[发明专利]一种基于大数据分析的变压器缺陷评估方法

权利要求书

1.一种基于大数据分析的变压器缺陷评估方法，其特征在于：包括以下步骤：

S1：采集数据：采集海量准实时数据服务平台、地理信息系统、气象数据、集控子站系统、视频监控系统、资产管理系统、集控管理主站的数据；

S2：数据预处理：对采集的数据进行去重处理、异常值处理、缺失值处理；

S3：对数据集进行挖掘，建立缺陷特征向量；

S4：构建基于XGBoost算法的变电变压器缺陷趋势评估模型，根据所述缺陷特征对变压器运行健康度进行评价。

2.根据权利要求1所述的一种基于大数据分析的变压器缺陷评估方法，其特征在于：所述步骤S2中对数据进行缺失值处理具体为：采用平均值代替缺失值数据并做平滑化处理。

3.根据权利要求1所述的一种基于大数据分析的变压器缺陷评估方法，其特征在于：所述步骤S3中的缺陷特征包括绕组缺陷、铁芯缺陷、主绝缘缺陷、引线缺陷、分接缺陷和套管缺陷。

4.根据权利要求1所述的一种基于大数据分析的变压器缺陷评估方法，其特征在于：所述步骤S4具体包括以下步骤：

S41：正则化学习目标函数：

对于给定的m个特征、n个样本的训练集，D＝{(x_i，y_i)}(i＝1，2，...，n，x_i∈R^m，y_i∈R，|D|＝n)，树的集成模型为K个子函数相加获得的最终输出，如下式所示：

式中，F＝{f(x)＝w_q(x)，}(q：R^m→T，w∈R^T)；

其中，代表预测值，K代表CART树的数量，q代表样本映射到相应的叶子节点的决策规则，T代表一棵树的叶子节点数量，f代表CART树，f_k代表第k棵决策树，w代表叶子的权重，F所有CART树的集合；

XGBoost算法在训练模式是：保留前一次t-1轮的预测不变，加入新的函数f_t到模型中，则：

…

最小化下列正则化目标函数：

其中，L为损失函数，用于描述模型模拟数据的程度；Ω为正则化项，用于描述模型复杂程度，γ为复杂参数，λ为固定系数，T为树的叶子节点数量；

S42：采用梯度树提升算法：

用表示第t次迭代的第i个实例，并将f_t添加到下列目标函数中：

使用二阶近似优化上述目标函数，则：

其中，为一阶偏导数，为二阶偏导数，去除常数项，获得简化的目标函数为：

其中I_j＝{i|q(x_i)＝j}，为叶子节点j的实例，对于一个固定的结构q(x)，可以计算叶子节点j的最优权重由此可以计算出对应的最优值：

用贪婪算法，迭代添加枝干，：I_L、I_R分别为分割点左边和右边的样本集，且I＝I_L∪I_R，则损失函数减少量如下所示：

上式用来评价分割的候选节点；

S43：采用建立的目标函数评估变压器缺陷趋势：

根据模型输出的变压器运行健康度的预测值，判断变压器状态，分值越高表示变压器越健康，分值按照健康度分为缺陷、健康两种。