[發明專利]一種基于集成學習的變壓器狀態風險評估方法及裝置

在審

• 申請號: 201811437114.7
• 申請日: 2018-11-28
• 公開（公告）號: CN109358608A
• 公開（公告）日: 2019-02-19
• 發明（設計）人: 許海林;林春耀;鄂盛龍;田翔;羅穎婷;馬凱;周剛
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司電力科學研究院
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 張春水;唐京橋

1.一種基于集成學習的變壓器狀態風險評估方法，其特征在于，包括：

S1：獲取變壓器狀態原始數據，通過基于概率分布估計的混合采樣均衡算法，得到變壓器狀態均衡數據集；

S2：結合代價敏感學習算法，優化決策樹標準算法，得到代價敏感決策樹優化算法；

S3：基于狀態均衡數據集和代價敏感決策樹優化算法，得到代價敏感決策樹優化分類器，通過AdaBoost與多個代價敏感決策樹優化分類器組合的集成學習算法構建變壓器狀態風險評估模型；

S4：通過變壓器狀態風險評估模型評估變壓器接下來一個周期是否發生緊急重大缺陷。

2.根據權利要求1所述的一種基于集成學習的變壓器狀態風險評估方法，其特征在于，步驟S1具體包括：

S11：計算混合采樣數量N＝(M1-M2)，從而計算得到升采樣的數量為N1＝N*R，降采樣的數量N2＝N*(1-R)，其中M1為獲取到的變壓器狀態原始數據的樣本數據集D中正樣本數量，M2為獲取到的變壓器狀態原始數據的樣本數據集D中負樣本數量，R為混合采樣的比例系數，正樣本為發生了緊急重大缺陷的樣本，負樣本為沒有發生緊急重大缺陷的樣本；

S12：結合Figueiredo-Jain算法對正負樣本分別進行高斯混合建模；

S13：根據升采樣的數量N1對少數類進行升采樣；

S14：根據降采樣的數量N2對多數類進行降采樣。

3.根據權利要求2所述的一種基于集成學習的變壓器狀態風險評估方法，其特征在于，步驟S11之后，步驟S12之前還包括：

遍歷樣本數據集D中的樣本，若檢測到該樣本K個相鄰樣本中超過(K-1)/K為相反的類別，則對該樣本進行過濾，最終生成更新數據集D。

4.根據權利要求1所述的一種基于集成學習的變壓器狀態風險評估方法，其特征在于，步驟S2具體包括：

S21：通過自適應選擇參數機制，選擇出最佳參數a，進而確定最優的啟發函數；

S22：通過ASCP機制來選擇最佳切分點和決策樹的分裂結點；

S23：通過ARA機制刪除對決策樹影響較小的屬性，使得在下一次屬性結點選擇時刪除的屬性將不被考慮在內；

S24：剪枝。

5.根據權利要求4所述的一種基于集成學習的變壓器狀態風險評估方法，其特征在于，所述自適應選擇參數機制為：

以預設數值為間隔從參數a的取值范圍里取值，根據獲取到的取值對應的不同啟發函數來生成對應的決策樹模型，然后計算所有決策樹模型的測試代價和誤分類代價之和，生成以a為自變量，以兩種代價之和為因變量的擬合曲線，求得使得測試代價和誤分類代價之和最小的a值。

6.根據權利要求1至5任意一項所述的一種基于集成學習的變壓器狀態風險評估方法，其特征在于，所述變壓器狀態風險評估模型的輸入量為變壓器狀態風險評估維度，所述變壓器狀態風險評估模型的輸出量為變壓器接下來一個周期是否發生緊急重大缺陷；

所述變壓器狀態風險評估維度具體包括：初始狀態、環境因素、負荷情況、機械性能、滲漏情況、聲音異響、外觀異常、歷史缺陷情況、熱性能、絕緣性能和電氣性能。

7.一種基于集成學習的變壓器狀態風險評估裝置，其特征在于，包括：

數據集采樣模塊，用于獲取變壓器狀態原始數據，通過基于概率分布估計的混合采樣均衡算法，得到變壓器狀態均衡數據集；

代價優化模塊，用于結合代價敏感學習算法，優化決策樹標準算法，得到代價敏感決策樹優化算法；

模型生成模塊，用于基于狀態均衡數據集和代價敏感決策樹優化算法，得到代價敏感決策樹優化分類器，通過AdaBoost與多個代價敏感決策樹優化分類器組合的集成學習算法構建變壓器狀態風險評估模型；

風險評估模塊，用于通過變壓器狀態風險評估模型評估變壓器接下來一個周期是否發生緊急重大缺陷。