董標

摘要：本文把代價敏感學習機制整合至組合核相關向量機（MKL-RVM），建設了代價敏感組合核相關向量機（CS-MKL-RVM），探究CS-MKL-RVM算法在變壓器故障診斷中的應用情況，摸索出最優(yōu)的核函數參數。通過分析油內溶解氣體分析數據的實際案例，發(fā)現CS-MKL-RVM和BPNN、MKL-RVM等診斷方法相比較，CS-MKL-RVM較明顯的提升故障診斷率，且誤診斷代價處于較低水平。

關鍵詞：變壓器;組合核相關向量機;故障診斷;參數優(yōu)化

引言

變壓器是電力系統(tǒng)內主要的一種高壓設備，其內部油紙絕緣的老化情況關系變壓器使用壽命長短，為使變壓器能安穩(wěn)運行，就需采用合理方法盡早發(fā)現變壓器內潛在的故障。近些年，國內外學者陸續(xù)提出采用人工神經元網絡（ANN）、相關向量機（RVM）等智能診斷方法，其原理基本是依照油內氣體溶解數據等診斷相關故障。但事實上，變壓器故障類別和油內氣體含量直接并沒有明確的函數關系，故而采用以上方法診斷設備故障有一定片面性。組合核學習是當下智能領域中研究的熱點，MKL-RVM是Damoulas教授做出的提議，其以概率的形式輸出診斷結果，為分析問題的不確定性創(chuàng)造了便利條件?，F實應用中存在不同程度的誤診斷情況，誘發(fā)一定危害。本文把代價敏感機制整合至MKL-RVM內，構建了CS-MKL-RVM算法，探討其在變壓器故障診斷中的應用情況。

一、介紹CS-MKL-RVM模型及優(yōu)化核參數

（一）算法介紹

CS-MKL-RVM、MKL-RVM兩者的結構模型別無二致。MKL-RVM是以分層貝葉斯模型結構為基礎，通過整合多項概率似然函數，促進多特征空間的有機融合過程

（二）優(yōu)化CS-MKL-RVM核參數

MKL-RVM在使用過程中規(guī)避了確定規(guī)則化系統(tǒng)難度大的問題，模型學習階段核組合參數（β）實現了智能優(yōu)化，但需結合既往經驗選擇核函數參數。本文應用K-CV與PSO算法相結合的形式去優(yōu)化核函數參數，具體流程如下：

1 把總數是S的樣本數據集（Xs）依照隨機原則分為元素數目近乎等同的K個獨立子集Xks，其中;

2 利用Xs-Xks訓練MKL-RVM模型，利用Xks檢測驗證訓練好的MKL-RVM模型;

3 利用PSO算法選擇與測評函數參數，設定原始種群規(guī)模是20，在各次迭代內粒子通過個體極值（Pi）與群體極值（Ps）更新字體的運行速度與所處方位;

4 用K個模型的平均誤判率作為PSO算法的適應度函數取測評待選擇的核函數參數。

（三）CS-MKL-RVM代價敏感機制原理

參照1.2的函數參數優(yōu)化流程優(yōu)化CS-MKL-RVM模型，獲取最優(yōu)核函數參數后訓練MKL-RVM模型，而后結合貝葉斯風險理論微調整模型，借此方式獲得最小的誤診斷代價。

二、采用CS-MKL-RVM診斷變壓器故障的具體流程

（1）結合變壓器運轉實況，科學規(guī)劃設備的故障狀態(tài);

（2）輸入變壓器的在線或離線監(jiān)測數據，提取數據的特征量，要求提獲的特征量能從不同維度呈現出變壓器的運轉狀態(tài)。

（3）設定由不同特征量構成具有不同特征空間的CS-MKL-RVM融合模型。本文用IEC所推薦的前5種作為故障分析的特征性氣體。

（4）采集不同運轉狀態(tài)下變壓器設備對應的樣本數據;

（5）為各組特征變量空間選定相配套的核函數，并依照1.2設定的流程優(yōu)化各項核函數參數。RBF核函數見下式，其中σ是核函數：

在確定核函數以后，利用1.2內設定的流程方法探尋最優(yōu)核函數參數。在折交叉驗證過程中，K取10。

（6）學習與測試MKL-RVM故障診斷模型，利用typeII最大似然預算先驗參數，針對組合核參數，利用最大期望（EM）與二次規(guī)劃方法求算;

三、案例分析

本文選擇某電力企業(yè)提供的油內氣體在線監(jiān)測實際數據，以及前期采集且已經被證實能較整體的呈現出變電站故障類別的DGA樣本數據，共計364組。于樣本集內，隨機提取各故障類型1/2樣本數組成訓練集，其他樣本作為測試機。為檢測驗證CS-MKL-RVM算法在診斷變壓器運行故障方面表現出的效能，依次用BPNN、MKL-RVM及CS-MKL-RVM建設故障模型，并比較以上三種算法診斷設備故障實際案例的情況。

BPNN的輸入神經元數是5，隱層、輸出神經分別是15、6，采用Sigmoid函數作為激勵函數，用φ（H2）/T、φ（CH4）/C、φ（C2H6）/C、φ（C2H4）/C、φ（C2H2）/C作為BPNN診斷模型的輸入。具體診斷情況見表1[3]。

相比較之下，CS-MKL-RVM算法的平均診斷準確率偏低，但其持有更小的平均總計診斷代價更小，這提示導入代價敏感算法后，能使CS-MKL-RVM的診斷結果朝向誤診斷代價偏向的方向移走。

結束語：

本文把代價敏感機制導入MKL-RVM算法內，建成了CS-MKL-RVM電力變壓器故障診斷方法。該算法在應用過程中將誤診斷最小設定成目標，有效規(guī)避了BPNN等常規(guī)診斷方法應用階段要考慮誤診斷代價的問題，診斷準確率很高，值得推廣。

參考文獻：

[1]羅亦泳， 姚宜斌， 趙慶志，等. 利用優(yōu)化的組合核相關向量機算法構建地表下沉預測模型[J]. 武漢大學學報：信息科學版， 2018， 043（009）：1295-1301.

[2]王東， 朱永利. 基于模糊C均值聚類和改進相關向量機的變壓器故障診斷[J]. 電測與儀表， 2019（12）：14-19.

[3]高明哲， 許愛強， 唐小峰，等. 基于多核多分類相關向量機的模擬電路故障診斷方法[J]. 自動化學報， 2019， 045（002）：434-444.