[發明專利]一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法

在審

• 申請號: 202010313044.5
• 申請日: 2020-04-20
• 公開（公告）號: CN111612036A
• 公開（公告）日: 2020-09-01
• 發明（設計）人: 唐昕;郭創新;馮躍亮;徐克;欒伊斌;朱曉晨;馮斌;庾峰;余方召;馬學裕
• 申請（專利權）人: 國網浙江省電力有限公司嘉興供電公司;國網浙江平湖市供電有限公司;平湖市通用電氣安裝有限公司;浙江大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/00;G01R31/00
• 代理公司: 杭州杭誠專利事務所有限公司 33109
• 代理人: 尉偉敏

1.一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，其特征在于，

包括步驟：

A)收集油浸式變壓器故障數據，并關聯故障標簽，獲得樣本數據集S；

B)對樣本數據集S中的數據進行預處理，將樣本數據集S劃分為訓練數據集L和測試數據集T；

C)建立CART弱分類器模型，采用加法學習方式訓練弱分類器，并使用測試數據集T測試，直到預測正確率達到預設值，得到油浸式變壓器的XGBoost故障診斷模型；

D)利用步驟C)獲得的油浸式變壓器的XGBoost故障診斷模型對待測油浸式變壓器數據進行預測，得到故障診斷結果。

2.根據權利要求1所述的一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，其特征在于，

步驟1中將油浸式變壓器故障時特征氣體H2、CH4、C2H6、C2H4、C2H2的濃度的比值關系作為油浸式變壓器故障數據，用作故障模型的輸入特征。

3.根據權利要求2所述的一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，其特征在于，

所述油浸式變壓器故障數據包括ρ(CH4)/ρ(H2)、ρ(C2H4)/ρ(C2H2)、ρ(C2H4)/ρ(C2H6)、ρ(C2H2)/ρ(C1+C2)、ρ(H2)/ρ(H2+C1+C2)、ρ(C2H4)/ρ(C1+C2)、ρ(CH4)/ρ(C1+C2)、ρ(C2H6)/ρ(C1+C2)以及ρ(CH4+C2H4)/ρ(C1+C2)，ρ()表示氣體濃度。

4.根據權利要求1或2或3所述的一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，其特征在于，

步驟A)中油浸式變壓器的故障標簽包括低溫過熱、中溫過熱、高溫過熱、局部放電、低能放電、高能放電、低能放電兼過熱以及高能放電兼過熱。

5.根據權利要求1或2或3所述的一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，其特征在于，

步驟B)中，將樣本數據集S劃分為訓練數據集L和測試數據集T的方法為：從樣本數據集S中隨機抽取90％作為訓練數據集L，余下的10％數據作為測試數據集T。

6.根據權利要求1或2或3所述的一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，其特征在于，

步驟B)中，對樣本數據集S中的數據進行預處理的方法為：

式中，x、y為樣本集S中的數據，lrd_k(x)為數據x的局部可達密度，lrd_k(y)為數據y的局部可達密度，N_k(x)為數據x的k距離鄰域距離，設定局部離群因子的閾值LOF_th，將LOF_k(x)大于閾值LOF_th的數據判定為離群點并剔除，k為設定常數。

7.根據權利要求1或2或3所述的一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，其特征在于，

步驟C)中，為CART弱分類器模型建立的評價函數L(φ)為：

其中，為第i個輸入訓練樣本的預測結果，y_i為第i個輸入訓練樣本的標簽值，為損失函數，t為已輸入訓練樣本的數量，Ω(f_i)為正則項，Ω₀為預設常數項，ω_i為第i個輸入的訓練樣本。

8.根據權利要求1或2或3所述的一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，其特征在于，

步驟C)中，采用加法學習方式訓練弱分類器的方法為：從一個常數預測開始，每次向模型中加入一個新的函數，學習當前的模型，即：

其中，為第i個樣本在第t次訓練中的預測值。

9.根據權利要求8所述的一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，其特征在于，

第t次訓練模型預測值等于(t-1)次訓練模型預測值加上f_t，即：

將上式進行二階泰勒展開，

其中，為損失函數的一階、二階梯度數據，移除常數項，得到第t次訓練模型的簡化的目標函數：