方 飚

(四川省电力工业调整试验所，四川成都 610072)

变压器是电力系统中的重要设备，其运行状态直接影响到系统的安全性。油中溶解气体分析(dissolved gas analysis，DGA)是目前诊断充油电气设备故障的重要手段，已作为变压器内部潜伏性故障的主要试验项目列于DL/T 596－1996变压器试验项目的首位［1］。DGA往往能够较准确、可靠地发现逐步发展的潜伏性故障，防止由此引起重大事故。近年来的研究已将各种人工智能技术如神经网络、粗糙集、聚类算法、支持向量机等引入到变压器的故障诊断当中。

支持向量机算法［2－5］是在统计学理论基础上发展起来的一种新的模式识别方法。它是由Vapnik等人于1995年提出的从统计学习理论发展出的一种模式识别方法，是目前较为流行的适用于小样本训练的大边缘分类器。

K－L变换是经典的传统方法，适用于任何概率分布，它能保留原样本中方差最大的数据分量，所以K－L变换起了减小相关性、突出差异性的效果，因此是在均方误差最小的意义下获得数据降维的最佳变换。

这里针对变压器的5种运行模式(4种故障模式与1种正常运行模式)提出了建立基于支持向量机与K－L特征提取技术的变压器故障诊断模型。该模型的基本思想是在训练数据预选取阶段采用基于Mercer核函数的欧式距离的查询策略选取最能代表各类的样本数据，从而能够更加准确地构造SVM分类器，减少训练样本数和缩短训练时间。同时利用K－L变换的特征提取技术在系统分类精度不降低的情况下将样本数据由六维降到三维，提取了样本数据集的特征值，同时通过三维图表示了降为三维的样本数据，从而为进一步提高分类正确率奠定了基础。……