[发明专利]一种电力变压器最优集总分类故障诊断方法

权利要求书

1.一种电力变压器最优集总分类故障诊断方法，其特征在于，具体包括以下步骤：

步骤1：进行DGA样本数据进行归一化以及自适应样本过采样融合处理、对测试集合与非测试集合进行划分，以及对非测试集合中训练集合和验证集合进行划分；

步骤2：对每种电力变压器的正常/故障类型，以最小化故障分类误差和最小特征数量为目标，基于特征指标进行最优子集选择并对最优特征指标数量进行优化，构造Pareto最优空间上的非支配特征向量可行解集；

步骤3：对每种电力变压器的正常/故障类型，构造通过单一分类算法筛选得到的分类器集合，基于非支配特征向量可行解集，对每一可行解以误分类率最小和算法分类差异性最大为目标，结合训练集合对分类器集合中的分类器性能参数进行优化训练，并基于参数优化后的分类器集合对Pareto最优空间上的非支配特征向量可行解集的最优特征子集进行求解；

步骤4：通过验证集合得到非支配特征向量可行解集对应的分类器集合的性能验证，结合此性能验证，搜索综合性能最优的分类器集合可行解，将其作为最优分类器集合向量，并结合测试集合对最优特征向量以及最优分类器集合的综合性能进行测试验证；

步骤5：对每种电力变压器的正常/故障类型对应的优化训练并测试验证后的最优分类器集合的输出故障类型概率结果进行信息融合，得到对应电力变压器正常/故障类型的综合分类结果，将其作为最终决策结果。

2.根据权利要求1所述的电力变压器最优集总分类故障诊断方法，其特征在于，特征指标为变压器油中溶解气体成分及其比率。

3.根据权利要求1所述的电力变压器最优集总分类故障诊断方法，其特征在于，在步骤1中，自适应样本过采样融合过程，具体包括以下步骤：

步骤1.1：按照电力变压器故障类型将DGA总体数据集D_total划分为四个数据子集，分别为D_N、D_PD、D_ED和D_OH，将待均衡两类数据子集分别标识为少数样本集D₊₁和多数样本集D_—1，其样本数量分别为N₊₁和N_—1，索引集合分别为I₊₁和I_—1；

步骤1.2：根据公式(1)计算待融合少数样本集的样本数Δ，即

Δ＝(N_-1-N₊₁)×β (1)；

其中，β为N₊₁和N_—1之间的平衡度(β∈[0,1])；

步骤1.3：对于每个少数数据集样本x_i，i∈I₊₁，根据公式(2)计算其相对k的邻近比率r_i，

ri=ki+1ki-1---(2);]]>

其中，k_i⁺¹为样本x_i在少数样本集D₊₁中基于欧氏距离计算的与k最邻近的样本个数，k_i^-1为样本x_i在多数样本集D_—1中基于欧氏距离计算与k最邻近的样本个数；

步骤1.4：对邻近比率r_i进行归一化处理，根据公式(3)计算其密度分布：

r^i=riΣi∈I+1ri---(3);]]>

步骤1.5：构造基于高斯分布的加权过采样概率密度估计函数，如公式(4)所示：

p^(x)=1N+hΣi∈I+1r^i1(2πh)exp(-|x-xi|2h2)---(4);]]>

概率密度估计函数服从均值为x_i，标准差为h的高斯分布；

步骤1.6：从概率密度估计函数中采样待融合少数样本集的样本数Δ，构造融合少数数据集D^new₊₁＝D₊₁∪D_Δ。