[发明专利]一种基于混合采样和代价敏感的配电变压器故障诊断方法

说明书

本发明公开了一种基于混合采样和代价敏感的配电变压器故障诊断方法，包括：采集变压器不同状态下的振动数据，并进行特征提取，构成新的样本集；对新的样本集进行混合采样，采用Tomek Links对过采样后产生的新样本集进行数据清洗，将其分成训练集和测试集；引入代价因子，构造代价敏感的多分类SVM，利用训练集训练多分类SVM；利用测试集验证训练过的代价敏感多分类SVM分类器的分类效果，将验证过的分类器应用于配电变压器的故障诊断。本发明能够可靠地完成变压器状态检测，克服了不平衡数据集对分类器产生的不良影响，提高了正、异常样本的可分离性，有效解决了类别之间数据重叠的问题，还提高了分类器对变压器故障样本的识别能力以及分类准确度。

技术领域

本发明涉及配电设备异常检测的技术领域，尤其涉及一种基于混合采样和代价敏感的配电变压器故障诊断方法。

背景技术

变压器是配电网的关键设备之一，承担着电压变换，电能分配和传输等重要任务，其运行的可靠性直接影响到电网的安全运行。虽然我国电气设备研发制造技术日渐精良，但变压器在实际运行过程中，长期负荷过高、运行环境条件恶劣等多种消极因素仍诱发变压器发生故障。一旦变压器出现故障，可能导致大面积停电事故，从而造成巨大的经济损失。因此，掌握变压器运行状态对提高变压器运行维护水平，确保电力系统安全稳定运行具有显著的积极作用。

振动分析法是目前变压器状态检测的研究热点之一。变压器运行时产生的振动信号主要是源自受磁致伸缩引起的铁芯振动和受电磁力作用产生的绕组振动。通过分析传感器采集的变压器表面振动信号，可以监测变压器铁芯压紧力变松故障和绕组变形、松动等故障。该方法的优势在于振动传感器被安装在变压器箱体表面用以采集振动信号，与电力系统之间没有电气连接，能够不影响变压器运行状态的同时有效地检测变压器运行状况。

随着大数据时代的到来，利用人工智能技术对变压器运行状态进行分类成为趋势。传统分类器通常需要使用大量的故障数据进行分类训练，然而实际应用中不同工况下的变压器表面振动数据样本不完备，采集到的数据往往是正常运行的数据。变压器样本数据集的类别不均衡会导致用于故障诊断的分类器因学习不到足够的故障样本信息而出现对故障类识别能力低，诊断误差大等问题。

目前，解决数据不平衡问题的方法主要归纳为数据层面和算法层面。数据层面的解决思想可概括为针对数据稀少问题，通过改变训练集样本分布，降低或消除不平衡性。数据重采样是数据层面最具代表性的方法，主要分为以下三种：欠采样、过采样以及结合欠采样和过采样方法的混合采样。算法层面的目的是通过改进算法以提高对少数类样本的识别率，典型方法有代价敏感法、集成学习法等。代价敏感学习的基本思想是在传统学习算法的基础上引入代价敏感因子，通过改进分类器模型的内部构造，使得模型在训练时更关注错误代价较高的类别，把分类错误总代价最低作为优化目标，目前，主流的分类算法——人工神经网络、SVM和决策树等都有相应的代价敏感扩展算法。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统分类器通常需要使用大量的故障数据进行分类训练，然而实际应用中不同工况下的变压器表面振动数据样本不完备，采集到的数据往往是正常运行的数据；变压器样本数据集的类别不均衡会导致用于故障诊断的分类器因学习不到足够的故障样本信息而出现对故障类识别能力低，诊断误差大等问题。