组合核相关向量机在变压器故障诊断中的应用
开篇：润墨网以专业的文秘视角，为您筛选了一篇组合核相关向量机在变压器故障诊断中的应用范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【摘要】文章对组合核学习和组合核核参数优化进行了研究，提出了基于K折交叉验证和遗传算法相结合的核函数参数优化方法，对MKL-RVM进行了优化。在此基础上，尝试将MKL-RVM应用于油浸式电力变压器故障诊断，以融合蕴含变压器运行状态的多种特征信息，从而提高诊断正确率。该方法同样可以输出变压器为各种状态的概率，为变压器的检修提供更多的可用信息。
【关键词】变压器；故障诊断；核向量机；检测
1.引言
变压器是电力系统中重要是设备，其运行状态影响着整个系统的安全运行，而历史数据显示变压器是容易出故障的设备，基于此，对变压器的故障进行合理而准确的诊断是当前面临的重要任务，文章就这个问题进行了分析。
2.算法介绍
文章采用分层贝叶斯模型结构，通过引入多项概率似然函数（Multinomial Probit Likelihood）[1-4]，实现了非同构的多信息数据或多特征信息的有机融合以及多分类问题，MKL-RVM原理示意图如图1所示，图中S为信息数据的种类，为组合核参数。
图1 MKL-RVM原理示意图
Fig.1 MKL-RVM schematic diagram
设信息数据（一类信息数据或多类信息数据）经特征提取获得个特征空间。来自特征空间的样本数据集记为，，，，其中为样本数，为特征向量的维数，为类别数。当给定核函数时，可得基核矩阵，，定义组合核矩阵，组合核矩阵的元素可由式（1）得到。
（1）
其中：——核函数；
——组合核函数。
引入辅助回归目标变量和权重参数，可得标准噪音回归模型如式（2）。
（2）
其中：——的第行列的元素；
——的第的列；
——的第行；
——代表服从均值为方差为的正态分布。
引入多项概率联系函数如式（3），将回归目标转化为类别标签。
（3）
由此可以得到多项概率似然函数如式（4）。
（4）
其中：——标准正态分布的期望；
——高斯累计分布函数。
为了确保模型的稀疏性，为权重向量引入零均值[5]，方差为标准正态先验分布。为先验参数矩阵中的元素，服从超参数为，的Gamma分布。
由此可见MKL-RVM同样采用的是分层贝叶斯模型结构，模型结构示意图如图2所示。
图2 分层贝叶斯模型
Fig.4-2 Hierarchical Bayesian model
图3 CV数据集划分示意图
3.算法改进
鉴于K折交叉验证可以确保所有的样本数据都参与模型的训练和验证[6-8]，而遗传算法则具有较好的全局寻优能力，提出了基于K折交叉验证和遗传算法相结合的核函数参数优化方法，以提高MKL-RVM的性能。该方法采用K折交叉验证来评估待选择的核函数参数，采用遗传算法选取核函数参数。
数据挖掘和机器学习中，关键任务是在获取的数据集上进行模型学习、模型性能评估和模型选择，该模型可能是回归模型或分类器模型。交叉验证（Cross Validation，CV）起源于20世纪30年代，起初仅是用于模型性能评估，20世纪70年代Stone and Geisser将其用于模型参数选择，现今CV已成为数据挖掘和机器学习中模型性能评估和模型选择的有效方法[9]。
常见CV的方法有：Hold-Out Method，K-fold Cross Validation（记为：K-CV）和Leave-One-Out Cross Validation（记为：LOO-CV）。
（1）Hold-Out Method
Hold-Out Method：是将样本数据按一定的比例随机地分为训练集和验证集，训练集用于模型学习，验证集用于模型的验证。
（2）K-fold Cross Validation
K-CV方法：设样本数据集为，，X为输入向量空间，Y为类别向量空间。K-CV方法首先将数据集D随机地分成元素个数近似相等的K个相互独立的子集。然后用D-Dt（“-”为集合差运算，）对模型进行训练，用Dt对模型进行验证，数据集划分示意图如图3所示。该方法将得到K个模型，可以通过计算K个模型的平均正判率对模型性能进行评估（Model Performance Estimation）。Duan等人建议采用5-CV。
4.结论
（1）该方法采用K个MKL-RVM分类器模型的平均正判率评估模型性能，作为选择MKL-RVM分类器核函数参数的标准，可以使优化得到的MKL-RVM分类器参数具有很好的推广性；
（2）K-CV方法可以确保所有的样本数据都参与MKL-RVM分类器模型的训练和验证，能够充分利用有限的样本数据；
（3）MKL-RVM分类器核函数参数选取过程中，训练集与验证集也是不断改变的，可以在整个样本空间寻优。
参考文献
[1]彭席汉.变压器DGA智能在线监测仪的研究与开发[D].浙江：浙江大学博士论文，2007：1-5.
[2]郑含博.电力变压器状态评估及故障诊断方法研究[D].重庆：重庆大学博士论文，2012.
[3]程鹏，佟来生，吴广宁等.大型变压器油中溶解气体在线监测技术进展[J].电力自动化设备，2004，24（11）： 90-93.
[4]邓敏.变压器在线监测技术的新突破[J].电网技术， 2001，25（9）：81-83.
[5]李娟，蔡晖，丁晓群.电力变压器状态在线监测和故障诊断的新方法[J].电力自动化设备，2002，22（12）：60-63.
[6]肖燕彩，朱衡君，张霄元等.基于溶解气体分析的电力变压器在线监测与诊断技术[J].电力自动化设备，2006，26（6）：93-96.
[7]李中，苑津莎，张利伟.基于自组织抗体网络的电力变压器故障诊断[J].电工技术学报，2010，25（10）：200-206.
[8]李俭，孙才新，陈伟根等.基于灰色聚类分析的充油电力变压器绝缘故障诊断的研究[J].电工技术学报，2002，17（4）：80-83.
[9]Weigen Chen，Chong Pan，Yuxin Yun，et al.Wavelet Networks in Power Transformers Diagnosis Using Dissolved Gas Analysis[J].IEEE Transactions on Power Delivery，2009，24（1）：187-194.