【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及變壓器故障診斷，特別是一種變壓器故障診斷研究方法及系統(tǒng)。
技術(shù)介紹
1、電力變壓器作為電網(wǎng)輸配電過程中的重要的組成單元，其可靠安全地運(yùn)行對(duì)整個(gè)電力系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性都具有重要價(jià)值。建立高效的變壓器故障診斷模型可以及時(shí)、準(zhǔn)確地檢測和診斷變壓器的潛在故障，有助于現(xiàn)場設(shè)備運(yùn)行維護(hù)人員制定相應(yīng)的策略，防止變壓器故障進(jìn)一步嚴(yán)重化。
2、目前，電力系統(tǒng)中常用的是油浸式變壓器，其發(fā)生故障時(shí)，內(nèi)部的變壓器絕緣油會(huì)在高溫高壓的環(huán)境下發(fā)生裂解，生成h2、ch4、c2h6、c2h4、c2h2、co和co2等氣體溶于變壓器中，利用上述氣體對(duì)變壓器進(jìn)行故障診斷的方法叫做油中溶解氣體分析(dissolvedgasses?analysis,dga)。傳統(tǒng)的油中氣體分析方法(如三比值法或四比值法等)過度依賴專家經(jīng)驗(yàn)和定性分析，存在主觀性強(qiáng)等問題。隨著人工智能算法的興起和發(fā)展，如支持向量機(jī)(svm)、極限學(xué)習(xí)機(jī)(elm)等被廣泛的應(yīng)用于油中溶解氣體分析中。然而svm對(duì)于懲罰因子和核參數(shù)選取極為敏感，錯(cuò)誤的參數(shù)往往會(huì)導(dǎo)致診斷結(jié)果不佳。elm由于輸入權(quán)值和偏重是隨機(jī)生成的，導(dǎo)致其本身的泛化性受到限制。
3、dhkelm通過利用多個(gè)極限學(xué)習(xí)機(jī)自編碼器(elm-ae)構(gòu)建深度結(jié)構(gòu)對(duì)變壓器故障數(shù)據(jù)進(jìn)行層層提取，增強(qiáng)了故障高層次特征的提取和非線性處理及泛化能力，并在末尾的輸出層中引入混合核函數(shù)對(duì)故障類別做進(jìn)一步劃分。相較于傳統(tǒng)的dkelm的單核學(xué)習(xí)，混合核函數(shù)通過加權(quán)組合多種核函數(shù)，能夠更好地捕捉數(shù)據(jù)的多樣性和復(fù)雜性，進(jìn)一步提升了模型
4、鑒于此，本文提出了基于特征體系優(yōu)選和ncl-poly-smote下的midbo-dhkelm變壓器故障診斷模型。
技術(shù)實(shí)現(xiàn)思路
1、鑒于上述存在的問題，提出了本專利技術(shù)。
2、因此，本專利技術(shù)所要解決的問題在于：由于變壓器的故障情況只是小概率事件，正常樣本居多會(huì)導(dǎo)致現(xiàn)有的模型訓(xùn)練數(shù)據(jù)高度不平衡化且故障特征中存在冗余特征，這些特征會(huì)增加模型的復(fù)雜度使得故障診斷模型的性能下降。并且現(xiàn)有方法內(nèi)部的多層網(wǎng)絡(luò)結(jié)構(gòu)和多種核函數(shù)的存在大量初始參數(shù)，其選擇會(huì)對(duì)模型的精度產(chǎn)生影響
3、為解決上述技術(shù)問題，本專利技術(shù)提供如下技術(shù)方案：一種變壓器故障診斷研究方法，其包括，基于決策樹及其集成方法，并引入shap值進(jìn)行變壓器故障數(shù)據(jù)的特征優(yōu)選；將優(yōu)選后的數(shù)據(jù)劃分為訓(xùn)練集和測試集，對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)清洗和過采樣處理；基于改進(jìn)的蜣螂算法優(yōu)化深度混合核極限學(xué)習(xí)機(jī)，構(gòu)建變壓器故障模型，利用變壓器故障模型進(jìn)行故障診斷。
4、作為本專利技術(shù)所述一種變壓器故障診斷研究方法的一種優(yōu)選方案，其中：所述集成方法包括lightgbm、catboost、xgboost三種集成算法模型；所述引入shap值進(jìn)行變壓器故障數(shù)據(jù)的特征優(yōu)選包括，以所述三種集成算法模型作為基礎(chǔ)分別計(jì)算各個(gè)特征下的三種集成算法模型的|shap|均值，以所述三種集成算法模型均值的均方根值作為衡量指標(biāo)，對(duì)嵌入法體系下的特征量的重要程度進(jìn)行排序，公式表示為，
5、
6、其中，|shap|表示為shap的絕對(duì)值，|shap|rms(i)、|shaplb|(i)、|shapca|(i)、|shapxg|(i)分別為第i個(gè)特征的|shap|均值的均方根值、lightgbm的|shap|均值、catboost的|shap|均值、xgboost的|shap|均值。
7、作為本專利技術(shù)所述一種變壓器故障診斷研究方法的一種優(yōu)選方案，其中：所述shap值的計(jì)算公式φi表示為，
8、
9、其中，z為不包含特征i的子集，q為特征全集，|z|表示的是當(dāng)前特征的數(shù)量，s(z∪{i})和s(z)分別為對(duì)應(yīng)特征下的輸出。
10、作為本專利技術(shù)所述一種變壓器故障診斷研究方法的一種優(yōu)選方案，其中：所述數(shù)據(jù)清洗采用鄰域清洗規(guī)則包括，統(tǒng)計(jì)數(shù)據(jù)集中每個(gè)類別標(biāo)簽的樣本數(shù)量，計(jì)算平均樣本數(shù)量，并定義少數(shù)類和多數(shù)類，公式表示為，
11、
12、m＝{l∣cclass[l]＞caverage}
13、n＝{l∣cclass[l]≤caverage}
14、其中，cclass、caverage為中間量，yi為樣本xi的標(biāo)簽量，l為所有標(biāo)簽類別的集合，l為單個(gè)類別量，m為多數(shù)類樣本集合，n為少數(shù)類樣本集合；計(jì)算所有樣本之間的歐氏距離d(xi,xj)表示為，
15、
16、其中，分別為樣本xi和xj的第c個(gè)特征量的值；對(duì)于每個(gè)樣本xi，找到其最近的k個(gè)近鄰樣本，近鄰樣本點(diǎn)構(gòu)成每個(gè)樣本的鄰域表示為，
17、n(xi)＝{xq∣xq∈xtop-kneighbors}
18、其中，xq表示xi的某一個(gè)臨近樣本，xtop-kneighbors代表的是離xi最近的k個(gè)樣本，n(xi)表示所有最臨近樣本的集合；對(duì)于多數(shù)類的清理，清理規(guī)則為樣本xi原始標(biāo)簽yi與鄰域樣本投票后的分類標(biāo)簽結(jié)果yq不同則去除，公式表示為，
19、
20、對(duì)于少數(shù)類的清理，清理規(guī)則為樣本xi原始標(biāo)簽與鄰域樣本投票后的分類標(biāo)簽結(jié)果不同且周圍鄰近樣本為多數(shù)類才去除，公式表示為，
21、
22、其中，和均為指示函數(shù)，滿足內(nèi)部條件時(shí)取值為1，不滿足內(nèi)部條件時(shí)取值為0。
23、作為本專利技術(shù)所述一種變壓器故障診斷研究方法的一種優(yōu)選方案，其中：所述過采樣處理包括，計(jì)算每個(gè)少數(shù)類樣本的過采樣比例表示為，
24、
25、其中，rover-sampling為過采樣比例，nmajority和nminority分別為多數(shù)類樣本和少數(shù)類樣本的數(shù)量；對(duì)于少數(shù)類樣本按照過采樣比例采用多項(xiàng)式插值合成新的樣本，公式表示為，
26、
27、其中，為合成樣本，xij為xi的第j個(gè)臨近樣本，αj為多項(xiàng)式系數(shù)，為[0,1]的隨機(jī)數(shù)。
28、作為本專利技術(shù)所述一種變壓器故障診斷研究方法的一種優(yōu)選方案，其中：所述深度混合核極限學(xué)習(xí)機(jī)的構(gòu)建方式包括，利用余弦核－廣義有理二次核作為混合核對(duì)核極限學(xué)習(xí)機(jī)的單核函數(shù)進(jìn)行改良，并用極限學(xué)習(xí)機(jī)自編碼器逐層貪婪訓(xùn)練的方式構(gòu)建深層結(jié)構(gòu)，建立深度混合核極限學(xué)習(xí)機(jī)。
29、作為本專利技術(shù)所述一種變壓器故障診斷研究方法的一種優(yōu)選方案，其中：所述改進(jìn)的蜣螂算法包括，利用sinusoidal混沌映射初始化種群，利用螞蟻隨機(jī)游走策略對(duì)滾球跳舞蜣螂的位置更新進(jìn)行擾動(dòng)，利用自適應(yīng)因子產(chǎn)卵蜣螂的位置做修正，引入非線性權(quán)重高斯-柯西混合變異對(duì)全局最優(yōu)個(gè)體進(jìn)行隨機(jī)擾動(dòng)。
【技術(shù)保護(hù)點(diǎn)】
1.一種變壓器故障診斷研究方法，其特征在于：包括，
2.如權(quán)利要求1所述的一種變壓器故障診斷研究方法，其特征在于：所述集成方法包括LightGBM、CatBoost、XGBoost三種集成算法模型；
3.如權(quán)利要求2所述的一種變壓器故障診斷研究方法，其特征在于：所述SHAP值的計(jì)算公式φi表示為，
4.如權(quán)利要求3所述的一種變壓器故障診斷研究方法，其特征在于：所述數(shù)據(jù)清洗采用鄰域清洗規(guī)則包括，統(tǒng)計(jì)數(shù)據(jù)集中每個(gè)類別標(biāo)簽的樣本數(shù)量，計(jì)算平均樣本數(shù)量，并定義少數(shù)類和多數(shù)類，公式表示為，
5.如權(quán)利要求4所述的一種變壓器故障診斷研究方法，其特征在于：所述過采樣處理包括，計(jì)算每個(gè)少數(shù)類樣本的過采樣比例表示為，
6.如權(quán)利要求5所述的一種變壓器故障診斷研究方法，其特征在于：所述深度混合核極限學(xué)習(xí)機(jī)的構(gòu)建方式包括，利用余弦核－廣義有理二次核作為混合核對(duì)核極限學(xué)習(xí)機(jī)的單核函數(shù)進(jìn)行改良，并用極限學(xué)習(xí)機(jī)自編碼器逐層貪婪訓(xùn)練的方式構(gòu)建深層結(jié)構(gòu)，建立深度混合核極限學(xué)習(xí)機(jī)。
7.如權(quán)利要求6所述的一種變壓器故障診斷研究方法，其特征在于
8.一種采用如權(quán)利要求1～7任一所述的一種變壓器故障診斷研究方法的系統(tǒng)，其特征在于：包括特征提取模塊(100)、數(shù)據(jù)處理模塊(200)和模型構(gòu)建模塊(300)；
9.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于：所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的一種變壓器故障診斷研究方法的步驟。
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于：所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的一種變壓器故障診斷研究方法的步驟。
...【技術(shù)特征摘要】
1.一種變壓器故障診斷研究方法，其特征在于：包括，
2.如權(quán)利要求1所述的一種變壓器故障診斷研究方法，其特征在于：所述集成方法包括lightgbm、catboost、xgboost三種集成算法模型；
3.如權(quán)利要求2所述的一種變壓器故障診斷研究方法，其特征在于：所述shap值的計(jì)算公式φi表示為，
4.如權(quán)利要求3所述的一種變壓器故障診斷研究方法，其特征在于：所述數(shù)據(jù)清洗采用鄰域清洗規(guī)則包括，統(tǒng)計(jì)數(shù)據(jù)集中每個(gè)類別標(biāo)簽的樣本數(shù)量，計(jì)算平均樣本數(shù)量，并定義少數(shù)類和多數(shù)類，公式表示為，
5.如權(quán)利要求4所述的一種變壓器故障診斷研究方法，其特征在于：所述過采樣處理包括，計(jì)算每個(gè)少數(shù)類樣本的過采樣比例表示為，
6.如權(quán)利要求5所述的一種變壓器故障診斷研究方法，其特征在于：所述深度混合核極限學(xué)習(xí)機(jī)的構(gòu)建方式包括，利用余弦核－廣義有理二次核作為混合核對(duì)核極限學(xué)習(xí)機(jī)的單核函數(shù)進(jìn)行改良，并用極限學(xué)習(xí)機(jī)自編碼器逐層貪婪訓(xùn)練的...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：張英，姚翔曦，王明偉，劉喆，余鵬程，劉君，姜滔，
申請(qǐng)(專利權(quán))人：貴州電網(wǎng)有限責(zé)任公司，
類型：發(fā)明
國別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。