[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

本發明涉及變壓器檢測技術領域，具體涉及一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，包括步驟：A）收集油浸式變壓器故障數據，獲得樣本數據集S；B）對數據進行預處理，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，訓練并測試弱分類器，得到油浸式變壓器的XGBoost故障診斷模型；D）對待測油浸式變壓器數據進行預測，得到故障診斷結果。本發明的實質性效果是：通過建立CART弱分類器模型，并進行訓練，獲得能夠識別變壓器故障的分類模型，實現變壓器故障的快速識別；提高分類器訓練的效率和準確度。

技術領域

本發明涉及變壓器檢測技術領域，具體涉及一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法。

背景技術

在油浸式變壓器絕緣老化的過程中會產生少量氣體溶解在絕緣油中，油中氣體的組成成分以及各種成分之間的比例關系能夠反映變壓器不同的故障狀態。溶解氣體分析(Dissolved Gas Analysis,DGA)方法是最為重要的變壓器狀態檢測和故障診斷方法之一。近年來，不少學者將機器學習的方法應用于變壓器故障診斷模型的建模中，如BP神經網絡、支持向量機、貝葉斯網絡等，取得了較好的診斷效果。上述方法改進了傳統模型的計算速度和精度，但也存在問題：例如BP神經網絡學習能力強，但易陷入局部最優,需要大量參數，且收斂速度較慢；支持向量機本質為二分類器，在處理變壓器故障診斷這種多分類問題時效率較低；貝葉斯網絡要求條件屬性較多等。因而需要尋找一種效率和準確率兼顧的變壓器故障診斷技術。

中國專利CN101587155A，公開日2009年11月25日，一種油浸式變壓器故障診斷方法，該方法首先獲取樣本，對樣本中的5種氣體濃度數據進行歸一化處理，形成訓練樣本集和測試樣本集；確定基本核函數的個數及每個基核的參數，使用交叉驗證的方法確定最優的懲罰參數；根據最優懲罰參數，利用訓練樣本和多分類多核學習方法得到相應的分類模型；利用訓練好的分類模型對驗證集中的待測試樣本進行故障診斷。其能夠獲得較好的診斷準確率，但其模型采用參數過多，效率低下，且容易出現震蕩和不收斂。

發明內容

本發明要解決的技術問題是：目前缺乏兼顧效率和準確率的變壓器故障診斷技術。提出了一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，本方法使用改進的分類器模型，提高了變壓器故障診斷的效率和準確率。

為解決上述技術問題，本發明所采取的技術方案為：一種基于粒子群尋優XGBoost的油浸式變壓器故障診斷方法，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。通過建立CART弱分類器模型，并進行訓練，獲得能夠識別變壓器故障的分類模型，通過對數據進行預處理能夠提高弱分類器模型訓練的效率和準確度，最終提高變壓器故障檢測的效率和準確度。

作為優選，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。在油浸式變壓器絕緣老化的過程中會產生少量氣體溶解在絕緣油中，油中氣體的組成成分以及各種成分之間的比例關系能夠反映變壓器不同的故障狀態。