[發明專利]基于隨機森林模型的電力變壓器故障診斷方法

有效

• 申請號: 201110162444.1
• 申請日: 2011-06-16
• 公開（公告）號: CN102221655A
• 公開（公告）日: 2011-10-19
• 發明（設計）人: 郝福忠;金翼;尹永根;趙鋒;霍明霞;李晉城;韓建國;崔紅梅
• 申請（專利權）人: 河南省電力公司濟源供電公司
• 主分類號: G01R31/00
• 分類號: G01R31/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及一種電力變壓器故障診斷方法，特別是涉及一種基于隨機森林模型的電力變壓器故障診斷方法。

背景技術

電力變壓器是電力系統的重要設備，由于變壓器內部結構復雜，電場分布不均勻，且隨著電壓水平增高，事故率成上升趨勢。據不完全統計，國內每年都有幾次變壓器的大事故發生，造成直接經濟損失達上百萬元。另外根據中國電力企業聯合會電力可靠性管理中心發布的近幾年全國電力可靠性統計分析結果來看，其故障率最大的部位是變壓器的內絕緣，主要故障特點是變壓器絕緣老化嚴重、運行環境惡劣、變壓器制造質量有問題。作為電力系統的主要設備的變壓器，其故障除給本身帶來重大損失外，還對電力系統安全產生造成很大的影響。

目前電力變壓器故障診斷的技術和方法,?主要有專家系統、人工神經網絡、優化技術、Petri網絡、模糊集理論、粗糙集理論等。

近年來出現的隨機森林技術在圖像識別、文本分類、基因表達譜分析、經濟模式識別等許多領域得到了很多的成功應用。應用實踐證明，隨機森林具有速度快、抗噪聲，可處理任意類型的數據，可輸出因素的重要性等優點，但尚未在電力變壓器故障診斷方面應用。

發明內容

本發明的目的是要提供一種基于隨機森林模型的電力變壓器故障診斷方法。

為了達到上述目的，本發明的技術方案是：一種基于隨機森林模型的電力變壓器故障診斷方法，采集變壓器狀態檢修數據，利用變壓器狀態檢修數據訓練隨機森林模型，并校驗隨機森林模型的靈敏度，以經訓練校驗后的隨機森林模型來診斷變壓器故障。

具體的講，基于隨機森林模型的電力變壓器故障診斷方法包括以下步驟：

a、建立模型，根據變壓器狀態檢測的歷史數據訓練隨機森林，建立故障診斷的隨機森林模型；隨著新樣本的不斷增加，通過加入新樣本進行訓練，可以重新建模。

b、檢驗模型，選擇起始時間和結束時間進行結果對比，得出預測效果。

c、故障診斷，選擇起始時間和結束時間對待測狀態數據進行測試。

d、影響因素重要性排序，利用隨機森林可以計算變量重要性計算出各個指標的影響程度，并進行重要性排序。

e、擴展模型，利用k-means聚類方法，對實際數據進行聚類分析，把數據分成故障、臨界和正常三個類；實際的故障診斷數據中，故障數據通常只占很小的一個比值，絕大多數的數據都為正常數據。考慮到正常數據中實際上有部分數據是處在正常與故障的臨界狀況，因此如把數據分成故障、臨界和正常三個類，那么既可減弱原先兩類數據不平衡的現象，又可通過對臨界類的判斷，提高故障診斷系統的可靠性和預警能力。

本發明的有益效果在于：

1、本發明取得了比其他診斷方法更好的性能；模型可根據數據的更新變化重新建模，適應能力強。

2、本發明可以給出影響變量的重要性排序，故障診斷結果具有良好的可解釋性。

3、本發明利用k-mean聚類方法，分離出了介于正常和故障之間的臨界類，使系統獲得了故障的早期預警能力。

具體實施方式

下面結合實施例對本發明進行進一步說明。

基于隨機森林模型的電力變壓器故障診斷方法包括以下步驟：

a、建立模型，根據變壓器狀態檢測的歷史數據訓練隨機森林，建立故障診斷的隨機森林模型，隨著新樣本的不斷增加，通過加入新樣本進行訓練，可以重新建模；

b、檢驗模型，選擇起始時間和結束時間進行結果對比，得出預測效果；

c、故障診斷，選擇起始時間和結束時間對待測狀態數據進行測試；

d、影響因素重要性排序，利用隨機森林可以計算變量重要性計算出各個指標的影響程度，并進行重要性排序；

e、擴展模型，利用k-means算法，對實際數據進行聚類分析，把數據分成故障、臨界和正常三個類。

以上是對本發明做的示例性描述，凡在不脫離本發明核心的情況下做出的簡單的變形或修改均落入本發明的保護范圍。