CASE 2：SVM2
變壓器將有7種狀態作為診斷結果的目標輸出，它包括有：無故
1 SVM的輸入向量（Extracting Features）
斷所需的數據，然後利用IEC 599的三比值法所得到
在 測試的SVMs Model，一個SVMs Training 架構圖，
CASE 1：（SVM1）
以I d所列之 種不同的故障特性型式作為SV 訓
合著於IEC 60599 Std）所
做為本系統之訓練與測試驗證之數據資料，本研究的SVMs網路系
兩大類[部分放電PD、低能量火花放電D1、高能量電弧放電D2、低 於700℃之過熱故障（T1及T2）、高於700℃之過熱故障（T3）]，
當進入於SVM1網路的輸入樣本是屬無故障的樣本，則SVM1的輸出 為
y
1= −1，否則其他輸出為y
1 = +1。2) . SVM第二層的網路訓練（SVM1-2）：
、低能量火花放電D1、高能量電弧放電D2、低於 (
具有部分放電PD
700℃之過熱故障（T1及T2）、高於700℃之過故障（T3）等5種故 障類型的輸入樣本進入了第二層的SVM1-2網路，在這一層網路 中，將被訓練並區分出『部分放電PD』與其它四種故障類型等兩 大類[低能量火花放電D1、高能量電弧放電D2、低於700℃之過熱 故障（T1及T2）、高於700℃之過熱故障（T3）]，當進入於SVM1 網路的輸入樣本是屬『部分放電PD』的樣本，則SVM1-2的輸出為
2 1
y
= − ，否則其他輸出為y
2 = +1。 (3) . SVM第三層的網路訓練（SVM1-3）：電D2、低於700℃之過故障
T1及 VM網路 輸入樣本是屬『高於700℃之 出為
具有低能量火花放電D1、高能量電弧放
（T1及T2）、高於700℃之過故障（T3）等四種故障類型的輸入樣 本進入了第三層的SVM1-3網路，在這一層網路中，將被訓練並區 分出『高於700℃之過熱故障（T3）』與其它3種故障類型等兩大 類[低能量火花放電D1、高能量電弧放電D2、低於700℃之過熱故 障（ T2）]，當進入於S 的
3 1
y
= −過熱故障（T3）』的樣本，則SVM1-3的輸 ，否則其他輸
(4)
故 出為
y
3= +1。. SVM第四層的網路訓練（SVM1-4）：
具有低能量火花放電D1、高能量電弧放電D2、低於700℃之過熱 障（T1及T2）等3種故障類型的輸入樣本進入了第四層的SVM1-4網 路，在這一層網路中，將被訓練並區分出『低於700℃之過故障（T1 及T2）』與其它二種故障類型等兩大類[低能量火花放電D1、高能
量電弧放電D2]，當進入於SVM網路的輸入樣本是屬『低於700℃之
CASE
C 599 Std所列之9種不同的故障特性型式及IEC 60599 Std 列之6種不同的故障特性型式[45,46]，再具體區分為7種故障類型，
Low Energy）、高能量電弧放電D2（Discharge of High Energy）、
300℃以下之過熱故障（T1）（Thermal Faults＜300℃）、300℃-700
℃之中溫過熱故障T2（300℃＜Thermal Faults＜700℃）及高於700℃
之過熱故障（T3）（Thermal Faults＞700℃）等類型。
(1) . SVM第一至三層的網路訓練（SVM2-1~3）：
這三層的網路訓練及目標輸出與CASE 1之SVM1-1~3相同。
(2) . SVM第四層的網路訓練（SVM2-4）：
具有低能量火花放電D1、高能量電弧放電D2、300℃以下之過熱故 障（T1）及300℃-700℃之中溫過熱故障T2等4種故障類型的輸入 樣本進入了第四層的SVM2-4網路，在這一層網路中，將被訓練並 區分出『300℃-700℃之中溫過熱故障T2』與其它3種故障類型等 兩大類[低能量火花放電D1、高能量電弧放電D2、300℃以下之過 熱故障（T1）]，當進入於SVM網路的輸入樣本是屬『300℃-700
℃之中溫過熱故障T2』的樣本，則SVM2-4的輸出為 ，否則 其他輸出為 。
2：（SVM2）
參採IE 所
其中將原來之低能密度局部放電PD1與高能密度局部放電PD2合併為一 種故障類型PD（與IEC 60599 Std相同），另低於150-300℃熱故障與 150-300℃低溫範圍過熱故障兩類合併為一種故障類型T1）作為SVM網 路的訓練目標輸出之基本特性，並以本研究所蒐集到的TPC及KHB所屬 的變壓器設備故障案例（含正常運轉狀態案例）共約800筆數據樣本（詳 見附錄3，列示有216筆數據樣本資料）做為本系統之訓練與測試驗證 之數據資料，本研究的SVMs網路系統發展來辨識這7種的故障類型，它 包括了無故障（Normal state）、部分放電PD（Partial Discharges，
含低能量密度及高能量密度放電）、低能量火花放電D1（Discharge of
4
4
1
y
= − 1y
= +(3) . SVM第五層的網路訓練（SVM2-5）：
4.3.3
利 油中 測試原
數據，並經過前置處理程序，擷取特徵向量（IEC 599三比值法）輸入 至這
將被
SVM-2的網路內，而在第二層的SVM-2輸出，「PD故障」將被分辨出來，
Testing架構圖，如圖4-6所示。
4.4 多層SVM分類器網路主程式執行流程
本研究利用MATLAB 7.0的程式編輯器Editor來編輯多層SVM分類 器，程式部分共包括有三個部分，第一部分為主程式（FileName：
miniatureSVMforDGA.m）、第二部分為副程式（FileName：
miniatureSVM.m）及第三部分為測試驗證程式
（test_miniatureSVM.m），另建立一個訓練及測試用之DGA樣本數據 SVM網路的測試驗證
用DGA分析所得的變壓器故障 氣體成分當為 始輸入
個多層SVM分類器網路中，在第一層的SVM-1輸出，「Normal State」
分辨出來，其餘屬於其他5種故障狀態的測試樣本將進入到第二層
其餘屬於其他4種故障狀態的測試樣本將再進入到第三層SVM-3的網路 內，而在第三層的SVM-3輸出，「T3故障」將被分辨出來，其餘屬於其 他3種故障狀態的測試樣本將繼續進入到第四層SVM-4的網路內，第四 層SVM-4及第五層SVM-5的網路以相同方法分別分辨出「T1&T2故障」、
「D2故障」及「D1故障」等故障狀態，這個已訓練完成的多層SVMs網 路，經過5次的辨識過程（CASE 1部分，在CASE 2部分則經過6次的試 辨識過程），將6種（在CASE 2為7種）變壓器故障類型診斷出來，而 整個SVMs網路也完成了Testing工作，並將診斷結果輸出，一個SVMs