[发明专利]基于多阶段的油浸式变压器故障数据预处理方法

权利要求书

1.基于多阶段的油浸式变压器故障数据预处理方法，其特征在于，具体操作过程包括以下步骤：

步骤1，采集油浸式变压器数据，对其进行孤立点检测；

步骤2，根据孤立点检测的结果，对油浸式变压器数据进行预处理得到待分析的数据集，实现数据预处理；

将步骤2得到数据集进行通过现有的分类算法进行训练得到故障诊断模型，实现变压器故障诊断，提高故障诊断的精度；

所述现有的分类算法为神经网络、支持向量机、极限学习算法中的任意一种或常见的可生成二分类器的算法；

所述步骤1的具体过程如下：

定义采集油浸式变压器数据为X＝{x₁,x₂,…x_n}，定义其中每个对象有m个属性，即x_i＝{x_i1,x_i2…x_im},i＝(1,2,…n)，为了降低误差，对输入的数据在[-1,1]进行归一化处理，归一化后的X记为X¹，如下矩阵所示：

计算归一化处理后各对象两两之间的相似系数r_ij，判断X中各对象的离散程度，并构成相似系数矩阵：

其中，

令p_i是相似系数矩阵i行的和，该值越小，说明对象i与其他对象的距离越远，即为孤立点集的候选项；

计算

其中，λ为阈值，λ_i≥λ的对象则被认为是孤立点集；

所述步骤2的具体过程如下：

步骤2.1，将步骤1得到的孤立点数据通过变压器监测中的标准规则I判断出错误数据；

步骤2.1，孤立点检测算法判断为孤立点组成集合，但由孤立点集中的数据并非都是错误数据，所以在检测出孤立点后还需结合规则I确实孤立点是否为错误数据，将步骤I得到的孤立点数据通过变压器监测中的标准规则I判断出错误数据；

规则I的内容如下：

由变压器相关的行业标准及导则组成：规定运行中变压器总烃含量应小于阈值150uL/L；

步骤1中当孤立点数据超此阈值150uL/L，被判断为错误值，进入DAG-ELMS故障诊断模型，反之剔除此条数据，不进行分析；

步骤2.2，将步骤1中得到的非孤立点数据按照变压器监测中约定的规则II判断出冗余数据和丢失数据，并通过数据填充算法和数据简约方法进行填充和简约。

2.如权利要求1所述的基于多阶段的油浸式变压器故障数据预处理方法，其特征在于，所述步骤2.2中的规则II的内容为：按照监测手段的固定数据采集周期进行扫描，某一周期数据缺失或增多，则分别为数据丢失或冗余。

3.如权利要求2所述的基于多阶段的油浸式变压器故障数据预处理方法，其特征在于，所述步骤2.2的具体过程如下：

按照规则II规定的扫描时间段内的应获取数据定义为a条，实际获取数据为b条，若发生a不等于b时，具体过程如下：

步骤2.2.1，若ab时，则认为该时段数据冗余；则对数据进行以下处理：

对于采集到的a中每一个样本x_i进行标记，通过随机抽样法选择b个数据进入待分析数据集；若ab时，则认为该时段数据缺失；则对数据进行SMOTE；

步骤2.2.2，对于采集到的a中每一个样本x_i，以欧氏距离为标准计算它到少数类样本集中所有样本的距离，得到其k近邻；

步骤2.2.3，根据样本不平衡比例设置一个采样比例以确定采样倍率N，N＝b/a，对于每一个少数类样本x_i，从其k近邻中随机选择若干个样本，假设选择的近邻为x_n；

步骤2.2.4，对于每一个随机选出的近邻x_n，分别与原样本按照如下的公式构建新的样本：

P_i＝X+rand(0,1)*(y_i-a) i＝1,2,…,n

式中，P_i为新生成的样本数据，a为选择的原始样本数据，rand(0,1)表示0与1之间的某一随机数，y_i为原始样本数据a的最近邻样本；

步骤2.2.5，将填充完整后的此时段内的数据结果放入待分析数据集。