[發明專利]基于集成學習Bagging算法的變壓器故障診斷方法

無效

• 申請號: 201110129133.5
• 申請日: 2011-05-18
• 公開（公告）號: CN102289682A
• 公開（公告）日: 2011-12-21
• 發明（設計）人: 徐茹枝;王宇飛;安睿;耿嘯風;周凡雅
• 申請（專利權）人: 華北電力大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 黃家俊

技術領域

本發明屬于變壓器故障診斷技術領域，尤其涉及一種基于Bagging算法的變壓器故障診斷方法。

背景技術

隨著智能電網技術的飛速發展，傳統的變壓器故障診斷技術也發生巨大的變化，越來越多的智能化方法被引入到故障診斷領域。變壓器作為一種常見電力設備，其結構相對復雜、故障種類繁多，如何快速、準確的診斷出變壓器故障對于提高其運行維護水平和電力系統安全具有很強的理論及現實意義。目前變壓器故障診斷方法主要是使用模式識別領域中的單分類器方法，將油中溶解氣體分析技術DGA(Dissolved?Gas?Analysis)采集到的目標變壓器中各個時間監測點的氫氣H₂、一氧化碳CO、甲烷CH₄、乙烯C₂H₄、乙烷C₂H₆、乙炔C₂H₂和二氧化碳CO₂等七種氣體的含量，及各個時間監測點對應的變壓器運行狀態(包括“正常、低溫過熱故障、中溫過熱故障、高溫過熱故障、局部放電故障、低能放電故障、低能放電兼過熱故障、電弧放電故障、電弧放電兼過熱故障”)作為數據樣本進行訓練，從而得到基于單分類器的變壓器故障診斷模型，該過程主要包括三個部分，分別是構造樣本集、分類器訓練、故障診斷。

構造樣本集是將變壓器歷史運行記錄轉化為模式識別算法可讀的數據樣本集，即將油中溶解氣體分析技術DGA采集到的各個時間監測點的七種氣體含量作為模式識別算法的輸入向量，將各個時間監測點對應的變壓器運行狀態作為模式識別算法的輸出向量。

分類器訓練是將樣本集輸入到已選定的某種模式識別算法，通過對樣本集的訓練，得到精度滿足要求的分類器，并將分類器作為變壓器故障診斷模型。這是整個故障診斷過程最重要的一步。

故障診斷是將待診斷記錄樣本輸入分類器，從而得到故障診斷結果。

目前變壓器故障診斷方法，主要是利用決策樹、神經網絡、支持向量機等單分類器方法，而這些單分類器方法均為不穩定分類算法，所謂不穩定分類算法就是指訓練樣本集發生一個微小的變化，分類器的分類結果就會產生巨大變化。雖然經多年研究，通過各種群智能優化算法已使單分類器的穩定性有所提高，但其仍存在誤差相對較大、易出現過擬合現象、計算過程復雜等難以克服的問題。為此本發明采用集成學習Bagging算法，并使用球向量機BVM作為Bagging算法的弱學習算法，完成變壓器故障診斷，有效改善了診斷精度。

發明內容

針對上述背景技術中提到的基于單分類器的故障診斷技術因易出現過擬合現象而導致的診斷誤差大、計算過程復雜等不足，本發明提出了一種基于集成學習Bagging算法的變壓器故障診斷方法。

本發明的技術方案是，基于集成學習Bagging算法的變壓器故障診斷方法，其特征是所述方法包括以下步驟：

步驟1：數據采集及數據預處理，得到初始歷史數據樣本集S；

步驟2：將初始歷史數據樣本集S構造成集成學習Bagging算法中弱學習算法可讀的數據集S_sample，選定球向量機BVM作為弱學習算法；

步驟3：選定球向量機BVM作為集成學習Bagging算法中的弱學習算法并對該弱學習算法循環調用，完成樣本集S_sample的訓練，從而得到弱學習機序列，序列中包含各代弱學習機h_i，該序列即為強學習機H；

步驟4：將強學習機H作為故障診斷模型，并將當前待故障診斷的數據樣本輸入到強學習機H，強學習機H利用其各個弱學習機h_i做初步故障診斷，進而以投票的方式判定當前待測數據樣本的故障類別，得票數多的故障類別即為強學習機H的最終診斷結果；

所述步驟1包括以下步驟：

步驟1.1：數據采集：采集目標變壓器各個時間監測點的氣體含量及運行狀態；

步驟1.2：數據預處理：設定時間監測點的氣體含量及運行狀態的特征屬性，構成初始歷史數據樣本集S。

所述步驟1.1中數據采集的方法為油中溶解氣體分析技術DGA。

所述步驟1.1中氣體包括氫氣H₂、一氧化碳CO、甲烷CH₄、乙烯C₂H₄、乙烷C₂H₆、乙炔C₂H₂和二氧化碳CO₂。