yi?wT??(xi)?b??1??i,?i?0,i?1,2,?l。这样，标准的支持向量机转化为最小二乘支持向量机(LS-SVM)。求解式(5)，引入
Lagrange函数，并根据KKT优化条件[7]
得到a和b，即得到分类决策函数式(3)。根据分类决策函数式的正负来判别样本所属的类别，选择不同的核函数即可构成不同的SVM。 2.2基于支持向量机回归模型的变压器油中气体浓度在线监测方法
基于支持向量机回归模型的预测属于一个数据泛化拟合的问题。该模型预测过程就是将历史数据样本作为支持向量机的训练样本，通过调整模型和核函数参数训练并构造最理想预测机器，再用测试样本检测是否满足一定的精度要求，然后再进行数据预测[8]。
对于基于支持向量机回归模型，选择一个合适的核函数及相应的参数是很重要的。通过对不同类型核函数的比较发现径向基核函数不仅在处理非线性输入方面比线形核函数性能优越，而且结构非常简单，因为其参数只有一个，参数数量少于多项式及其他核函数。另外径向基核函数具有训练时间短，学习过程简单等优点，因而目前得到了广泛的研究和应用。在基于径向基核函数的支持向量回归机中，我们使用如下形式的核函数：
K(x,xii)?exp(?x?x2?2) (6)
其中σ 为核宽度。 根据上述原理，基于支持向量机的预测模型的实现步骤如下：
（1）获取一定数量且已有明确结论的样本数据作为学习样本集以及测试样本集； （2）对样本集数据进行预处理；
（3）选择径向基核函数的参数，确定精度误差ε及对误差进行惩罚的惩罚因子C ； （4）依据支持向量机回归模型，求解该二次优化问题，获得ai ， ai*及b的值，然后得到回归函数方程；
（5）训练模型样本并测试是否达到精度要求，若不达到，则返回到（3）重新选择核
函数参数值；
3基于光纤气体传感器的变压器油中气体在线监测方法
3.1光纤传感器基本原理
任何介质对各种波长的电磁波能量会或多或少地吸收。完全没有吸收的绝对透明介质中是不存在的。光通过介质时，其强度随介质的厚度增加而减少。该介质的分子、原子或离子与光子作用，光子的能量会发生转移，而物质中的这些粒子就会发生能级跃迁。玻尔理论告诉我们，原子在跃迁时要吸收或辐射能量，表现为吸收或辐射光子。而吸收或辐射光子的能量由跃迁能级差所决定。也就是原子从一种定态（E初）跃迁到另一种定态（E终）时，它辐射（或吸收）一定频率的光子，光子的能量由这两种定态的能量差决定，即hv=E初-E终。这说明原子发光的光谱是由一些不连续的亮线组成的明线光谱，并且原子吸收光子是有选择性的。只有光子的能量与被照射物质粒子的基态和激发态能量之差(ΔE)相等时，才被吸收，多余的能量并不吸收。若光子被吸收之后，分子跃迁到激发态，在激发态停留非常短暂的时间后，又通过自发发射，释放出这个光子，回到基态。但此时发射的这个光子，不一定还射向原方向(分子也不在原位置)，而是在4p立体角中任意发射的，这就相当于原方向上的光子被散射掉了(瑞利散射)，那么原方向上的光强度产生衰减，通过测量其光强度的衰减信息就可以分析获得被测气体的浓度。对于不同的气体分子，由于其不同的结构特征决定了其具有不同的吸收光谱。通过检测某种特定波长(或频率)的光波吸收情况，就可以进行气体的浓度测量[9][10]
。
3.2基于光纤气体传感器的变压器油中气体在线监测 如图3-1，基于光纤气体传感器的变压器油中气体在线监测系统主要包括油气分离单元、光纤气体传感器、数据采集单元、串口通讯单元以及数据处理和故障诊断系统。油气分离单元采用透气而不透油的聚四氟
乙烯膜即Teflon PTFE膜，来完成油气分离，末端连接到一个
测。而对于不同的单项预测方法，由于各自的适用条件不尽相同，导致产生了不同的预测效果如各种方法的预测精度和可靠性往往互不一致。但是这些单项预测方法在数据处理及不同准则的标准方面均有各自的特点和意义，并都能从不同的角度对预测进行
不过由于预测系统的复杂性以及预测 描述。
图3-1 变压器油中气体在线监测系统图 集气室，薄膜两边的气体在经过一段时间后达到动态平衡。这种膜具有透气率高、机械强度好、耐污染能力强和耐老化等性能。油气平衡时间第一次大约24小时，以后再次达到平衡时间为10个小时左右。油气分离单元通过一个阀门与变压器冷却器的回油管连接，使变压器油与传感器的渗透膜接触。溶解在变压器油中的气体连续扩散穿过透气膜，然后进入光纤传感器的测量气室。当光通过测量气室，被气体吸收，光强减弱。然后经光纤入射到光电检测器。由光电检测器将光信号转换为电信号，并经锁相放大，
最后由单片机采集处理，按照比尔-朗伯特
定律和光纤差分吸收检测原理如式(7)，
1I(?2 C?)[??1???2]lnI(?1) (7) 计算出气体浓度。当气体浓度计算出来之后，可由串口将之传送到主计算机去进行数据分析和故障诊断，以实现变压器油的绝缘状态在线监测。整个系统采用全自动在线连续监测方式，与传统离线监测相比具有效率高、测量数据连续性强，能随时监测出设备工作状态等特点，还可以反映短时间内的气体增长的趋势。 4基于组合预测模型的变压器在线监测方法
自 1969 年 Bates 和 Grange 在运筹学季刊上发表论文“组合预测”以来，组合预测的思想很快被国内外预测学界广泛的接受，并且得到了大量的研究和应用[11][12]。传统的定量预测方法主要采用单项方法预
模型的不确定性，单纯的利用一种预测方法进行预测往往带有一定的片面性和不稳定性[13][14]。组合预测就是按照一定的规则，把不同的单项预测结果综合起来,取长补短，从而能达到提高预测精度和增加预可靠性的目的[15][16]。例如。可采用 BP 神经网络、灰色理论、线性回归预测算法和基于支持向量机回归模型这四种预测算法作为独立的单项预测模块。对于各种单项预测模块，先计算各自的最优权值，形成组合预测模型，然后加权综合求出最终的预测结果。对于最优的标准，按照测量误差平方和最小为原则。
5 变压器在线监测技术展望 展望未来随着网络和新材料新工艺的发展，变压器在线监测技术的发展趋势第一就
应该是基于灵活的组网进行信息传输解决点多面广难以低成本组网进行数据传输的
问题，其次综合国内外先进的产品前端设备最重要的一个趋势是综合的使用多种判别手段进行互指正判别故障，加之随着传感器的发展未来的变压器在线监测系统将是一种综合多种技术手段的精确判别系统。以变压器油中溶解气体在线监测为例，未来变压
器在线监测技术的发展建有以下几个[16]
特点：
（1） 在线监测的参量种类将更全面 除目前大多数产品监测的6 ～7 种气体外 还可增加油中微水、油温等参量 另外 最新IEC60599 中增加了O2/N2的新判断比值 可见进一步监测O2和N2是国际上的发展方向。
（2）变压器在线监测系统监控对象综合化，除可监测变压器油中气体外，还可监测变压器套管及内部局部放电，并可扩展到变压器油温、过流、过压机械变形等方面的监测。一套综合的变压器
在线监测系统可对变压器安全实现较全面的监
护。 （3）随着先进的气体检测原理和技术的不断出现和发展，变压器油中气体在线监测技术朝着无载气化，无色谱柱等无易耗品方向发展，产品本身维护工作量将减小，可靠性将提高。 （4）各种气体检测器中，传统检测器如FID 因现场要点火而需H2 、O2 、N2等多种载气，不太
适于在线监测产品。半导体传感器须解决元件的测量准确度、稳定性、使用寿命、漂移等问题才能用于在线监测产品。通用性好、灵敏度高的专 用气体检测器如氦离子检测器等将更适于变压器色谱在线监测。 （5）变压器在线监测技术可与其他变电站自动化技术实现信息融合 如瓦斯保护与油中气体在线监测一体化技术在国外已有研究。在线监测设备还可成为未来发展的数字化一次设备与自动化二次设备实现信息采集、传递和共享的中间桥梁和通道。 参考文献：
[1] Kosko B. Fuzzy systems as universal approximators [J]. IEEE Trans. on Computers. 1994. [2] 灵方向, 史忠科, 戴冠中. T-S 型模糊系统的稳定性分析及其应用[J]. 控制与决
策.1999.
[3] 胡淑礼. 模糊数学及应用[M]. 成都: 四川大学出版社. 1994.
[4] Bezdek J C. Pattern recognition with fuzzy objective function algorithms [M]. New York: Plenum Press. 1981.
[5] 张兴华. 模糊聚类分析的新算法[J]. 数学的实践与认识. 2005.
[6] 莫娟, 严璋, 李华等. 基于多种智能方法的变压器故障综合诊断模型. 电力系统自动化. 2005.
[7] B. H. Ward. A survey of new techniques in insulation monitoring of power transformers. Electrical Insulation Magazine, IEEE.2001.
[8] 李应红, 尉询楷, 刘建勋, 支持向量
机的工程应用[M]. 北京: 兵器工业出版
社.2004. [9] 靳伟, 廖延彪, 张志鹏. 导波光学传感器原理与技术. 北京: 科学出版社. 1998. [10] Yu Hongbo, Liao Yanbiao, Jin Wei. Review of the optical fiber sensor[J]. Laser
and Infrared.2002. [11] Bates J M, Granger C W J. Combination of forecasts [J]. Operations Research Quarterly.1969. [12] 唐小我. 组合预测计算方法研究[J]. 1991. [13] 谢开贵, 何斌, 杨万年. 组合预测权系数的确定[J]. 1998. [14] Chatfield C. Model uncertainty and forecast accuracy [J]. Journal of Forecasting.1996. [15] 唐小我, 曹长修, 金德运. 组合预测最优加权系数向量的进一步研究.预测
[J].1994. [16]许坤，周建华，等.变压器油中溶解气体在线监测技术发展与展望.高压电技术.2005.