【技术实现步骤摘要】
一种基于集成学习的变压器状态风险评估方法及装置
本申请涉及电网风险评估领域，尤其涉及一种基于集成学习的变压器状态风险评估方法及装置。
技术介绍
变压器状态风险评估是电力设备安全稳定运行的重要课题，是变压器状态检修的重要依据，直接影响到状态检修的质量和效果。同时，随着电网工程建设规模逐渐扩大，越来越多的变压器开始投入使用，对变压器的风险评估直接关系到电网建设和群众用电的根本利益。目前变压器状态评价业务工作在电网公司企业标准《油浸式变压器(电抗器)状态评价导则》指导下开展，采用打分或者扣分的方式来判断变压器的运行状态。这种方法人力资源消耗高、评价难以客观一致，在很大程度上依赖于人的主观意见，存在较大的偏差。为了解决这一问题，专家学者提出了大量基于机器学习的评价模型。然而这些模型在实际生产环境应用时，数据质量往往不高；同时，变压器在大部分时间处于正常状态，异常或者故障的时间很少，因此各种在线监测系统获取数据的价值密度很低，非正常状态样本稀缺；导致传统的机器学习评估模型整体上面临泛化能力差的问题，往往表现欠佳。
技术实现思路
本申请提供了一种基于集成学习的变压器状态风险评估方...
【技术保护点】
1.一种基于集成学习的变压器状态风险评估方法，其特征在于，包括：S1：获取变压器状态原始数据，通过基于概率分布估计的混合采样均衡算法，得到变压器状态均衡数据集；S2：结合代价敏感学习算法，优化决策树标准算法，得到代价敏感决策树优化算法；S3：基于状态均衡数据集和代价敏感决策树优化算法，得到代价敏感决策树优化分类器，通过AdaBoost与多个代价敏感决策树优化分类器组合的集成学习算法构建变压器状态风险评估模型；S4：通过变压器状态风险评估模型评估变压器接下来一个周期是否发生紧急重大缺陷。
【技术特征摘要】
1.一种基于集成学习的变压器状态风险评估方法，其特征在于，包括：S1：获取变压器状态原始数据，通过基于概率分布估计的混合采样均衡算法，得到变压器状态均衡数据集；S2：结合代价敏感学习算法，优化决策树标准算法，得到代价敏感决策树优化算法；S3：基于状态均衡数据集和代价敏感决策树优化算法，得到代价敏感决策树优化分类器，通过AdaBoost与多个代价敏感决策树优化分类器组合的集成学习算法构建变压器状态风险评估模型；S4：通过变压器状态风险评估模型评估变压器接下来一个周期是否发生紧急重大缺陷。2.根据权利要求1所述的一种基于集成学习的变压器状态风险评估方法，其特征在于，步骤S1具体包括：S11：计算混合采样数量N＝(M1-M2)，从而计算得到升采样的数量为N1＝N*R，降采样的数量N2＝N*(1-R)，其中M1为获取到的变压器状态原始数据的样本数据集D中正样本数量，M2为获取到的变压器状态原始数据的样本数据集D中负样本数量，R为混合采样的比例系数，正样本为发生了紧急重大缺陷的样本，负样本为没有发生紧急重大缺陷的样本；S12：结合Figueiredo-Jain算法对正负样本分别进行高斯混合建模；S13：根据升采样的数量N1对少数类进行升采样；S14：根据降采样的数量N2对多数类进行降采样。3.根据权利要求2所述的一种基于集成学习的变压器状态风险评估方法，其特征在于，步骤S11之后，步骤S12之前还包括：遍历样本数据集D中的样本，若检测到该样本K个相邻样本中超过(K-1)/K为相反的类别，则对该样本进行过滤，最终生成更新数据集D。4.根据权利要求1所述的一种基于集成学习的变压器状态风险评估方法，其特征在于，步骤S2具体包括：S21：通过自适应选择参数机制，选择出最佳参数a，进而确定最优的启发函数；S22：通过ASCP机制来选择最佳切分点和决策树的分裂结点；S23：通过ARA机制删除对决策树影响较小的属性，使得在下一次属性结点选择时删除的属性将不被考虑在内；S24：剪枝。5.根据权利要求4所述的一种基于集成学习的变压器状态风险评估方法，其特征在于，所述自适应选择参数机制为：以预设数值为间隔从参数a的取值范围里取值，根据获取到的取值对应的不同启发函数来生成对应的决策树模型，然后计算所有决策树模型的测试代价和误分类代价之和，生成以a为自变量，以两种代价之和为因变量的拟合曲线，求得使得测试代价和误分类代价之和最小的a值。6.根据权利要求1至5任意一项所述的一种基...
【专利技术属性】
技术研发人员：许海林，林春耀，鄂盛龙，田翔，罗颖婷，马凯，周刚，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：广东,44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。