练分类器，包括一对一策略下的多个二分类svm分类器和随机森林模型，创建能够准确区分不同故障类别的机器学习模型。
28、所述集成和决策模块是综合各个分类器的输出，采用投票机制或加权平均法等来决定最终的故障类别，通过集成多个模型的预测结果，提高最终诊断的准确性。
29、所述优化和迭代模块是采用粒子群优化算法对模型的参数进行调整和优化，通过优化参数配置，提高模型的性能。
30、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述一种多分类svm的变压器故障诊断方法的步骤。
31、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上所述一种多分类svm的变压器故障诊断方法的步骤。
32、本发明的有益效果：本发明通过结合svm和随机森林技术，以及精细化的一对一分类策略，显著提高了故障诊断的准确性。并且通过加权投票机制和置信度门槛的应用提高了最终故障判定的可靠性，减少了误诊的可能性。
1.一种多分类svm的变压器故障诊断方法，其特征在于，包括：
2.如权利要求1所述的一种多分类svm的变压器故障诊断方法，其特征在于：所述变压器油中的溶解特征气体包括氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳以及二氧化碳，针对溶解特征气体浓度进行归一化预处理，表达式为：
3.如权利要求2所述的一种多分类svm的变压器故障诊断方法，其特征在于：所述三比值处理包括c2h2/c2h4、h2/ch4和c2h4/c2h6，对归一化预处理过的特征气体进行三比值处理比值处理，把三比值数据分成训练样本和测试样本，而训练样本随机分成k个大小基本相等的子集，1个子集作为验证集，其余k-1个子集作为训练集，寻找最优分类超平面wtx+b＝0将两类样本分开，通过smo算法将求解最优分类超平面的问题转化为二次最优化问题。
4.如权利要求3所述的一种多分类svm的变压器故障诊断方法，其特征在于：所述二次最优化问题是通过调整目标函数和约束条件来反映三比值数据的特性，在目标函数中增加一个项，表示三比值数据之间的关系；
5.如权利要求4所述的一种多分类svm的变压器故障诊断方法，其特征在于：所述三比值数据之间的关系，表达式为：
6.如权利要求5所述的一种多分类svm的变压器故障诊断方法，其特征在于：所述通过混合学习策略，融合svm与随机森林技术构建综合的多类别故障诊断模型是采用一对一策略，针对变压器油中的溶解特征气体数据，对每两个不同的样本类别构建一个二分类svm分类器，对于k类不同的故障模式，构造k(k-1)/2个这样的分类器，在对待测样本进行故障类型分类时，对样本进行判别，并采用基于每个分类器在历史数据上表现的加权投票机制进行最终的类别决策，每个分类器的预测结果为待测样本在两个故障类别之间的分类，对预测结果所属的类别加一票，根据得票数最多的类别确定待测样本的类别，在最终的类别决策过程中，进一步采用基于历史性能的加权投票机制，结合置信度门槛，确保只有高置信度的分类结果被计入最终决策。
7.如权利要求6所述的一种多分类svm的变压器故障诊断方法，其特征在于：所述使用粒子群优化算法进行迭代优化是根据多类别故障诊断模型及其初步分类结果使用粒子群优化算法对模型的参数进行优化迭代，调整加权投票机制中的权重，表达式为：
8.一种采用如权利要求1～7任一所述的一种多分类svm的变压器故障诊断方法的系统其特征在于：包括数据预处理模块、特征工程模块、分类器构建模块、集成和决策模块以及优化和迭代模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的一种多分类svm的变压器故障诊断方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述一种多分类svm的变压器故障诊断方法的步骤。
