基于增量式貝葉斯分類器的故障診斷研究

孫磊　朱立富　許曉鵬

摘 要:本文針對貝葉斯分類器精度不高,需要大量樣本集學習,尤其是當獲得大量的帶有類別標注的樣本代價較高時的缺點,探討了一種基于增量式貝葉斯分類器的故障診斷方法,使用該模型不斷積累完善樣本,自動修正網絡結構參數和概率分布參數,從而達到診斷效果的高效性。也把該模型運用到變壓器的故障診斷中,通過大量的實例證明,該模型運用的算法在現實工作中有實質的可行性和操作性。

關鍵詞:增量式貝葉斯變壓器故障診斷研究機構及算法

中圖分類號:TP2 文獻標識碼:A 文章編號:1674-098X(2012)07(c)-0104-011 引言

本文提出了基于小規模訓練集的增量式貝葉斯分類,給出增量式貝葉斯分類機理參數計算及其算法。較貝葉斯算法增加自適應訓練能力,提高故障診斷率。

2 增量式貝葉斯分類器結構及算法

相比較傳統貝葉斯分類器的閾值常數的靜態過程,增量式貝葉斯分類器主要是利用樣本信息的不斷修正,來提高分類精度是一個動態修正過程。

增量分類的任務實質是根據先驗信息和樣本信息來確定和。其中為訓練樣本中屬于類的次數,為訓練樣本數,為增量樣本數。采用拉普拉斯概率估計,可獲得下面的參數估計:設定后續樣本集的處理,輸入:故障樣本集,余下的作為測試樣本集。輸出:分類器C。

該結構的算法是一個無限循環過程,貝葉斯本身具有增量學習特性,再修正過程中選擇性修正更新信息,使得分類器增量地進行,從而提高了分類精度,減少了大量重復樣本學習與訓練時間。

3 建立基于貝葉斯的變壓器故障診斷模型

為了檢驗增量式貝葉斯分類器的有效性,建立基于增量式貝葉斯分類器的變壓器故障診斷模型步驟如下:

(1)建立變壓器故障樣本集,全面分類;

(2)設定動態閾值參數,建立診斷數學模型;

(3)將故障樣本集輸入增量式貝葉斯分類器故障診斷模型;

(4)訓練后的診斷模型測試樣本集,將傳統貝葉斯分類器與增量式貝葉斯分類器進行對比。

4 診斷實例

某發電廠變壓器額定容量為110MVA,額定電壓為110/35/10.5kV,根據絕緣電阻、泄漏電流、介質損耗、三比值法等測試樣本,根據對應數值編輯數據測試樣本為401000111.將其送入訓練后的測試模型。經過增量式分類器與傳統貝葉斯分類器的后驗概率分別為0.078和0.012,見表1,對應為C8,因此判斷該變壓器故障為絕緣性能下降。通過實際檢驗變壓器漏電現象確由鐵芯內絕緣性能下降所致。(如表1）

5 結語

本文引入增量式貝葉斯分類器,通過建立變壓器故障診斷模型,比較了傳統貝葉斯分類器,通過實例說明增量式貝葉斯分類器比傳統的貝葉斯分類器在運行性能上具有優越性,從而也證實了增量式貝葉斯分類器在診斷故障過程中的精確性與準確性。

參考文獻

[1] 曾界洲,徐玉珍.一種基于模糊神經網路的變壓器故障診斷方法的研究[J],閩江學院學報,2004(10):30-33.

[2] 尚勇,閏春江,嚴璋,等.基于信息融合的大型油浸電力變壓器故障診斷[J].中國電機工程學報,2002,22(7):l15-l18.

[3] P.Purkait.Time and Frequency Domain Analyses Based Expert System for Impulse Fault Diagnosis in Transformers.Transactions on Dielectrics and Electrical Insulation,2002,6(3):433-445.

[4] Jorge Pleite,Carlos González.Power Transfomer Core Fault Diagnosis Using Frequency Response Analysis.MELECON,2006,5(16):1126-1129.

[5] 吳立增,朱永利,苑津莎.基于貝葉斯網絡分類器的變壓器綜合故障診斷方法[J].電工技術學報,2005,4(4):45-51.

[6] 孫輝,李衛東,孫啟忠．判決樹方法用于變壓器故障診斷的研究[J]．中國電機工程學報,2001,21(2):50-55.

[7] 高文勝,錢政,嚴璋.基于決策樹神經網絡模型的電力變壓器故障診斷方法[J].西安交通大學學報,1999,33(6):11-16.

[8] 劉娜,高文勝,談克雄.基于組合神經網絡模型的電力壓器故障診斷方法[J].電工技術學報,2003,18(2):83-86.