一种融入主动学习的两阶段半监督变压器故障诊断方法技术

本发明专利技术提供了一种融入主动学习的两阶段半监督变压器故障诊断方法，包括DGA数据特征空间选择、DGA数据预处理、划分DGA数据集、利用一对多在初始标记样本集SI上训练n个FLDA两分类器、进行m次和m<subgt;0</subgt;+k次迭代。本发明专利技术将主动学习融合到半监督学习中，将容易误标记的不确定性大的少量噪声样本通过人工标记的方式更新模型，同时配合半监督学习共同增强初始模型的鲁棒性，使初始分类模型得到改善。再利用半监督学习中的协同训练充分挖掘剩余未标记数据中的隐含信息，即与标记样本分布一致的置信度高的样本进行模型训练，在降低人工标记的成本的基础上使得变压器故障诊断的整体性能再次得到提升。

【技术实现步骤摘要】

本专利技术涉及变压器故障诊断，尤其是涉及一种融入主动学习的两阶段半监督变压器故障诊断方法。

技术介绍

1、电力变压器是电力系统中重要的输变电设备，其安全运行与否将直接影响到电力能源的可靠供应。油中溶解气体分析（dissolved gas analysis, dga）是电力变压器故障诊断最重要的方法，可以在不停电的状态下对油中多种气体数据实现监测，特征气体组成成分的占比和含量能反映故障类别及严重情况。近年来，随着人工智能技术在各个领域的广泛发展，包括支持向量机、决策树、神经网络，聚类，模糊逻辑推理等人工智能技术被广泛用于变压器故障诊断，并取得了较好的效果，但需要大量标记故障类型的dga数据用于建立模型，过少的标记数据建立的模型往往导致学习器泛化性能低下和故障诊断率的降低。事实上，现场能够获得的可靠故障样本非常有限。一是现场故障状态的数据较少且实际故障数据判定不准确，需要解体才能确认变压器真实故障类型，获得可靠的故障类别样本，但是由于变压器承担着供电的重大任务和解体过程会耗费大量的人力物力财力，只有在现场判别评估风险较大的情况下变压器才会进行解体，而且解体结果本文档来自技高网...

【技术保护点】

1.一种融入主动学习的两阶段半监督变压器故障诊断方法，其特征在于，包括：

【技术特征摘要】

1.一种融入主动学习的两阶段半监督变...

【专利技术属性】
技术研发人员：谭学敏，郭超，张江林，庄慧敏，谢晓娜，李艳霞，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：