[发明专利]基于自适应增强学习的主变压器故障诊断方法

说明书

本发明为基于自适应增强学习的主变压器故障诊断方法,包括模型参数确定部分，实施预测部分，其特征在于，通过在分类过程中对错误记录进行收集及重新分类的自适应学习，提高了该诊断方法的准确率，并消除了一般分类方法中出现的过拟合现象。其有益效果是：利用变压器台账数据、油色谱历史数据、故障分析报告等数据进行模型学习和训练，建立主变压器油色谱诊断机器学习模型；对当前设备数据进行相应的诊断分析，根据历史模型得到相应的设备当前状态指标及预计故障模式。

技术领域

本发明涉及变压器缺陷、故障分析领域，特别是一种基于自适应增强学习的主变压器故障诊断方法。

背景技术

目前对于变压器故障的诊断除了常规的元器件诊断方式外，最主 要的诊断方式为三比值判断方法，即C2H2/C2H4、CH4/H2、C2H4/C2H6 作为输入的特征。输出故障类型，分为正常(无故障)，短路故障， 局部放电故障，过热故障和其他，这种算法可以起到一定的诊断作用， 但是由于参数较少，存在较大的误差和较多的错误诊断情况。

增加诊断参数可以提高诊断准确度，但是会增加诊断数据的数学维度，增加学习和计算的难度，采用计算能力较强的计算设备会产生较高的诊断费用，得不偿失，而对于一些非数学的参数，也不可能通过降维方式实现对数学维度的控制。

发明内容

本发明的目的是为了解决上述问题，设计了一种基于自适应增强学习的主变压器故障诊断方法。具体设计方案为：

从初始训练集训练出一个基学习器，获得一次基础训练样本，

所述调整步骤中，根据基学习器的表现对一次基础训练样本分布进行调整，使得先前基学习器做错的训练样本在后续得到纠正，获得一次调整训练样本和对应的权重值，

交替进行的第二次学习步骤中，基于所述一次调整训练样本分布来训练下一个基学习器，获得二次基础样本，

交替进行的第二次调整步骤中，根据基学习器的表现对二基础训练样本分布进行调整，使得先前基学习器做错的训练样本在后续得到纠正，获得二次调整训练样本和对应的权重值，

依次交替进行学习步骤、调整步骤T次。

基于自适应增强学习的主变压器故障诊断方法，其特征在于，所述设备台账数据的参数包括设备名称、电压等级、设备类型、设备型号、生产厂商、出厂日期、投运日期、设备型式。

所述的基于自适应增强学习的主变压器故障诊断方法，其特征在于，所述色谱在线监测数据的参数包括单位、变电站、设备名称、生产厂家、监测时间、一氧化碳、二氧化碳、氧气、氢气、甲烷、乙炔、乙烯、乙烷、总烃。

所述的基于自适应增强学习的主变压器故障诊断方法，其特征在于，绝缘油试验作业报告的参数包括作业任务、作业开始时间、作业结束时间、工作地点、气温、湿度、天气、地点、间隔、功能位置、设备名称、型号、厂家、出厂编号、出厂日期，氢气、甲烷、乙炔、乙烯、乙烷、总烃、一氧化碳、二氧化碳、脱气量，水分分析第一、二、三次记录，上层油温，介损测试第一、二、三次记录，闪点测定第一、二次记录、平均值、修正值、检测结果，水溶性酸测试油样体积、蒸馏水体积、指示剂选用、PH值（比色）数据，酸值测定记录油重、KOH-C2H5OH溶液浓度、空白试验Vs0、空白试验Ve0、空白试验V0、样品试验、Vs0、样品试验Ve0、样品试验V0、酸值X数据，界面张力测试水与空气表面张力、油-水界面张力、检测仪器数据，含气量测试第一、二次、平均值数据，油颗粒度测试第一、二、三次、平均值数据，作业结论。

所述的基于自适应增强学习的主变压器故障诊断方法，其特征在于，所述加权步骤中，将这T次基学习器进行加权结合，基于“加性模型”，即基学习器的线性组合来最小化指数损失函数的分析算法。