基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法技术

本发明专利技术公开了一种基于主成分分析的SSA

【技术实现步骤摘要】
基于主成分分析的SSA
‑
LightGBM油浸式变压器的故障诊断方法


[0001]本专利技术涉及变压器故障诊断研究领域，具体地说，是一种基于主成分分析的SSA
‑
LightGBM油浸式变压器的故障诊断方法。

技术介绍

[0002]变压器是电力系统的核心设备，及时发现潜在性故障对电力系统安全稳定有重要的作用。油浸式变压器因长时间运行导致绝缘油和固体绝缘的裂解，会产生氢气、甲烷、乙烯、乙炔、一氧化碳和二氧化碳等气体，当变压器发生不同类型的故障时，特定的气体成分会增加，变压器故障类型和气体成分变化密切相关，常用的方法就是油中溶解气体分析法(DissolvedCasesAnalysis，DGA)。基于DGA的故障诊断方法通常有人工神经网络(ANN)、支持向量机(SVM)和模糊理论(FT)等算法，大大提高了故障诊断的准确率。然而这些方法存在一些缺陷，其中：模糊理论存在学习能力不足的问题；人工神经网络模型提高变压器故障诊断精度，但人工神经网络模型需要大量忘本数据进行训练，而实际工程中，能用于训练的故障数据十分有限，容易陷本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于主成分分析的SSA
‑
LightGBM油浸式变压器故障诊断模型方法，其特征在于包括以下步骤：步骤1：采集变压器故障特征气体历史样本数据并确定变压器故障类型，采用无编码比值方法得到变压器实时运行的作为待测参数构建待测矩阵；步骤2：对所述待测参数进行归一化预处理，利用主成分分析法提取所述待测矩阵的特征参数，并用所述特征参数构建特征样本矩阵；步骤3：构建LightGBM模型并确定需要优化的超参数及参数选定范围，利用麻雀搜索算法对LightGBM模型超参数寻优，构建SSA
‑
LightGBM故障诊断模型，将所述特征样本矩阵输入训练好的SSA
‑
LightGBM故障诊断模型中进行分析，得到故障诊断结果。2.根据权利要求1所述的步骤1中变压器故障诊断方法，其特征在于：采集变压器故障特征气体历史样本数据并确定变压器故障类型：步骤1：所述变压器故障特征气体，包括：H2、CH4、C2H2、C2H4、C2H6、CO、CO2。步骤2：所述变压器故障类型，包括：高温热故障、低温热故障、中温热故障、高能放电、低能放电、局部放电和正常状态。3.根据权利要求1所述的步骤1中变压器故障诊断方法，其特征在于：采用无编码比值方法得到变压器实时运行的作为待测参数构建待测矩阵，包括：其中，利用无编码比值法得到：其中，利用无编码比值法得到：其中，利用无编码比值法得到：将每一故障类型所测得的比值参量构建特征样本矩阵。4.根据权利要求1所述的步骤2中变压器故障诊断方法，其特征在于：对所述待测参数进行归一化预处理：步骤1：计算所述待测参数的均值和标准差；步骤2：依据所述待测参数的均值、标准差计算得到各所述待测参数的归一化值；步骤3：以各所述待测参数的归一化值构建所述待测矩阵。5.根据权利要求1所述的步骤2中变压器故障诊断方法，其特征在于，所述利用主成分分析法提取所述待测矩阵的特征参数，包括：步骤1：计算所述待测矩阵中所述待测参数的协方差矩阵；步骤2：计算所述协方差矩阵的特征值及相应的正交化单位特征向量；步骤3：依据所述特征值也所述正交化单位特征向量选择主成分；步骤4：计算所述主成分的载荷，并依据所述主成分的载荷得到所述特征参数构造特征矩阵。6.根据权利要求1所述的步骤3中变压器故障诊断方法，其特征在于，构建LightGBM模型，包括：步骤1：构建所述待测参数中的的数据集和类别特征，并计算初始梯度值；
步骤2：依据上述初始梯度值构建决策树，建立直方图；步骤3：依据上述直方图计算分裂收益，选取最佳分裂特征得到分裂阈值；步骤4：建立根节点，并重复上述步骤直到达到叶子数目限制或者所有叶子节点不能继续分割为止，更新树的梯度值完成所有树的构建。7.根据权利要求1所述的步骤3变压器故障诊断方法，其特征在于，确定需要优化的超...

【专利技术属性】
技术研发人员：张盛，肖宏磊，留毅，汪三，崔金栋，张旭峰，吴健，乔永亮，
申请(专利权)人：国网浙江省电力有限公司杭州市余杭区供电公司国网浙江省电力有限公司杭州供电公司，
类型：发明
国别省市：