[發明專利]基于自適應增強學習的主變壓器故障診斷方法

在審

• 申請號: 201910243757.6
• 申請日: 2019-03-28
• 公開（公告）號: CN110286161A
• 公開（公告）日: 2019-09-27
• 發明（設計）人: 吳瓊;李紅云;張萬才;朱慶超;王興勛;胡軍;趙根;吳陽;何金良;莊池杰
• 申請（專利權）人: 清華大學;北京國網富達科技發展有限責任公司
• 主分類號: G01N30/02
• 分類號: G01N30/02
• 代理公司: 天津市尚儀知識產權代理事務所(普通合伙) 12217
• 代理人: 高正方

1.一種基于自適應增強學習的主變壓器油色譜分析診斷方法，包括模型參數確定部分，實施預測部分，其特征在于，在參數確定部分中，獲得初始訓練集，所述訓練集中包括變壓器設備臺賬數據、油色譜歷史數據、故障分析報告，基于初始訓練集進行自適應增強學習，在所述參數確定部分中，包括分類步驟、調整步驟、加權步驟、分析步驟，所述分類步驟、調整步驟依次交替往復進行多次，然后依次進行加權步驟、分析步驟，在實施預測部分，對于少量分析數據，直接利用已有的自適應增強學習模型進行學習及預測，快速得到分析結果，對于大量分析數據，按照標準的自適應增強學習過程，經過參數確定部分進行學習及預測。

2.根據權利要求1中所述的基于自適應增強學習的主變壓器油色譜分析診斷方法，其特征在于，所述學習步驟中，先從初始訓練集訓練出一個基學習器，獲得一次基礎訓練樣本，

所述調整步驟中，根據基學習器的表現對一次基礎訓練樣本分布進行調整，使得先前基學習器做錯的訓練樣本在后續得到糾正，獲得一次調整訓練樣本和對應的權重值，

交替進行的第二次學習步驟中，基于所述一次調整訓練樣本分布來訓練下一個基學習器，獲得二次基礎樣本，

交替進行的第二次調整步驟中，根據基學習器的表現對二基礎訓練樣本分布進行調整，使得先前基學習器做錯的訓練樣本在后續得到糾正，獲得二次調整訓練樣本和對應的權重值，

依次交替進行學習步驟、調整步驟T次。

3.根據權利要求1中所述的基于自適應增強學習的主變壓器故障診斷方法，其特征在于，所述設備臺賬數據的參數包括設備名稱、電壓等級、設備類型、設備型號、生產廠商、出廠日期、投運日期、設備型式。

4.根據權利要求1中所述的基于自適應增強學習的主變壓器故障診斷方法，其特征在于，所述色譜在線監測數據的參數包括單位、變電站、設備名稱、生產廠家、監測時間、一氧化碳、二氧化碳、氧氣、氫氣、甲烷、乙炔、乙烯、乙烷、總烴。

5.根據權利要求1中所述的基于自適應增強學習的主變壓器故障診斷方法，其特征在于，絕緣油試驗作業報告的參數包括作業任務、作業開始時間、作業結束時間、工作地點、氣溫、濕度、天氣、地點、間隔、功能位置、設備名稱、型號、廠家、出廠編號、出廠日期，氫氣、甲烷、乙炔、乙烯、乙烷、總烴、一氧化碳、二氧化碳、脫氣量，水分分析第一、二、三次記錄，上層油溫，介損測試第一、二、三次記錄，閃點測定第一、二次記錄、平均值、修正值、檢測結果，水溶性酸測試油樣體積、蒸餾水體積、指示劑選用、PH值（比色）數據，酸值測定記錄油重、KOH-C2H5OH溶液濃度、空白試驗Vs0、空白試驗Ve0、空白試驗V0、樣品試驗、Vs0、樣品試驗Ve0、樣品試驗V0、酸值X數據，界面張力測試水與空氣表面張力、油-水界面張力、檢測儀器數據，含氣量測試第一、二次、平均值數據，油顆粒度測試第一、二、三次、平均值數據，作業結論。

6.根據權利要求2中所述的基于自適應增強學習的主變壓器故障診斷方法，其特征在于，所述加權步驟中，將這T次基學習器進行加權結合，基于“加性模型”，即基學習器的線性組合來最小化指數損失函數的分析算法。

7.根據權利要求2中所述的基于自適應增強學習的主變壓器故障診斷方法，其特征在于，所述分析步驟中，使用所述分析算法在變壓器故障診斷實例中進行分析，并針對分析數據量的大小，通過不同的實施預測步驟得到預測結果。