[發(fā)明專利]一種基于組合采樣和LightGBM的變壓器故障診斷方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110786062.X
• 申請(qǐng)日: 2021-07-12
• 公開（公告）號(hào): CN113702728A
• 公開（公告）日: 2021-11-26
• 發(fā)明（設(shè)計(jì)）人: 范競(jìng)敏;曹云飛;曾偉良;馮陸滔;孟安波;殷豪;王裕;周永旺
• 申請(qǐng)（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G01R31/00
• 分類號(hào): G01R31/00;G01R31/12
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 劉俊

本發(fā)明為解決在樣本不平衡情況下變壓器故障診斷準(zhǔn)確率低的問題，提出一種基于組合采樣和LightGBM的變壓器故障診斷方法及系統(tǒng)，包括以下步驟：采集歷史樣本數(shù)據(jù)，并獲取對(duì)應(yīng)的變壓器故障類型；對(duì)歷史樣本數(shù)據(jù)進(jìn)行預(yù)處理，然后將歷史樣本數(shù)據(jù)劃分為少數(shù)類樣本集和多數(shù)類樣本集；對(duì)所述少數(shù)類樣本集進(jìn)行過采樣得到多數(shù)類樣本，并加入所述多數(shù)類樣本集中；再對(duì)所述多數(shù)類樣本集進(jìn)行欠采樣，得到平衡數(shù)據(jù)集，并劃分為訓(xùn)練樣本和測(cè)試樣本；構(gòu)建LightGBM分類器模型，將訓(xùn)練樣本輸入所述LightGBM分類器模型進(jìn)行訓(xùn)練；將測(cè)試樣本輸入完成訓(xùn)練的LightGBM分類器模型中進(jìn)行故障診斷，輸出得到故障診斷結(jié)果。

技術(shù)領(lǐng)域

本發(fā)明涉及變壓器故障診斷技術(shù)領(lǐng)域，更具體地，涉及一種基于組合采樣和LightGBM的變壓器故障診斷方法及系統(tǒng)。

背景技術(shù)

油浸式變壓器在投入運(yùn)行后，發(fā)生絕緣老化時(shí)會(huì)產(chǎn)生一些微量氣體溶解在絕緣油中，油中溶解氣體的主要成分為氫氣(H₂)、甲烷(CH₄)、乙烷(C₂H₆)、乙烯(C₂H₄)、乙炔(C₂H₂)、一氧化碳(CO)和二氧化碳(CO₂)。變壓器故障類型和氣體成分的變化呈現(xiàn)較強(qiáng)的相關(guān)性，這些微量氣體能夠準(zhǔn)確反映變壓器的運(yùn)行狀況。基于油中溶解氣體分析(dissolved gasanalysis，DGA)技術(shù)已成為油浸式變壓器故障診斷中最方便有效的手段之一。采用DGA氣體作為特征參量，國(guó)內(nèi)外學(xué)者提出了很多變壓器故障診斷方法，如傳統(tǒng)的Rogers比值法、Duval三角形法和IEC比值法等，這些方法原理簡(jiǎn)單、容易實(shí)現(xiàn)，但由于其比值邊界過于絕對(duì)，編碼不全等缺陷會(huì)導(dǎo)致故障診斷的誤判。為解決傳統(tǒng)方法的不足，研究者們提出了支持向量機(jī)、貝葉斯網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)等多種智能化方法進(jìn)行故障診斷。但是，這些智能算法在最大化全體分類準(zhǔn)確率的目標(biāo)過程中，易偏向多數(shù)類樣本的參數(shù)更新而忽略少數(shù)類樣本的正確分類。

在樣本不平衡情況下，變壓器故障診斷準(zhǔn)確率很低，亟需提出新方法改善樣本分布不平衡對(duì)故障診斷的不利影響。目前，欠采樣、過采樣方法和集成學(xué)習(xí)方法分別在數(shù)據(jù)采樣層面和算法優(yōu)化層面被廣泛用于緩解不平衡數(shù)據(jù)集的訓(xùn)練問題。有研究者分別使用合成少數(shù)類樣本的SMOTE過采樣技術(shù)和NSMOTE過采樣方法，通過補(bǔ)充少數(shù)類故障樣本來平衡整體的樣本數(shù)目，但復(fù)制樣本可能會(huì)導(dǎo)致過擬合，且容易生成重疊樣本。

發(fā)明內(nèi)容

本發(fā)明為克服在樣本不平衡情況下變壓器故障診斷準(zhǔn)確率低的缺陷，提供一種基于組合采樣和LightGBM的變壓器故障診斷方法，以及一種基于組合采樣和LightGBM的變壓器故障診斷系統(tǒng)。

為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下：

一種基于組合采樣和LightGBM的變壓器故障診斷方法，包括以下步驟：

S1：采集歷史樣本數(shù)據(jù)，并獲取對(duì)應(yīng)的變壓器故障類型；

S2：對(duì)歷史樣本數(shù)據(jù)進(jìn)行預(yù)處理，然后將歷史樣本數(shù)據(jù)劃分為少數(shù)類樣本集和多數(shù)類樣本集；

S3：對(duì)所述少數(shù)類樣本集進(jìn)行過采樣得到多數(shù)類樣本，并加入所述多數(shù)類樣本集中；再對(duì)所述多數(shù)類樣本集進(jìn)行欠采樣，得到平衡數(shù)據(jù)集，并劃分為訓(xùn)練樣本和測(cè)試樣本；

S4：構(gòu)建LightGBM分類器模型，將訓(xùn)練樣本輸入所述LightGBM分類器模型進(jìn)行訓(xùn)練；

S5：將測(cè)試樣本輸入完成訓(xùn)練的LightGBM分類器模型中進(jìn)行故障診斷，輸出得到故障診斷結(jié)果。