[发明专利]分类器创建方法及变压器局部放电故障模式识别方法

说明书

技术领域

本发明涉及电力设备状态诊断领域，具体涉及一种基于随机森林算法的分类器创建方法及变压器局部放电故障模式识别方法。

背景技术

变压器局部放电是造成变压器绝缘老化、损伤，引起电力事故的主要原因之一。因此，完善运行中变压器局部放电的诊断方法，对提高电力变压器运行的可靠性和安全性具有重要意义。

目前，变压器局部放电的故障诊断主要以阈值诊断为主，即当放电量超过某一设定的最小放电量预警值时则由系统进行预警，然后由运行试验人员进行判断后处理。但阈值法相对单一、能够提供的信息量少，无法提供局部放电放电性质、类型等更丰富的信息。因此，大量的科学研究者们将目光放在了局部放电放电模式的识别上，并取得了一定的进展。目前局部放电模式识别的主要方法是首先将放电划分为几种已知类型，然后对每种类型的局部放电进行大量的试验，从中提取出代表该类放电模式的特征参数，并对得到的特征参量建立图谱库，最后采用智能算法对得到的几类图谱数据进行训练，最终达到分类的效果。在分类的过程中最常采用的智能算法包括神经网络、支持向量机、遗传算法等。这些算法都能取得比较好的效果，但值得注意的是，局部放电的模式识别往往在准确率和时间上难以同时兼顾。想要取得比较好的训练效果往往需要大量的训练数据和训练时间。

发明内容

本发明为了解决上述技术问题提供一种分类器创建方法及变压器局部放电故障模式识别方法，其在保证准确率的同时，大大缩短了时间。

本发明通过下述技术方案实现：

分类器创建方法，包括以下步骤：

分别选取电晕放电、气隙放电、沿面放电三类局部放电的多组特征数据作为训练集和测试集，每个特征数据包括N个属性，其中，N为大于1的自然数；

对训练集采用Bootstrap方法进行重采样，随机产生训练集；

利用每个训练集生成对应的决策树，在每个非叶子节点上选择属性前，从N个属性中随机抽取m个属性作为当前节点的分裂属性集，并以这m个属性中分类准确率最高的分裂方式对该节点进行分裂，其中，m小于N；

利用决策树对测试集进行测试，得到对应的类别，将决策树中输出最多的类别作为该测试集所属的类别。

随机森林在每一棵决策树分类的过程中都是完全分裂，虽然随机森林中的每一棵数都很弱，但大家组合起来投票选择众数作为测试集的输出类别，就使得分类准确率大大提高。训练中适量的数据即可产生较多的决策树，实现其分类的准确率。随机森林能够直接产生多类别的分类结果且每棵树都是独立生长，因此可以进行并行化加速，不需要太多的训练数据和训练时间。

作为优选，每个特征数据包括24个属性，所述24个属性包括和的不对称度Asy和互相关系数Cc，和的偏斜度Sk、陡峭度Ku、峰值Peak。其中，表示平均放电量相位分布二维谱图，表示最大放电量相位分布二维谱图，表示放电次数相位分布谱图。和分别表示正半周平均放电量相位分布二维谱图、负半周平均放电量相位分布二维谱图。表示正半周最大放电量相位分布二维谱图，表示正负半周最大放电量相位分布二维谱图，表示正半周放电次数相位分布谱图，表示负半周放电次数相位分布谱图。

作为优选，所述分类准确率最高的分裂方式的确认方法为：

将m个属性划分为n类，其中每一类的比例Pi为Pi＝第i类的个数/m，i＝1、2、3、……、n；

计算训练集的熵Info(D)，

分别计算m个属性划分样本集后训练集的熵Info_y(D)，其中，V为各属性将训练集划分类的数量，y＝1、2、3、……、m；

计算信息增益Gain(A)：Gain(A)＝Info(D)-Info_A(D)，

根据信息增益Gain(A)判断分类准确率最高的分裂方式。

变压器局部放电故障模式识别方法，包括以下步骤：

将特征数据输入到采用由上述方法创建的分类器中，以输出识别类别。

由于采用上述方法创建的分类器其决策树节点采用分类准确率最高的分裂方式进行分裂的，可有效地提高分类的准确性；且分类器采用随机森林算法能够直接产生多类别的分类结果，且随机森林中的每棵树都是独立生长，因此可以进行并行化加速，大大提高分类识别速度。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明采用随机森林算法对分类器进行创建，其分类树的创建以分类准确率最高的分裂方式进行分裂，且分类树的独立成长，可并行运行，其在保证准确率的同时，大大缩短了识别时间。

附图说明