[发明专利]一种变压器故障诊断方法

权利要求书

1.一种变压器故障诊断方法，其特征在于，包括数据预处理、DBSO算法优化CatBoost模型和故障诊断三个部分。将采集到的变压器DGA样本数据进行数据预处理，将其划分为测试集、训练集和验证集；使用DBSO算法优化CatBoost模型，并利用训练集和验证集训练该模型，得到最优模型；最后利用该模型对测试集的数据进行故障诊断，并进行模型评价。

2.根据权利要求1所述的DGA样本数据预处理方法，其特征在于,主要是对采集到的DGA样本数据进行特征提取、降维、归一化等处理，并将其进行序列划分。

3.根据权利要求1所述的DBSO算法优化CatBoost模型，其特征在于，利用DBSO算法优化CatBoost模型中的参数：设置CatBoost模型的4个超参为DBSO的个体，利用DBSO算法进行CatBoos参数寻优。

4.根据权利要求1所述的故障诊断部分，其特征在于，利用训练好的模型对采集到的变压器DGA数据进行故障诊断。

5.根据权利要求2所述的特征提取，其特征在于，采用交互式比值形式添加DGA数据特征：选取H2、CH4、C2H6、C2H4、C2H2的浓度值为变压器故障诊断的属性，因此数据属性的交互式比值形式有以下四种：N1/N2、N1/(N3+N4)、N1/(N3+N4+N5)、N1/(N3+N4+N5+N6)，其中N1、N2、N3、N4、N5、N6为DGA数据任意不同的属性。

6.根据权利要求2所述的特征提取，其特征在于，采用沙普利加和解释法(SHAP)对交互比值法后的数据进行特征提取：SHAP法构建一个加性的解释模型，核心思想是计算特征对模型输出的边际贡献，再从全局和局部两个层面对“黑盒模型”进行解释。所有的特征都视为“贡献者”，对于每个预测样本，模型都产生一个预测值，SHAP值就是该样本中每个特征所分配到的数值。

7.根据权利要求2所述的降维，其特征在于，采用核主成分分析法(KPCA)进行数据降维：KPCA通过将原数据映射到更高维空间，实现数据的非线性映射，并利用主成分分析将数据从高维线性降维。

8.根据权利要求2所述的归一化，其特征在于，采用区间值化法对数据进行归一化处理，将数据按比例缩放特定区间，避免数值之间的相互影响。

9.根据权利要求3所述的CatBoost模型，其特征在于，需要采用寻优算法来调节模型的参数：若采用手动调节参数，不仅调参时间长，而且很难寻找到参数的全局最优点；若采用网格搜索法调参方式，所需时间过长，且调参范围较为局限。

10.根据权利要求3所诉的DBSO寻优算法，其特征在于，采用聚类思想搜索局部最优，通过局部最优的比较得到全局最优；采用变异思想增加算法多样性，避免算法陷入局部最优。

11.根据权利要求10所诉的聚类思想，其特征在于，采用K-means聚类算法按照个体间的距离将个体集聚成k类，将适应度函数值最优的个体作为聚类中心。

12.根据权利要求10所述的变异思想，其特征在于，采用差分进行变异，变异量可根据群内个体的离散程度自适应调节，可以更好的共享信息，提高搜索效率。