基于SVDD和改进K-Means的变压器故障诊断模型

谢旭钦; 刘泉辉; 赵湘文; 张清松; 林剑雄; 张帆

doi:10.16339/j.cnki.jsjsyzdh.202402005

计算技术与自动化 ›› 2024, Vol. 43 ›› Issue (02) : 30 -34. DOI: 10.16339/j.cnki.jsjsyzdh.202402005

基于SVDD和改进K-Means的变压器故障诊断模型

谢旭钦, 刘泉辉, 赵湘文, 张清松, 林剑雄, 张帆

作者信息 +

Author information +

文章历史 +

PDF

摘要

变压器状态对于智能配电房的安全稳定运行具有重要意义。为实现对变压器故障的准确诊断，在变压器油中溶解气体分析(DGA)的基础上，提出了一种联合使用支持向量数据描述(SVDD)和改进K-Means聚类的变压器故障诊断方法。首先利用SVDD构造闭合分类曲面实现“正常”和“故障”两类判断，然后对“故障”类样本进行K-Means聚类分析，自动将其划分为低能放电、中低温过热、高能放电、高温过热和局部放电5种故障类型，同时针对K-Means初始聚类中心选取难题，提出局部密度概念自动确定K-Means初始聚类中心，提升聚类性能。最后利用变压器故障真实数据开展实验，结果表明，相较于支持向量机(SVM)和BP神经网络模型，所提方法的故障诊断准确率分别提升9.8%和8%。