[发明专利]基于集成学习Bagging算法的变压器故障诊断方法

说明书

技术领域

本发明属于变压器故障诊断技术领域，尤其涉及一种基于Bagging算法的变压器故障诊断方法。

背景技术

随着智能电网技术的飞速发展，传统的变压器故障诊断技术也发生巨大的变化，越来越多的智能化方法被引入到故障诊断领域。变压器作为一种常见电力设备，其结构相对复杂、故障种类繁多，如何快速、准确的诊断出变压器故障对于提高其运行维护水平和电力系统安全具有很强的理论及现实意义。目前变压器故障诊断方法主要是使用模式识别领域中的单分类器方法，将油中溶解气体分析技术DGA(Dissolved Gas Analysis)采集到的目标变压器中各个时间监测点的氢气H₂、一氧化碳CO、甲烷CH₄、乙烯C₂H₄、乙烷C₂H₆、乙炔C₂H₂和二氧化碳CO₂等七种气体的含量，及各个时间监测点对应的变压器运行状态(包括“正常、低温过热故障、中温过热故障、高温过热故障、局部放电故障、低能放电故障、低能放电兼过热故障、电弧放电故障、电弧放电兼过热故障”)作为数据样本进行训练，从而得到基于单分类器的变压器故障诊断模型，该过程主要包括三个部分，分别是构造样本集、分类器训练、故障诊断。

构造样本集是将变压器历史运行记录转化为模式识别算法可读的数据样本集，即将油中溶解气体分析技术DGA采集到的各个时间监测点的七种气体含量作为模式识别算法的输入向量，将各个时间监测点对应的变压器运行状态作为模式识别算法的输出向量。

分类器训练是将样本集输入到已选定的某种模式识别算法，通过对样本集的训练，得到精度满足要求的分类器，并将分类器作为变压器故障诊断模型。这是整个故障诊断过程最重要的一步。

故障诊断是将待诊断记录样本输入分类器，从而得到故障诊断结果。

目前变压器故障诊断方法，主要是利用决策树、神经网络、支持向量机等单分类器方法，而这些单分类器方法均为不稳定分类算法，所谓不稳定分类算法就是指训练样本集发生一个微小的变化，分类器的分类结果就会产生巨大变化。虽然经多年研究，通过各种群智能优化算法已使单分类器的稳定性有所提高，但其仍存在误差相对较大、易出现过拟合现象、计算过程复杂等难以克服的问题。为此本发明采用集成学习Bagging算法，并使用球向量机BVM作为Bagging算法的弱学习算法，完成变压器故障诊断，有效改善了诊断精度。

发明内容

针对上述背景技术中提到的基于单分类器的故障诊断技术因易出现过拟合现象而导致的诊断误差大、计算过程复杂等不足，本发明提出了一种基于集成学习Bagging算法的变压器故障诊断方法。

本发明的技术方案是，基于集成学习Bagging算法的变压器故障诊断方法，其特征是所述方法包括以下步骤：

步骤1：数据采集及数据预处理，得到初始历史数据样本集S；

步骤2：将初始历史数据样本集S构造成集成学习Bagging算法中弱学习算法可读的数据集S_sample，选定球向量机BVM作为弱学习算法；

步骤3：选定球向量机BVM作为集成学习Bagging算法中的弱学习算法并对该弱学习算法循环调用，完成样本集S_sample的训练，从而得到弱学习机序列，序列中包含各代弱学习机h_i，该序列即为强学习机H；

步骤4：将强学习机H作为故障诊断模型，并将当前待故障诊断的数据样本输入到强学习机H，强学习机H利用其各个弱学习机h_i做初步故障诊断，进而以投票的方式判定当前待测数据样本的故障类别，得票数多的故障类别即为强学习机H的最终诊断结果；

所述步骤1包括以下步骤：

步骤1.1：数据采集：采集目标变压器各个时间监测点的气体含量及运行状态；

步骤1.2：数据预处理：设定时间监测点的气体含量及运行状态的特征属性，构成初始历史数据样本集S。

所述步骤1.1中数据采集的方法为油中溶解气体分析技术DGA。

所述步骤1.1中气体包括氢气H₂、一氧化碳CO、甲烷CH₄、乙烯C₂H₄、乙烷C₂H₆、乙炔C₂H₂和二氧化碳CO₂。