代价敏感相关向量机的研究及其在变压器故障诊断中的应用

发布时间：2018-06-23 19:04

  本文选题：变压器 + 代价敏感学习　； 参考：《电力自动化设备》2014年05期

【摘要】：实际中不同变压器故障类型的误分引发的危害程度往往不同,仅追求正确率并不一定会带来符合实际意义的分类结果。针对此,提出了代价敏感相关向量机(CS-RVM)。CS-RVM以误分代价最小为目标,按贝叶斯风险理论预测新样本类别。在用典型算例验证了CS-RVM具有代价敏感性的基础上,尝试将其应用于变压器故障诊断。基于溶解气体分析(DGA)数据的变压器故障诊断实例分析表明,CS-RVM全局诊断正确率略高于BP神经网络和支持向量机,略低于多分类相关向量机(M-RVM),但CS-RVM趋于提高误诊代价高的故障类型的诊断正确率,具有代价敏感性;CS-RVM的诊断速度足以满足变压器故障诊断的工程要求。
[Abstract]:In practice, the degree of harm caused by the misclassification of different transformer fault types is often different, and the pursuit of accuracy does not necessarily lead to classification results of practical significance. To solve this problem, a cost sensitive correlation vector machine (CS-RVM) .CS-RVM is proposed to predict the new sample categories according to Bayesian risk theory. The cost sensitivity of CS-RVM is verified by a typical example, and the application of CS-RVM in transformer fault diagnosis is attempted. An example of transformer fault diagnosis based on dissolved gas analysis (DGA) data shows that the global diagnostic accuracy of CS-RVM is slightly higher than that of BP neural network and support vector machine. However, CS-RVM tends to improve the diagnostic accuracy of the type of fault with high misdiagnosis cost, and the diagnostic speed of CS-RVM with cost sensitivity is sufficient to meet the engineering requirements of transformer fault diagnosis.
【作者单位】： 天津理工大学自动化学院;天津理工大学工程训练中心;
【基金】：河北省自然科学基金资助项目(E2009001392)~~
【分类号】：TM407

【参考文献】

相关期刊论文 前6条

1 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年10期

2 赵文清;;基于选择性贝叶斯分类器的变压器故障诊断[J];电力自动化设备;2011年02期

3 郑元兵;陈伟根;李剑;杜林;孙才新;;基于BIC与SVRM的变压器油中气体预测模型[J];电力自动化设备;2011年09期

4 刘卫华;廖瑞金;杨丽君;;基于点密度加权核模糊聚类的变压器故障诊断方法[J];电力自动化设备;2012年06期

5 董明,孟源源,徐长响,严璋;基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究[J];中国电机工程学报;2003年07期

6 赵文清;朱永利;张小奇;;应用支持向量机的变压器故障组合预测[J];中国电机工程学报;2008年25期

【共引文献】

相关期刊论文 前10条

1 张哲;朱永利;武中利;韩凯;;基于SVM多分类法的变压器油中溶解气体故障诊断[J];变压器;2010年03期

2 符杨;张雷;江玉蓉;左官芳;;基于可靠性数据分析和最小二乘支持向量机的电力变压器故障诊断[J];变压器;2010年09期

3 朱志宇;刘维亭;;基于支持向量机的船舶柴油机故障诊断[J];船舶工程;2006年05期

4 王锟;王洁;刁迎春;;基于LS-SVM组合预测的地空导弹发射车液压系统油液污染度预测[J];传感技术学报;2012年05期

5 赵立华;李洋流;李国强;;基于气体传感器的变压器在线DGA系统的研究[J];传感器与微系统;2009年11期

6 吴兴伟;迟道才;;锅炉给水泵轴承温度变化状态预测[J];轴承;2009年02期

7 白丽;胡晓光;;断路器故障诊断专家系统研究[J];东北水利水电;2012年01期

8 尹金良;朱永利;;支持向量机参数优化及其在变压器故障诊断中的应用[J];电测与仪表;2012年05期

9 王永强,律方成,李和明;基于贝叶斯网络和油中溶解气体分析的变压器故障诊断方法[J];电工技术学报;2004年12期

10 方瑞明;马宏忠;;基于最小二乘支持矢量机的异步电机转子故障诊断研究[J];电工技术学报;2006年05期

相关会议论文 前2条

1 胡泽江;张海涛;;可拓关联函数与属性约简相结合的变压器故障诊断方法[A];2011年云南电力技术论坛论文集（入选部分）[C];2011年

2 张国荣;;基于SVM分类算法的电力变压器故障诊断[A];第六届全国信息获取与处理学术会议论文集（2）[C];2008年

相关博士学位论文 前10条

1 吴锋;基于GPU并行计算的数值模拟与燃煤锅炉系统的优化研究[D];浙江大学;2010年

2 胡青;基于电力变压器故障特征气体分层特性的诊断与预测方法研究[D];重庆大学;2010年

3 李洋流;基于膜分离与光声光谱的绝缘油中溶解气体在线分析技术[D];哈尔滨工业大学;2011年

4 郑元兵;变压器故障诊断与预测集成学习方法及维修决策模型研究[D];重庆大学;2011年

5 翟永杰;基于支持向量机的故障智能诊断方法研究[D];华北电力大学（河北）;2004年

6 吴立增;变压器状态评估方法的研究[D];华北电力大学（河北）;2005年

7 孙斌;基于小波和混沌理论的气液两相流流型智能识别方法[D];华北电力大学（河北）;2005年

8 潘明清;基于支持向量机的机械故障模式分类研究[D];浙江大学;2005年

9 何洪英;基于红外热像及人工智能的绝缘子污秽等级识别方法研究[D];湖南大学;2006年

10 王春林;大型电站锅炉配煤及燃烧优化的支持向量机建模与实验研究[D];浙江大学;2007年

相关硕士学位论文 前10条

1 张胜龙;Multi-Agent在变压器故障诊断中的研究[D];华北电力大学;2011年

2 谭平;油气水三相流流型识别方法研究[D];燕山大学;2011年

3 吴钰;月度负荷预测的支持向量机与综合模型研究[D];上海交通大学;2012年

4 肖兴军;电站燃煤锅炉燃烧优化算法的应用研究[D];燕山大学;2012年

5 尹玉娟;基于油气分析的油浸式变压器时变停运模型及故障诊断研究[D];浙江大学;2012年

6 袁鹏;基于信息编码的城市电网智能报警研究[D];浙江大学;2012年

7 宋晓芳;电能质量分析技术研究与实现[D];南京理工大学;2005年

8 王李东;基于支持向量机（SVM）的短期负荷预测的研究[D];华中科技大学;2005年

9 陈淼峰;基于EMD与支持向量机的转子故障诊断方法研究[D];湖南大学;2005年

10 杨瑞高;人工免疫算法及其在变压器故障诊断中的应用[D];浙江大学;2006年

【二级参考文献】

相关期刊论文 前10条

1 林茂六;陈春雨;;基于傅立叶核与径向基核的支持向量机性能之比较[J];重庆邮电学院学报(自然科学版);2005年06期

2 钱政,高文胜,尚勇,严璋;基于范例推理的变压器油中气体分析综合诊断模型[J];电工技术学报;2000年05期

3 李俭,孙才新,陈伟根,陈国庆,崔雪梅;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年04期

4 王楠,律方成,刘云鹏,李和明;基于决策表约简的变压器故障诊断Petri网络模型及其应用研究[J];电工技术学报;2003年06期

5 章剑光,周浩,项灿芳;基于Super SAB神经网络算法的主变压器故障诊断模型[J];电工技术学报;2004年07期

6 吴立增,朱永利,苑津莎;基于贝叶斯网络分类器的变压器综合故障诊断方法[J];电工技术学报;2005年04期

7 李玉龙;宗伟;吕鲜艳;何秋宇;袁启洪;王倩;;基于抗体浓度调节新定义下的免疫遗传算法在电压无功优化中的应用[J];电工技术学报;2008年02期

8 唐小我;组合预测误差信息矩阵研究[J];电子科技大学学报;1992年04期

9 肖燕彩;朱衡君;陈秀海;;用灰色多变量模型预测变压器油中溶解的气体浓度[J];电力系统自动化;2006年13期

10 潘，

本文编号：2058097