[发明专利]基于k-邻近SMOTE和深度学习的变压器故障诊断方法

摘要

本发明公开了一种基于k‑邻近SMOTE和深度学习的变压器故障诊断方法，包括对初始不平衡样本集做预处理、DNN神经网络训练、诊断测试步骤。本发明在进行插值前，先对少数类样本进行聚类，以聚类划分的区域进行插值，避免了在插入数据的过程中由于存在泛化性而导致数据分布边缘化以及模糊正负类边界的问题；生成的插值在簇心和原始少数类样本点的连线上，这样就不会存在数据分布边缘化的情况，改善了诊断效果。

主权项

1.一种基于k‑邻近SMOTE和深度学习的变压器故障诊断方法，其特征在于：包括以下步骤：步骤1：对初始不平衡样本集做预处理：步骤1‑1：计算油色谱溶解气体样本集的CH₄/H₂、C₂H₂/C₂H₄、C₂H₄/C₂H₆、C₂H₂/(C₁+C₂)、H₂/(H₂+C₁+C₂)、C₂H₄/(C₁+C₂)、CH₄/(C₁+C₂)、C₂H₆/(C₁+C₂)、(CH₄+C₂H₄)/(C₁+C₂)的，得到无编码比值，其中C₁是以CH₄为代表的一阶碳氢化合物，C₂是以C₂H₆、C₂H₂、C₂H₄为代表的二阶碳氢化合物；步骤1‑2：按比例划分样本集，得到无编码比值的训练数据和无编码比值的测试数据；(x_train，y_train)_number＝ζN     (1)(x_test，y_test)_number＝(1‑ζ)N     (2)其中(x_train，y_train)_number为训练样本数量，(X_test，y_test)_number为测试样本数量，N为样本集总数量，ζ为(1，0)的随机数；步骤1‑3：少数类样本中无编码比值的训练数据进行新样本合成，得到均衡的训练样本集：x_inew＝x_i+ζ(x_in‑x_i)     (3)其中，x_i为无编码比值的训练数据中少数类样本中的点，x_in为x_i的k个近邻点中的点，x_inew为均衡的训练样本集中的点，ζ为一个0到1之间的随机数；步骤1‑4：无编码比值的测试数据不进行处理，作为诊断测试的输入；步骤2：DNN神经网络训练，包括以下步骤：步骤2‑1：均衡的训练样本集作为特征量输入DNN神经网络，DNN神经网络开始特征学习和训练，均衡的训练集的输入信号由9个属性描述，输入信号的9个属性分别是CH₄/H₂、C₂H₂/C₂H₄、C₂H₄/C₂H₆、C₂H₂/(C₁+C₂)、H₂/(H₂+C₁+C₂)、C₂H₄/(C₁+C₂)、CH₄/(C₁+C₂)、C₂H₆/(C₁+C₂)、(CH₄+C₂H₄)/(C₁+C₂)。9种气体产期速率比值；输出信号为7维实值向量；输出信号的7维实值向量分别为变压器正常状态以及局部放电、火花放电、电弧放电、低温过热、中温过热和高温过热故障状态；步骤2‑2：通过误差信号的反向传播和梯度下降法，不断修改、更新各层神经元的阈值θ_i′←θ_i+△θ_i以及连接权重w_i←w_i+Δw_i，使误差值达到最小，过程如下：对于训练集(x_k，y_k)，神经网络的输出为神经网络在上的均方误差为：给定学习率η∈(0，1)：令第i个神经元的输入为β_i：步骤3：诊断测试：将无编码比值测试数据作为特征量输入已训练好的DNN神经网络；输出模型的性能度量表，性能度量表包括故障类型、准确率(P)、召回率(R)、F1分数以及宏F1分数。