[发明专利]一种基于代价敏感和集成学习的变压器故障诊断方法

说明书

本发明公开了一种基于代价敏感和集成学习的变压器故障诊断方法，该方法包括：对多种变压器故障数据进行预处理，分为训练样本集和测试集；基于AdaCost算法建立变压器故障诊断模型；使用分布权重为D_t的训练样本集训练得到弱学习器h_t(x)；计算h_t(x)的学习误差率和在形成强分类器过程中所占的权重；引入代价因子，更新训练样本集中各样本的权重分布；反复迭代，直至学习误差率满足误差率要求的迭代次数，形成强学习器；将测试集输入所述强学习器中，进行投票确定故障类型。本发明提供的基于代价敏感和集成学习的变压器故障诊断方法，基于AdaCost算法，解决不平衡数据集下分类器整体精度低的问题，进而提高故障判断准确性。

技术领域

本发明涉及电力设备故障检测技术领域，特别是涉及一种基于代价敏感和集成学习的变压器故障诊断方法。

背景技术

利用机器学习等人工智能技术对电力设备大数据深度挖掘和分析是智能运维领域的大势所趋。电力变压器作为电力系统中重要电气设备之一，掌握其运行状态对提高电力变压器运行维护水平，确保电网安全运行均具有重要意义。由于电力变压器非正常状态样本极少，同时故障案例与异常样本信息存在缺失、不完善等问题，导致变压器样本数据集的类别数量分布不均衡。人工神经网络(artificial neural network，ANN)、支持向量机(support vector machine，SVM)等分类模型虽在变压器故障诊断方面已取得不错效果，但针对变压器不平衡样本集，由于其通常以损失值最小或类别间隔最大为训练目标，类别间隔面将向类别中样本分布比较稀疏的方向移动，因此，故障样本的漏判率远高于正常样本，其无法保证故障样本的分类精度，这将给电力系统，乃至社会经济和生活带来重大的损失。

非均衡数据集的类别数量分布极端不均衡，在机器学习模型进行分类任务的分析预测，会出现过拟合、欠拟合等问题，极大降低了机器学习模型的准确性和鲁棒性。对于非均衡数据集的研究是机器学习领域的焦点与难题。目前，业界学者针对提高少数类样本的分类性能进行了大量研究，提出的方法主要归纳为算法和数据2个层面。

数据层面主要包括欠采样和过采样。其本质是通过增加少数类样本或减少多数类样本达到样本均衡化。非均衡数据集的处理方法主要分为随机过采样、随机欠采样、均衡采样、合成少数类过采样4种。但是，

算法层面主要以代价敏感法为主，目前已被广泛应用于图像识别、医学诊断、信用评分等众多领域。代价敏感学习方法主要有以下3种实现方式：

(1)从学习模型出发，着眼于对某一具体学习方法的改造，使之能适应不平衡数据下的学习，如感知机，支持向量机，决策树，神经网络等分别都有其代价敏感的版本。以代价敏感的决策树为例，可从3个方面对其进行改进以适应不平衡数据的学习，这3个方面分别是决策阈值选择、分裂标准选择以及剪枝方面，通过在其中引入代价矩阵引入实现模型本身对不平衡数据集的适应性。

(2)从贝叶斯风险理论出发，把代价敏感学习看成是分类结果的一种后处理，按照传统方法学习到一个模型，以实现损失最小为目标对结果进行调整。

(3)从预处理的角度出发，将代价用于权重的调整，使得分类器满足代价敏感的特性，即在分类器训练过程中通过提高代价高的误分类样本对应的权重进而使得分类器更关注该类样本。其代表的算法是基于集成学习的AdaCost算法。

在诸多运用代价敏感算法的讨论中，代价矩阵中的各元素，即各类别之间的误诊代价往往是由领域专家综合领域知识给出的，具有一定的主观性。但在实际变压器故障诊断中，各故障之间误诊代价很难准确给出，需要领域专家综合领域知识以及反复的试验，综合考虑故障严重程度、故障性质等因素；同时，由专家打分确定的代价矩阵难免会具有较强的主观性。

发明内容