（国网徐州供电公司 江苏徐州 221000）
摘要：对于某些算法不收敛的缺陷和使变压器故障检测能够平稳运行的良好方法，就是贝叶斯网络变压器故障诊断的方法。对于贝叶斯网络在实际中缺少依据，在反射全面样本范围内平滑因子α根据常数取值的问题，有多分类的相关向量机的变压器故障诊断方法得到了提出，所以，下文中笔者将就多分类相关向量机的变压器故障诊断做出探究与分析。
关键词：变压器故障诊断；多分类相关向量机；贝叶斯网络
一、变压器故障诊断新方法的重要性
作为影响电力系统运行安全的关键设备，变压器的安全性与耐用性被电力行业、电力学方面的专家广泛重视，并且要求很高。而电气系统中最主要的设备之一就是电力变压器，为了保证电力系统的运行安全，变压器的运行状态必须平稳与安全。为了保证整个电网的安全、可靠与经济性，变压器的运行备受瞩目，所以，对于变压器故障的研究，也就是如何让变压器能够安全的、正常的进行工作，从而使电力系统网络稳定，是本篇主要探讨的问题。
变压器的绝缘材料在的电，绝缘材料的劣化性，热作用与环境因素影响，都是变压器在运行过程中容易导致电力设备故障而引起系统断电的因素，所以，变压器绝缘材料的质量也对电力系统的运行起到了关键作用。
作为电力系统设备状态检修的重要组成内容与本篇文章的重要研究方向，变压器故障诊断技术值得我们重视，其就是通过分析变压器不同、繁多的状态信息，再根据各种科学的方法分析变压器反馈的状态信息，从而可以判断变压器发生故障的类型与严重程度，进而确定问题发生的部位。为了有时效性的对变压器非正常运行状态或者可能导致不安全因素出现的故障展开状态检修，了解变压器的目前的运行状态十分重要。同样，这是为了保证变压器设备在电网中安全可靠的运行，对于变压器的故障诊断与适时的维修，非常重要。
为了解决变压器反馈数据的不定性与不完整性，贝叶斯网络（Bayesian network）得到了提出，其主要目的是为了解决变压器的不确定性与关联性引起的故障，所以，在故障领域中应用较为广泛。
平滑因子的性能是贝叶斯网络的性能最具代表性的一部分，其融汇了贝叶斯网络平滑因子的选择，但是，由于平滑因子在多种模式下无法稳定均衡状态，所以贝叶斯网络辨别率会受到影响，进而变成工程中电力变压器检测准确性的影响，所以，笔者认为需要完善粒子算法，将平滑因子值在贝叶斯网络多种模式中产生优化，并且经过实践证明，贝叶斯网络在进行优化后可以使变压器故障检测平稳状态，但是，由于不收敛的陷阱存在，而本文通过将贝叶斯网络进行一些改善，优化贝叶斯网络的平滑因子参数，从提升工作效率，能够快速检测变压器的故障。
二、多分类向量机算法对平滑因子的优化
2.1 粒子算法
从鸟群寻找食物的动物行为作为灵感出发点的粒子群优化算法基本思想，在粒子群优化算法中，可以抽象“n”维寻觅点作为优化问题的解，而寻觅范围规定的飞行时间设定为“粒子”，其标准是同一范畴内其他粒子的飞行经验与综合粒子本身得出，并且在独立的“n”维寻觅范围众中，设m是粒子数量，汇集成种群X=（X1 X2 X3……Xm）T当中，由第I个粒子的方位向量Xi=（X11X22…XiN）T，速度向量Vi=（Vi1Vi2…Vin）T，个体极值为Pi=（Pi1Pi2…Pin）T，种族全局极值Pg=（Pg1Pg2…Pgn）T遵循搜索优质粒子的规律，即变化粒子的方向与行程向量，公式如下。
式中，学习因子为C1，C2，（0,1）间任意数为r1，r2。
而为了使约束粒子群算法的检测作用更加便捷，将惯性权重w导入式（1）中，构成目前常规的粒子群优化算法，如下。
所以可以看出，粒子群优化算法的公式中一共有三个权重因子，即惯性权重w，学习因子C1，C2，其中，惯性权重w主要为了使粒子具有变化惯性，可以进行领域的扩充，研究未知空间。
2.2 支持向量机分类理论
作为机械学习的一种，支持向量是统计学理论的基础上发展而成，所以支持向量的理论基础非常的坚实、完善。
机器学习的主要目的，是为了估计根据给定的训练样本来求取对系统输入与输入之间的依赖关系，从而学习机器能够对未知的输出进行大约准确的预测，下面，笔者分析支持向量的数学描述概括。
假设输出x与目标输出y自检存在某个未知的依赖相关关系，即遵循某一位置的联合概率p（x，y）分布，机器学习问题就是根据l个独立同分布观测样本{（x1，y1）（x2，y2）…（xn，yn）}学习到一个建设H=f（x，w）作为预测函数，其中w是广义参数，f（x，w）的期望风险是损失函数L（yf（x，w））关于联合概率分布P（x，y）的Riemann-Stieltjes积分，其使用公式表示如下：
则可以设定机器学习的目标，具体为：预测函数f（x，w）的期望风险较小，其中L（y，f（x，w））为由于使用假设函数f（x，w）的期望风险最小，并且其中L（y，f（x，w））为由于以假设函数f（x，w）为实际输出y预测造成的损失函数。
在依赖P（x，y）信息的情况下，可以计算期望风险R（w），但是，在实际操作中，可利用的信息样本是有效的，所以期望风险往往无法直接进行计算，也无法最小型化，所以，传统的学习方法中采用了经济风险最小化原则（empirical risk minimization），即使用有限的样本定义经验风险，可以用公式表示如下。
式中，用于逼近期望风险，为了代替求期望风险R（w）的最小，来求Remp（w）的最小值将其代替。
一些诸如最小二乘法，最大似然法，神经网络思想等给予数据的传统统计学习方法，实际上都是在ERM的原则下提出来的。
2.3多分类相关向量机的例子群优化算法
引入例子算法理论，是多分类相关向量机算法的中心，并且在基于多分类相关向量机的变压器故障诊断中，差异与能量函数全部都会从一个整体向减少的位置变化，只有少数情况UI向增多的方向移动，如果以最小状况解决变压器故障检查，那么为了达到最佳解决问题的方法，就不能避开只有变压器整体的某一部分的故障检测，需要达到变压器故障检测的整体最佳状态。在运用粒子群优化算法局部检测的性能与多分类相关向量机算法的全局检测性能互相融合诊断变压器的故障的时候，可以有效提高诊断变压器故障的准确率，从而提升工作效率。
而以多分类相关向量机算法优化贝叶斯网络平滑因子的步骤如下：
①将粒子用贝叶斯网络平滑因子参数集表述，而原始化粒子的粒子种群方面则使用p代表，速度使用v代表。
②依据初始粒子运算获取适应度函数值，也就是引接范本，将获取的贝叶斯网络差异分辨样本数量表述为合适的函数。
③获得独立最佳解决方法Pb与全局最优解Pgb的方法以适应度函数参照获得。
则可以接受新位置p’，不然，则不接受新位置p’与新速度v’。
⑥判断目标函数是否达到了标准的平稳状态，如果达到，在终止反复匀速，成为最优化的贝叶斯网络平滑因子参数集，不然，则存在向量机系数T=cT，C多为分类系数，那么，从②开始继续反复。
总结
综合上文所提出的构建贝叶斯网络的方法，即通过多分类相关向量机遇粒子算法互相结合的方法构建贝叶斯网络，从而保留粒子群优化算法，为完善粒子群算法的局部检测性，应用多分类相关向量机，从而体现了平滑因子的快速自我完善能力，是其可以再变压器故障诊断中拥有良好的辨别能力，能够做到真正在变压器故障的诊断中派上用场，并且提升了变压器故障诊断的速率，提升了工作的效率。
参考文献
[1]陈芬.基于多分类相关向量机的变压器故障诊断方法[J].控制工程，2014（20）.
[2]朱永利.相关向量机及其在变压器故障诊断中的应用[J].电力自动化，2012（8）.
论文作者:沈晓洁
论文发表刊物:《电力设备》2017年第13期
论文发表时间:2017/9/19
标签：变压器论文; 向量论文; 粒子论文; 算法论文; 因子论文; 平滑论文; 故障论文; 《电力设备》2017年第13期论文;