[发明专利]基于条件推断树和AdaBoost的变压器故障诊断装置及方法

说明书

本发明公开了一种基于条件推断树和AdaBoost的变压器故障诊断装置及方法，该装置包括系列数据输入接口，条件推断树持续机器学习模型实现模块，AdaBoost持续机器学习模型实现模块，择优数据输出选择器和预测数据输出模块。本发明通过硬件形式将算法封装的训练结果模型封装在模块中，并选用多核心CPU作为硬件支撑，提高了系统运行效率；并且利用择优数据输出选择器根据模型输出结果周期性的对两个模型进行重新训练，从而实现不同变压器的自适应模型调整，实现学习模型的持续学习和自我改进。

技术领域

本发明属于变压器故障诊断技术领域，具体涉及一种基于条件推断树和AdaBoost的变压器故障诊断装置及方法。

背景技术

电力变压器是电力系统中至关重要的设备之一，其运行状况直接关系到电力系统的安全稳定运行。变压器状态评估及其分支课题基于时间序列数据的故障检测，一直是业内重点研究的课题，对电网的稳健运行具有重要的意义。

随着能源互联网的发展，传统评估方案以及单一的机器学习变压器评估方案的尝试已经被初步探索，这些方法虽然有一定的效果，但存在着故障判断准确度低，外界环境变化无法及时更新等问题。近些年来学者们提出了一些更层次的机器学习的算法来对诊断方法进行升级，但仍然存在着一些缺点，如：模糊聚类法对于大规模的样本分类效果不理想；SVM同样对大规模训练样本难以适用等。

发明内容

基于现有技术中存在的以上问题，本发明的目的在于提供一种基于条件推断树和AdaBoost的变压器故障诊断装置及方法。

为了实现以上目的，本发明采用的技术方案为：

一种基于条件推断树和AdaBoost的变压器故障诊断装置，包括：

系列数据输入接口，用于适配电力系统的通信接口，整合历史状态数据和历史环境数据；

条件推断树持续机器学习模型实现模块，用于调用内部封装的条件推断树算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；

AdaBoost持续机器学习模型实现模块，用于调用内部封装的AdaBoost算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；

择优数据输出选择器，用于接收所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块输出的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；

预测数据输出模块，用于将所述择优数据输出选择器选择的预测结果进行输出。

进一步地，所述系列数据输入接口具体用于输入因变量和多列自变量数据，所述因变量数据包括状态因子，所述自变量数据包括环境数据、油色谱采集数据和运行状态数据。

进一步地，所述择优数据输出选择器具体用于对所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级。

进一步地，所述预测数据输出模块具体包括显示单元和/或HTTP接口，所述显示单元用于向用户展示所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，所述HTTP接口用于将所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部系统。