[發明專利]一種基于深度森林模型的變壓器故障診斷方法

有效

• 申請號: 202010621042.2
• 申請日: 2020-07-01
• 公開（公告）號: CN111722046B
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 劉可真;吳世浙;李鶴健;徐玥;茍家萁;和婧;王騫;劉通;陳鐳丹;陳雪鷗;阮俊梟
• 申請（專利權）人: 昆明理工大學
• 主分類號: G01R31/00
• 分類號: G01R31/00;G06N3/00;G06N20/00
• 代理公司: 昆明潤勤同創知識產權代理事務所(特殊普通合伙) 53205
• 代理人: 付石健

1.一種基于深度森林模型的變壓器故障診斷方法，其特征在于，包括如下步驟：

S01、數據處理

S011、特征參量選取

變壓器油中溶解的氣體包括氫氣(H₂)、甲烷(CH₄)、乙炔(C₂H₂)、乙烯(C₂H₄)、乙烷(C₂H₆)，以CH₄/H₂、C₂H₂/C₂H₄、C₂H₄/C₂H₆、C₂H₂/(C₁+C₂)、H₂/(H₂+C₁+C₂)、C₂H₄/(C₁+C₂)、CH₄/(C₁+C₂)、C₂H₆/(C₁+C₂)、(CH₄+C₂H₄)/(C₁+C₂)無編碼比值作為模型的特征參量，其中C₁是CH₄，C₂是C₂H₂、C₂H₄、C₂H₆之和；

S012、特征參量標準化

將已知故障狀態和正常狀態的變壓器油中溶解氣體的數據按步驟S011中選取的無編碼比值特征參量進行歸一化處理，歸一化公式為式(1)，再按比例8:2將歸一化后的數據劃分為訓練集數據和測試集數據；

其中是X_i標準化后的特征量，和δ是各特征參量的算術平均值和標準差；

S02、構建基于深度森林模型的變壓器故障診斷模型

S021、使用CART算法的成本函數和基尼系數如式(2)、(3)所示，對步驟S012中劃分的的訓練集數據和測試集數據進行處理，生成二叉樹結構的決策樹；

式中，P_t，k表示節點t屬于類別k的訓練實例百分比，y_left/right是左右兩邊子樣本集的實例數，G_left/right是衡量左右兩邊子樣本集的不純度；

S022、多粒度掃描

多粒度掃描階段分為特征掃描和特征轉換兩個過程，具體步驟如下：

a、輸入一個m維的原始數據樣本，滑動窗口大小為q維，滑動步長c，滑動窗口掃描原始數據樣本提取數據特征，將生成N個q維特征實例，如式(4)所示：

N＝(m-q)/c+1 (4)

b、步驟a中生成的q維特征實例經過隨機森林和極限梯度提升樹訓練后，每個森林輸出s維類概率向量，然后將所有類概率向量連接為L維轉換特征向量，如式(5)所示：

L＝2*[(m-q)/k+1]*s (5)

S023：構建基于級聯森林的深度森林模型

級聯森林包括多個級聯層，每層級聯層包括隨機森林和梯度提升樹兩種基礎分類器；

將多粒度掃描階段產生的轉換特征向量作為級聯森林的輸入，在級聯森林的每層級聯層進行隨機森林訓練和梯度提升樹訓練，在邏輯回歸之前，每層級聯層產生的類向量和原始特征向量拼接作為下一層級聯層的輸入，逐層訓練后，對最后一層級聯層產生的所有類向量通過邏輯回歸產生最終類向量，從中取最大值得到原始樣本集的最終分類；

S03、得出變壓器故障診斷結果

使用步驟S012中的測試集數據來測試步驟S02構建的深度森林模型的性能，采用診斷準確率和F1值對變壓器故障識別結果進行評價；

其中，診斷準確率表示模型正確判別故障類型的樣本數與總樣本數的比例，可以直接評估模型的泛化能力，F1值是精確率和召回率的調和平均值，F1高需要精確率和召回率同時高，表明模型魯棒性強；

然后，將未知狀態的變壓器油中溶解氣體按步驟S01處理，輸入步驟S02構建好的基于深度森林模型的變壓器故障診斷模型，就能診斷出該變壓器的狀態。

2.根據權利要求1所述的一種基于深度森林模型的變壓器故障診斷方法，其特征在于，在步驟S023中，為避免級聯森林訓練時產生過度擬合現象，對每層級聯層進行隨機森林訓練和梯度提升樹訓練時都采用k折交叉驗證產生類向量。