董標(biāo)

摘要：本文把代價(jià)敏感學(xué)習(xí)機(jī)制整合至組合核相關(guān)向量機(jī)（MKL-RVM），建設(shè)了代價(jià)敏感組合核相關(guān)向量機(jī)（CS-MKL-RVM），探究CS-MKL-RVM算法在變壓器故障診斷中的應(yīng)用情況，摸索出最優(yōu)的核函數(shù)參數(shù)。通過分析油內(nèi)溶解氣體分析數(shù)據(jù)的實(shí)際案例，發(fā)現(xiàn)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(jià)處于較低水平。

關(guān)鍵詞：變壓器;組合核相關(guān)向量機(jī);故障診斷;參數(shù)優(yōu)化

引言

變壓器是電力系統(tǒng)內(nèi)主要的一種高壓設(shè)備，其內(nèi)部油紙絕緣的老化情況關(guān)系變壓器使用壽命長(zhǎng)短，為使變壓器能安穩(wěn)運(yùn)行，就需采用合理方法盡早發(fā)現(xiàn)變壓器內(nèi)潛在的故障。近些年，國(guó)內(nèi)外學(xué)者陸續(xù)提出采用人工神經(jīng)元網(wǎng)絡(luò)（ANN）、相關(guān)向量機(jī)（RVM）等智能診斷方法，其原理基本是依照油內(nèi)氣體溶解數(shù)據(jù)等診斷相關(guān)故障。但事實(shí)上，變壓器故障類別和油內(nèi)氣體含量直接并沒有明確的函數(shù)關(guān)系，故而采用以上方法診斷設(shè)備故障有一定片面性。組合核學(xué)習(xí)是當(dāng)下智能領(lǐng)域中研究的熱點(diǎn)，MKL-RVM是Damoulas教授做出的提議，其以概率的形式輸出診斷結(jié)果，為分析問題的不確定性創(chuàng)造了便利條件?，F(xiàn)實(shí)應(yīng)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(jià)敏感機(jī)制整合至MKL-RVM內(nèi)，構(gòu)建了CS-MKL-RVM算法，探討其在變壓器故障診斷中的應(yīng)用情況。

一、介紹CS-MKL-RVM模型及優(yōu)化核參數(shù)

（一）算法介紹

CS-MKL-RVM、MKL-RVM兩者的結(jié)構(gòu)模型別無二致。MKL-RVM是以分層貝葉斯模型結(jié)構(gòu)為基礎(chǔ)，通過整合多項(xiàng)概率似然函數(shù)，促進(jìn)多特征空間的有機(jī)融合過程

（二）優(yōu)化CS-MKL-RVM核參數(shù)

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(xué)習(xí)階段核組合參數(shù)（β）實(shí)現(xiàn)了智能優(yōu)化，但需結(jié)合既往經(jīng)驗(yàn)選擇核函數(shù)參數(shù)。本文應(yīng)用K-CV與PSO算法相結(jié)合的形式去優(yōu)化核函數(shù)參數(shù)，具體流程如下：

1 把總數(shù)是S的樣本數(shù)據(jù)集（Xs）依照隨機(jī)原則分為元素?cái)?shù)目近乎等同的K個(gè)獨(dú)立子集Xks，其中;

2 利用Xs-Xks訓(xùn)練MKL-RVM模型，利用Xks檢測(cè)驗(yàn)證訓(xùn)練好的MKL-RVM模型;

3 利用PSO算法選擇與測(cè)評(píng)函數(shù)參數(shù)，設(shè)定原始種群規(guī)模是20，在各次迭代內(nèi)粒子通過個(gè)體極值（Pi）與群體極值（Ps）更新字體的運(yùn)行速度與所處方位;

4 用K個(gè)模型的平均誤判率作為PSO算法的適應(yīng)度函數(shù)取測(cè)評(píng)待選擇的核函數(shù)參數(shù)。

（三）CS-MKL-RVM代價(jià)敏感機(jī)制原理

參照1.2的函數(shù)參數(shù)優(yōu)化流程優(yōu)化CS-MKL-RVM模型，獲取最優(yōu)核函數(shù)參數(shù)后訓(xùn)練MKL-RVM模型，而后結(jié)合貝葉斯風(fēng)險(xiǎn)理論微調(diào)整模型，借此方式獲得最小的誤診斷代價(jià)。

二、采用CS-MKL-RVM診斷變壓器故障的具體流程

（1）結(jié)合變壓器運(yùn)轉(zhuǎn)實(shí)況，科學(xué)規(guī)劃設(shè)備的故障狀態(tài);

（2）輸入變壓器的在線或離線監(jiān)測(cè)數(shù)據(jù)，提取數(shù)據(jù)的特征量，要求提獲的特征量能從不同維度呈現(xiàn)出變壓器的運(yùn)轉(zhuǎn)狀態(tài)。

（3）設(shè)定由不同特征量構(gòu)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(yùn)轉(zhuǎn)狀態(tài)下變壓器設(shè)備對(duì)應(yīng)的樣本數(shù)據(jù);

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

在確定核函數(shù)以后，利用1.2內(nèi)設(shè)定的流程方法探尋最優(yōu)核函數(shù)參數(shù)。在折交叉驗(yàn)證過程中，K取10。

（6）學(xué)習(xí)與測(cè)試MKL-RVM故障診斷模型，利用typeII最大似然預(yù)算先驗(yàn)參數(shù)，針對(duì)組合核參數(shù)，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(nèi)氣體在線監(jiān)測(cè)實(shí)際數(shù)據(jù)，以及前期采集且已經(jīng)被證實(shí)能較整體的呈現(xiàn)出變電站故障類別的DGA樣本數(shù)據(jù)，共計(jì)364組。于樣本集內(nèi)，隨機(jī)提取各故障類型1/2樣本數(shù)組成訓(xùn)練集，其他樣本作為測(cè)試機(jī)。為檢測(cè)驗(yàn)證CS-MKL-RVM算法在診斷變壓器運(yùn)行故障方面表現(xiàn)出的效能，依次用BPNN、MKL-RVM及CS-MKL-RVM建設(shè)故障模型，并比較以上三種算法診斷設(shè)備故障實(shí)際案例的情況。

BPNN的輸入神經(jīng)元數(shù)是5，隱層、輸出神經(jīng)分別是15、6，采用Sigmoid函數(shù)作為激勵(lì)函數(shù)，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(zhǔn)確率偏低，但其持有更小的平均總計(jì)診斷代價(jià)更小，這提示導(dǎo)入代價(jià)敏感算法后，能使CS-MKL-RVM的診斷結(jié)果朝向誤診斷代價(jià)偏向的方向移走。

結(jié)束語：

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

參考文獻(xiàn)：

[1]羅亦泳， 姚宜斌， 趙慶志，等. 利用優(yōu)化的組合核相關(guān)向量機(jī)算法構(gòu)建地表下沉預(yù)測(cè)模型[J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版， 2018， 043（009）：1295-1301.

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

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