[发明专利]基于主成分分析和随机森林相融合的变压器故障诊断方法

说明书

本申请实施例提供的基于主成分分析和随机森林相融合的变压器故障诊断方法，包括明确故障类型变压器的故障油色谱数据集比值升维为第一故障油色谱数据集后故障编码并用主成分分析模型消除各维度特征间的相关性，第一故障油色谱数据集调参优选至剩8个主要特征为第二故障油色谱数据集后，按0.8：0.2比例分为训练集和测试集，测试集检测训练集训练好的调参优选的随机森林分类模型即第一随机森林分类模型的故障诊断准确率，变压器油色谱数据输入故障诊断准确率不小于设定故障诊断准确率的第一随机森林分类模型即最终随机森林分类模型后得出诊断结果。比值升维与主成分分析模型结合，充分挖掘了故障油色谱数据集的信息量，故障诊断的准确率提高。

技术领域

本申请涉及变压器故障诊断领域，尤其涉及基于主成分分析和随机森林相融合的变压器故障诊断方法。

背景技术

电力变压器是一种静止的电气设备，是用来将某一数值的交流电压变成频率相同的另一种或几种数值不同的电压的设备。电力变压器是电力系统中重要的电气设备之一，发电厂和变电所通过电力变压器，将电压升高或降低至用电区域所需的电压后为各地供电。电力变压器发生故障会影响供电的可靠性，为了提高供电的可靠性，在电力变压器发生故障后及时修复至关重要。

为了在电力变压器故障后及时修复故障，现有技术通过电力变压器油中溶解气体分析技术，采用三比值法，根据气体的组分和含量来判断电力变压器的故障类型，然而，采用三比值法提取故障数据集中有效信息的效率较低，进而造成了判断电力变压器的故障类型的准确率较低。

发明内容

本申请提供了基于主成分分析和随机森林相融合的变压器故障诊断方法，以解决判断电力变压器的故障类型的准确率较低的技术问题。

为了解决上述技术问题，本申请实施例公开了如下技术方案：

第一方面，本申请实施例公开了基于主成分分析和随机森林相融合的变压器故障诊断方法，包括对已明确故障类型的变压器进行油色谱的检测，提取检测到的故障变压器的故障油色谱数据，将故障油色谱数据整合为故障油色谱数据集；

将故障油色谱数据集进行比值升维，将比值升维后的故障油色谱数据集作为第一故障油色谱数据集，并进行故障编码；

根据第一故障油色谱数据集中36个维度特征之间的相关性热力图，判断各维度特征间的相关性；

建立主成分分析模型，采用主成分分析模型消除各维度特征间的相关性，将第一故障油色谱数据集调参优选至剩余8个主要特征，并将调参优选至剩余8个主要特征的第一故障油色谱数据集作为第二故障油色谱数据集，第二故障油色谱数据集中包含第一故障油色谱数据集中99％的信息量，将第二故障油色谱数据集按照0.8：0.2的比例划分为训练集和测试集；

建立调参优选的随机森林分类模型，采用训练集训练随机森林分类模型，将训练好的随机森林分类模型作为第一随机森林分类模型，再采用测试集检测第一随机森林分类模型的故障诊断准确率，当第一随机森林分类模型的故障诊断准确率大于等于设定的故障诊断准确率时，将第一随机森林分类模型作为最终随机森林分类模型；

将新检测到的变压器油色谱数据输入到最终随机森林分类模型中进行故障诊断，得出变压器是否存在故障的诊断结果。

可选的，建立主成分分析模型，采用主成分分析模型消除各维度特征间的相关性，将第一故障油色谱数据集调参优选至剩余8个主要特征，并将调参优选至剩余8个主要特征的第一故障油色谱数据集作为第二故障油色谱数据集，第二故障油色谱数据集中包含第一故障油色谱数据集中99％的信息量，包括：

输入n维空间的样本集合X＝x¹,x²,···,x^m，其中xⁱ∈x^m，并映射到k维空间；

预处理，将样本均值变为0的公式为：