一种基于融合不定核特征提取的LightGBM变压器故障诊断方法技术

本发明专利技术公开了一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，包括以下的步骤：步骤1、基于气体组分的不定核相似性度量特征提取及特征融合；步骤2、融合不定核特征提取的LightGBM变压器故障诊断；步骤3、未知变压器状态的识别，将采集的变压器油中气体组分输入值故障诊断器，得到变压器的故障类型。本发明专利技术实现了对变压器运行状态进行实时监测，及时发现并消除潜伏安全隐患，保障了电力系统的安全经济运行。有效利用有限的历史数据信息充分地挖掘变压器故障与油中溶解气体的潜在规律，有效的提高故障诊断的正确率。有效的提高故障诊断的正确率。

【技术实现步骤摘要】
一种基于融合不定核特征提取的LightGBM变压器故障诊断方法


[0001]本专利技术涉及变压器故障诊断
，尤其涉及一种基于融合不定核特征提取的LightGBM变压器故障诊断方法。

技术介绍

[0002]变压器作为电力系统的重要组成部分，其性能的好坏直接影响整个电力系统的运行情况。因此需要对变压器运行状态进行实时监测，及时发现并消除潜伏安全隐患，以保障电力系统的安全经济运行。目前油中溶解气体分析法是诊断变压器故障的主要方法。将中溶解气体分析法与人工神经网络、贝叶斯分类器、支持向量机、极限学习机等学习算法相结合，可以有效的提高故障诊断的正确率。但是，如果现实场景中变压器故障经验数据量较少且有效特征维度较低，会导致模型分类性能大打折扣。如何有效利用有限的历史数据信息充分地挖掘变压器故障与油中溶解气体的潜在规律至关重要。

技术实现思路

[0003]本专利技术的目的在于提供一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，以解决上述技术问题。
[0004]为实现上述目的本专利技术采用以下技术方案：一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，包括以下的步骤：步骤1、基于气体组分的不定核相似性度量特征提取及特征融合；步骤2、融合不定核特征提取的LightGBM变压器故障诊断；步骤3、未知变压器状态的识别，将采集的变压器油中气体组分输入值故障诊断器，得到变压器的故障类型。
[0005]作为本专利技术进一步的方案，所述步骤1具体内容如下：（1）获得初始的变压器油中气体组分作为原始训练样本集；（2）选择合适的相似度量函数，将原始训练样本数据带入函数，得到函数的输出值作为相似度的衡量；（3）将提取的相似度衡量与原始的样本集进行特征组合，形成新的用于训练模型的特征向量。
[0006]作为本专利技术进一步的方案，所述步骤2具体内容如下：（1）特征向量初始化LightGBM分类器；（2）LightGBM模型迭代，计算一阶导数和二阶导数；（3）基于当前的节点尝试分类决策树，计算score；（4）对样本按照特征排序，继续求一阶导数和二阶导数；（5）计算当前的score；
（6）若最大的score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕；（10）得到基于融合不定核特征提取的LightGBM变压器故障诊断器。
[0007]作为本专利技术进一步的方案，所述步骤1的步骤（2）中，相似度量函数选择的是Sigmoid核。
[0008]作为本专利技术进一步的方案，所述步骤1的步骤（2）中，相似度量函数的输出作为相似度的衡量。
[0009]作为本专利技术进一步的方案，所述步骤1的步骤（3）中，相似度衡量与原始的样本集进行特征组合，作为新的特征向量。
[0010]作为本专利技术进一步的方案，（1）设给定原始训练样本数据集；；式中：为给定的维数据样本特征表示，在本文中表示种气体成分的浓度情况；表示变压器故障类型标签；（2）选用Sigmoid核，作为不定核函数用来度量不同样本之间的相似性，其中，核参数，核参数；（3）原始训练数据集经过Sigmoid不定核特征提取后，得到：；为训练集提取的不定核特征矩阵；为所有训练样本特征向量组成的特征矩阵；（4）将提取的辅助特征矩阵对原始样本集进行横向特征扩充，得到最终用于训练算法模型的扩充特征向量矩阵：；（5）LightGBM的损失函数可以表示为：；式中：为第轮迭代后损失函数的值；表示第轮的预测函数 ；
表示第轮迭代的拟合函数；表示叶子节点的个数；表示第轮迭代第个叶子区域的值；（6）计算一阶导数和二阶导数，分别为： ；式中：为第轮迭代的一阶导数矩阵；为第轮迭代的二阶导数矩阵；然后，基于当前节点尝试分类决策树，默认分数score=0；将样本按照特征从大到小排序，依次取出第个样本，依次计算当前样本放入左子树后，左右子树一阶和二阶导数和：；尝试更新最大分数score： ；如果最大score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕。
[0011]本专利技术的有益效果是：本专利技术实现了对变压器运行状态进行实时监测，及时发现并消除潜伏安全隐患，保障了电力系统的安全经济运行。有效利用有限的历史数据信息充分地挖掘变压器故障与油中溶解气体的潜在规律，有效的提高故障诊断的正确率。
具体实施方式
[0012]下面对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
具体实施例
[0013]（1）设给定原始训练样本数据集；；式中：为给定的维数据样本特征表示，在本文中表示种气体成分的浓
度情况；表示变压器故障类型标签；（2）选用Sigmoid核，作为不定核函数用来度量不同样本之间的相似性，其中，核参数，核参数；（3）原始训练数据集经过Sigmoid不定核特征提取后，得到：；为训练集提取的不定核特征矩阵；为所有训练样本特征向量组成的特征矩阵；（4）将提取的辅助特征矩阵对原始样本集进行横向特征扩充，得到最终用于训练算法模型的扩充特征向量矩阵：；（5）LightGBM的损失函数可以表示为：；式中：为第轮迭代后损失函数的值；表示第轮的预测函数 ；表示第轮迭代的拟合函数；表示叶子节点的个数；表示第轮迭代第个叶子区域的值；（6）计算一阶导数和二阶导数，分别为： ；式中：为第轮迭代的一阶导数矩阵；为第轮迭代的二阶导数矩阵；然后，基于当前节点尝试分类决策树，默认分数score=0；将样本按照特征从大到小排序，依次取出第个样本，依次计算当前样本放入左子树后，左右子树一阶和二阶导数和：
；尝试更新最大分数score： ；如果最大score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕。
[0014]选用的变压器故障样本共包含115组数据样本，每条数据样本包含5个特征，及1个类别标签。其中，5个特征是能反映故障状态的5种特征气体，即H2、CH4、C2H6、C2H4和C2H2；一个类别标签，用0
‑
4表示变压器正常、中低温过热、高温过热、低能量放电和高能量放电5种类型。
[0015]通过分层抽样方法，将原始数据集划分成两个不相交的训练集与测试集。在训练数据集上进行模型的训练，在测试集上对模型的多分类性能进行评估。其中训练集数据75组，每类故障数据15组，测试集数据40组，每类故障数据8组。
[0016本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于，包括以下的步骤：步骤1、基于气体组分的不定核相似性度量特征提取及特征融合；步骤2、融合不定核特征提取的LightGBM变压器故障诊断；步骤3、未知变压器状态的识别，将采集的变压器油中气体组分输入值故障诊断器，得到变压器的故障类型。2.如权利要求1所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于，所述步骤1具体内容如下：（1）获得初始的变压器油中气体组分作为原始训练样本集；（2）选择合适的相似度量函数，将原始训练样本数据带入函数，得到函数的输出值作为相似度的衡量；（3）将提取的相似度衡量与原始的样本集进行特征组合，形成新的用于训练模型的特征向量。3.如权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于，所述步骤2具体内容如下：（1）特征向量初始化LightGBM分类器；（2）LightGBM模型迭代，计算一阶导数和二阶导数；（3）基于当前的节点尝试分类决策树，计算score；（4）对样本按照特征排序，继续求一阶导数和二阶导数；（5）计算当前的score；（6）若最大的score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕；（10）得到基于融合不定核特征提取的LightGBM变压器故障诊断器。4.根据权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于：所述步骤1的步骤（2）中，相似度量函数选择的是Sigmoid核。5.根据权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊...

【专利技术属性】
技术研发人员：马洪斌，史娜，杨飞，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：