一种基于特征重要性排序的变压器故障辨识方法及系统技术方案

本发明专利技术公开了一种基于特征重要性排序的变压器故障辨识方法及系统，该方法通过构建变压器故障辨识特征库，再使用轻量梯度提升机对变压器故障辨识特征库中特征进行特征重要性排序，筛选出有效特征；再将有效特征构建的有效特征数据库划分为训练集和测试集；利用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，得到最优的故障辨识模型；最后使用训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识；本发明专利技术提出的变压器故障辨识方法，有效提高了变压器故障辨识的准确率，同时将本发明专利技术运用在工程实例中，能准确的辨识变压器故障，从而采取相应的措施，保障变压器的安全稳定运行

【技术实现步骤摘要】
一种基于特征重要性排序的变压器故障辨识方法及系统


[0001]本专利技术涉及变压器故障检测
，具体为一种基于特征重要性排序的变压器故障辨识方法及系统
。

技术介绍

[0002]电力系统中，变压器是一种至关重要的设备，它的主要功能是实现电压的变换和功率的传输，以此来保证电力系统的安全稳定运行；然而，在变压器的运行过程中，可能会出现各种故障，这些故障可能会导致变压器油和绝缘材料老化
、
分解，在这个过程中，变压器油中会溶解出不同种类和含量的气体，虽然这些气体可以反映变压器的故障类型，但是如何准确地辨识这些故障仍然是一个挑战；为了解决这个问题，研究人员提出了一种基于油中溶解气体分析（
Dissolved Gas Analysis
，
DGA
）的故障辨识方法，这种方法主要通过对变压器油中溶解的气体进行分析，来确定变压器的故障类型，如果不能及时准确地辨识出变压器的故障，那么不仅会影响变压器本身的性能和寿命，还可能危及电力系统的安全和可靠性，甚至引发严重的社会和经济后果；因此，变压器的故障辨识被视为电力系统监测和维护的重要任务
。
为了提高
DGA
的辨识准确率，国内外的学者们对其进行了一系列的研究和改进，他们以
DGA
为基础，提出了
IEC
三比值法
、Rogers
四比值法
、
无编码比值法
、
大卫三角形法等新的故障辨识方法；然而，这些方法也存在一些问题，例如，它们可能存在编码缺失
、
编码边界绝对以及临界值准则缺陷等，此外，即使在实际的工程实践中构建了故障辨识特征库，也常常包含一些冗余的特征，这会导致模型训练速度慢，且故障辨识准确率低，而且，人们往往忽略了变压器运行时长
、
变压器油温
、
变压器负载以及变压器周边环境对故障辨识的影响，因此，如何在实际应用中有效地筛选出有用的特征，成为了一个急需解决的问题
。
[0003]目前，随着人工智能的不断进步，越来越多的研究人员和工程技术人员开始将人工智能与
DGA
相结合，以便对变压器故障类型进行判断，这些方法包括
BP
神经网络
、
极限学习机
(Extreme Learning Machine,ELM)、
随机森林
(Random Forest,RF)
等；然而，这些方法都存在一些局限性，
BP
神经网络虽然具有较强的非线性拟合能力，但是其训练过程需要大量的样本数据和计算资源；
ELM
和
RF
虽然具有较强的泛化能力，但是在处理大规模数据时，可能会出现过拟合的问题；支持向量机
(Support Vector Machine,SVM)
在处理小样本和非线性分类问题方面表现出色，这与变压器故障辨识问题相契合，然而，
SVM
的分类性能与其惩罚因子和核参数的选择密切相关，仅仅依靠经验和人工尝试来选择超参数不仅费时费力，而且难以找到最优超参数，导致变压器故障辨识准确率较低，因此，研究如何寻找
SVM
的最优超参数成为了当前的研究热点
。
[0004]所以，如何设计一种基于特征重要性排序的变压器故障辨识方法及系统，成为我们当前需要解决的问题
。

技术实现思路

[0005]针对现有技术的不足，本专利技术提供了一种基于特征重要性排序的变压器故障辨识
方法，包括如下步骤：步骤
S1
：构建变压器故障辨识特征库；步骤
S2
：使用轻量梯度提升机对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征；步骤
S3
：使用有效特征构建有效特征数据库，并将有效特征数据库划分为训练集和测试集，对训练集和测试集中的有效特征进行最大最小值归一化处理；步骤
S4
：使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，设置改进蜘蛛蜂优化算法的种群数量
、
迭代次数
、
支持向量机的惩罚因子和核参数的上下界范围，设置支持向量机的目标函数为测试集的故障辨识的错误率，通过改进蜘蛛蜂优化算法不断迭代求得支持向量机的目标函数最小时的最优解，得到最优的故障辨识模型；所述改进蜘蛛蜂优化算法由蜘蛛蜂优化算法采用
Tent 混沌映射初始化蜘蛛蜂种群得来，其表达式为：；式中，为介于0和1之间的参数；为第
i
只雌性蜘蛛蜂第
j
次映射的位置；为第
i
只雌性蜘蛛蜂第
j+1
次映射的位置；步骤
S5
：使用归一化处理后的训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识，输出故障辨识准确率
。
[0006]进一步的，所述步骤
S2
中特征重要性排序的公式如下：；式中，表示特征；是包含特征的所有树节点的集合；是节点的分裂增益；是特征在所有树中的总增益；分裂增益的计算公式与损失函数和正规化项有关，表达式为：；式中，是节点左子节点的梯度之和；是节点右子节点的梯度之和；是节点左子节点的二阶导数之和；是节点右子节点的二阶导数之和；是叶子权重的正规化系数；是叶子数量的正规化系数
。
[0007]进一步的，所述步骤
S3
中，最大最小值归一化的公式为：；式中，为归一化后的有效特征；为有效特征；为有效特征最大值，为有效特征最小值
。
[0008]进一步的，使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优过程为：第1步，采用
Tent 混沌映射初始化蜘蛛蜂种群，并为初始化蜘蛛蜂种群每个个体
分配随机支持向量机参数；第2步，计算每个个体的适应度值，评估其对目标函数的优劣程度，将目标函数设为支持向量机的分类故障辨识的错误率，作为每个个体适应度值；第3步，根据选择策略，选取部分个体作为父代个体；第4步，通过交叉和变异操作，生成预设数量的子代个体；第5步，计算子代个体的适应度值，并与父代个体的适应度值进行比较，如子代个体的适应度值大于父代个体的适应度值，则子代个体的解替换掉父代个体的解，形成新的种群；第6步，判断是否达到终止条件，如达到预设迭代次数，则输出最优个体作为支持向量机的惩罚因子和核参数；如没达到预设迭代次数，则返回第2步继续迭代
。
[0009]进一步的，所述步骤
S5
的具体过程为：将归一化处理后的训练集作为故障辨识模型的输入，再使用改进蜘蛛蜂优化算法对故障辨识模型的参数寻优，以测试集的故障辨识的错误率设为适应度函数；，其中，为诊断正确的样本个数；为测试集样本个数
。
[0010]进一步的，所述步骤
S1
中构建变压器故障辨识特征库的具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于特征重要性排序的变压器故障辨识方法，其特征在于，包括如下步骤：步骤
S1
：构建变压器故障辨识特征库；步骤
S2
：使用轻量梯度提升机对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征；步骤
S3
：使用有效特征构建有效特征数据库，并将有效特征数据库划分为训练集和测试集，对训练集和测试集中的有效特征进行最大最小值归一化处理；步骤
S4
：使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，设置改进蜘蛛蜂优化算法的种群数量
、
迭代次数
、
支持向量机的惩罚因子和核参数的上下界范围，设置支持向量机的目标函数为测试集的故障辨识的错误率，通过改进蜘蛛蜂优化算法不断迭代求得支持向量机的目标函数最小时的最优解，得到最优的故障辨识模型；所述改进蜘蛛蜂优化算法由蜘蛛蜂优化算法采用
Tent 混沌映射初始化蜘蛛蜂种群得来，其表达式为：；式中，为介于0和1之间的参数；为第
i
只雌性蜘蛛蜂第
j
次映射的位置；为第
i
只雌性蜘蛛蜂第
j+1
次映射的位置；步骤
S5
：使用归一化处理后的训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识，输出故障辨识准确率
。2.
根据权利要求1所述的一种基于特征重要性排序的变压器故障辨识方法，其特征在于：所述步骤
S2
中特征重要性排序的公式如下：；式中，表示特征；是包含特征的所有树节点的集合；是节点的分裂增益；是特征在所有树中的总增益；分裂增益的计算公式与损失函数和正规化项有关，表达式为：；式中，是节点左子节点的梯度之和；是节点右子节点的梯度之和；是节点左子节点的二阶导数之和；是节点右子节点的二阶导数之和；是叶子权重的正规化系数；是叶子数量的正规化系数
。3.
根据权利要求1所述的一种基于特征重要性排序的变压器故障辨识方法，其特征在于：所述步骤
S3
中，最大最小值归一化的公式为：；式中，为归一化后的有效特征；为有效特征；为有效特征最大值，为有效特征最小值
。
4.
根据权利要求1所述的一种基于特征重要性排序的变压器故障辨识方法，其特征在于：使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优过程为：第1步，采用
Tent 混沌映射初始化蜘蛛蜂种群，并为初始化蜘蛛蜂种群每个个体分配随机支持向量机参数；第2步，计算每个个体的适应度值，评估其对目标函数的优劣程度，将目标函数设为支持向量机的分类故障辨识的错误率，作为每个个体适应度值；第3步，根...

【专利技术属性】
技术研发人员：李帆，傅闽豪，童超，华桦，梅宇聪，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：