一种不平衡小样本条件下的变压器在线故障诊断方法技术

本发明专利技术公开了一种不平衡小样本条件下的变压器在线故障诊断方法，包括：第一步，将采集到的变压器故障样本数据进行标准化处理，并划分为训练集、测试集和验证集；第二步，针对训练集采用TLR算法消除少数类的噪声样本以及部分边界出样本，然后利用ADASYN算法在保留少数类样本数据特征前提下扩充样本数量；第三步，采用无编码比值法构造样本特征；第四步，通过KPCA对样本特征融合降维；第五步，构建WOA

【技术实现步骤摘要】
一种不平衡小样本条件下的变压器在线故障诊断方法


[0001]本专利技术涉及变压器故障诊断
，具体涉及一种不平衡小样本条件下的变压器在线故障诊断方法。

技术介绍

[0002]变压器是电力系统中重要的电力设备之一，其运行状态的稳定性直接影响电网的安全性。因此，准确掌握变压器的健康状态，尤其是当变压器出现异常或故障后的及时诊断，对于保障电力系统的安全稳定运行具有重要意义。
[0003]当前电网中的变压器以油浸式为主，变压器发生绝缘老化时会产生少量气体溶解在绝缘油中，其主要成分为H2、CH4、C2H4、C2H2、C2H6、CO2、CO，通过对变压器油中溶解的气体的组成成分和浓度分析可以判断变压器的运行状态是否正常或故障类型。对气体组分、含量进行分析的油中溶解气体分析(Dissolved Gas Analysis,DGA)方法是目前最为重要的变压器状态检测和故障诊断方法之一，以DGA为基础形成的改良三比值法、Duval三角形法、Rogers比值法等规则简单，发挥了重要作用，但均存在着状态编码不完备，编码界限模糊、不清晰的问题，从而导致故障诊断的精度低。随着机器学习理论的发展，人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)、极限学习机(Extreme Learning Machine,ELM)等模型在变压器故障识别中取得了良好的应用成效。然而，上述方法虽然灵活性好，准确率高，但需要大量的数据支撑模型的训练。在实际生产中，变压器不同故障的发生率有着明显的差异，导致不同故障积累的样本极不均衡，基于这些不均衡数据训练的模型对小样本故障进行诊断容易导致小样本故障的误判和漏判。
[0004]目前，欠采样和过采样广泛应用于解决小样本不平衡数据集的训练问题。欠采样算法主要是剔除部分多数类样本信息，易造成有效信息的丢失，因此较少应用于变压器故障诊断问题中。过采样算法则是生成少数类样本以平衡各故障类别的样本数目，目前应用最为广泛的是合成少数过采样技术(Synthetic Minority Over
‑
Sampling Technique,SMOTE)、ADASYN(Adaptive Synthetic Sampling，ADASYN)及其改进算法，但上述的样本合成方法容易受到少数类噪声和边界处样本数据的影响，使得合成的数据中包含更多的噪声和模糊数据。
[0005]针对上述问题，本专利技术提出一种不平衡小样本条件下的变压器在线故障诊断方法，能够有效解决对少数类故障样本的误判和漏判问题。

技术实现思路

[0006]本专利技术的主要目的在于提供一种不平衡小样本条件下的变压器在线故障诊断方法，有效提高变压器的故障诊断精度。
[0007]本专利技术采用的技术方案是：一种不平衡小样本条件下的变压器在线故障诊断方法，包括：
[0008]第一步，将采集到的变压器故障样本数据进行标准化处理，并划分为训练集、测试
集和验证集；
[0009]第二步，针对训练集采用TLR算法消除少数类的噪声样本以及部分边界出样本，然后利用ADASYN算法在保留少数类样本数据特征前提下扩充样本数量；
[0010]第三步，采用无编码比值法构造样本特征；
[0011]第四步，通过KPCA对样本特征融合降维；
[0012]第五步，构建WOA
‑
RF变压器故障诊断模型，利用验证集调整诊断模型的超参数，最后通过测试集得到诊断结果；
[0013]第六步，将采集到的在线测试集输入至最优分类器中。
[0014]进一步地，所述第一步的具体步骤如下：
[0015]步骤1：收集变压器DGA样本数据，m为收集到的样本数量，n为收集到的特征气体种类数；
[0016]油中的溶解气体主要包括H2、CH4、C2H4、C2H2、C2H6、CO、CO2,根据变压器是否发生故障以及存在何种故障，将变压器划分为正常、高温过热、高能放电、中低温过热、低能放电、局部放电和放电兼过热；
[0017]步骤2：将采集到的故障样本数据进行z
‑
score标准化处理，得到
[0018]步骤3：将标准化的样本数据划分为训练集、测试集和验证集。
[0019]更进一步地，所述第二步的具体步骤如下：
[0020]步骤1：对训练集通过TLR算法对不同类别的两个临近样本连接成Tomek链，消除少数类的噪声样本以及部分边界处样本；
[0021]步骤2：采用ADASYN算法以扩充样本数量。
[0022]更进一步地，所述第四步的具体步骤如下：
[0023]步骤1：计算高维特征矩阵的协方差矩阵；
[0024]步骤2：将高维空间的样本点转换为特征空间样本点；
[0025]步骤3：求解特征值和特征向量；
[0026]步骤4：定义核函数；
[0027]步骤5：计算特征值的累积贡献率，当累计贡献率大于85％时提取主分量；
[0028]步骤6：计算已修正的核矩阵在提取出的特征向量上的投影，所得的投影即为经KPCA特征融合后所得低维融合特征矩阵。
[0029]更进一步地，所述第五步的具体步骤如下：
[0030]步骤1：利用Booststrap抽样法，从训练集N中抽取容量相同的样本，生成训练子集；
[0031]步骤2：假设训练子集有S个特征，对随机抽取的样本s个作为分裂特征子集，采用CART算法分裂，重复n次步骤1至步骤2生成子树，构建RF模型；
[0032]步骤3：确定适应度函数，初始化参数鲸鱼种群规模大小、最大迭代次数、鲸鱼种群中每个个体的位置以及RF模型中的决策树的数量和决策树深度优化范围；
[0033]步骤4：计算每头鲸鱼相应的适应度值，记录最优适应度值和对应位置向量后更新最优解；
[0034]步骤5：若达到终止条件，则输出最优个体，即算法找到的最优解；否则，返回第四步；
[0035]步骤6：构建WOA
‑
RF变压器故障诊断模型，利用验证集调整模型结构及超参数，然后保存该诊断模型；
[0036]步骤7：通过测试集得到故障诊断结果。
[0037]本专利技术的优点：
[0038]本专利技术的不平衡小样本条件下的变压器在线故障诊断方法，能有效提高变压器的故障诊断精度。
[0039]除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。
附图说明
[0040]构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0041]图1是本专利技术的方法的流程框图；
[0042]图2是本专利技术实施例中KPCA的方差累积贡献率pareto图；
[0043]图3是本专利技术实施例中不同主元散度第一图；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种不平衡小样本条件下的变压器在线故障诊断方法，其特征在于，包括：第一步，将采集到的变压器故障样本数据进行标准化处理，并划分为训练集、测试集和验证集；第二步，针对训练集采用TLR算法消除少数类的噪声样本以及部分边界出样本，然后利用ADASYN算法在保留少数类样本数据特征前提下扩充样本数量；第三步，采用无编码比值法构造样本特征；第四步，通过KPCA对样本特征融合降维；第五步，构建WOA
‑
RF变压器故障诊断模型，利用验证集调整诊断模型的超参数，最后通过测试集得到诊断结果；第六步，将采集到的在线测试集输入至最优分类器中。2.根据权利要求1所述的不平衡小样本条件下的变压器在线故障诊断方法，其特征在于，所述第一步的具体步骤如下：步骤1：收集变压器DGA样本数据，m为收集到的样本数量，n为收集到的特征气体种类数；油中的溶解气体主要包括H2、CH4、C2H4、C2H2、C2H6、CO、CO2，根据变压器是否发生故障以及存在何种故障，将变压器划分为正常、高温过热、高能放电、中低温过热、低能放电、局部放电和放电兼过热；步骤2：将采集到的故障样本数据进行z
‑
score标准化处理，得到步骤3：将标准化的样本数据划分为训练集、测试集和验证集。3.根据权利要求1所述的不平衡小样本条件下的变压器在线故障诊断方法，其特征在于，所述第二步的具体步骤如下：步骤1：对训练集通过TLR算法对不同类别的两个临近样本连接成Tomek链，消除少数类的噪声样本以...

【专利技术属性】
技术研发人员：关山，杨海琦，崔金栋，吴同宇，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：