針對電力變壓器各故障類別間案例數(shù)量不平衡導致的神經(jīng)網(wǎng)絡(luò)等傳統(tǒng)機器學習診斷方法準確率較低,及各故障類型之間識別效果差距大的問題,基于層次分類和集成學習的思想,構(gòu)造了一種多級層次變壓器故障診斷模型。該方法根據(jù)每級類別樣本的不平衡程度分級建立相應(yīng)的分類器,逐級深入進行診斷。第1級分類器選取神經(jīng)網(wǎng)絡(luò),提取正常、放電故障和過熱故障3種廣義特征標簽,并與原始參量輸入進行特征融合,以引導DL/T722—2014中采用的9種更細致的狀態(tài)類型分類;第2級分類器采用EasyEnsemble集成學習方法,通過欠采樣生成多個數(shù)據(jù)平衡的訓練子集,充分平衡了多數(shù)類和少數(shù)類故障信息,再通過并行訓練子分類器合成最終分類器,避免了欠采樣丟失數(shù)據(jù)信息的問題。實驗結(jié)果表明:與傳統(tǒng)診斷方法相比,所提出的方法提升了少數(shù)類故障的泛化特性,使總體準確率提升了7%,具有更準確和更平衡的電力變壓器故障診斷效果。 

【文章來源】：高電壓技術(shù). 2020,46(01)北大核心

【文章頁數(shù)】：9 頁

【參考文獻】：
期刊論文
[1]不平衡數(shù)據(jù)挖掘方法綜述[J]. 向鴻鑫,楊云.  計算機工程與應(yīng)用. 2019(04)
[2]基于四階段預處理與GBDT的油浸式變壓器故障診斷方法[J]. 廖偉涵,郭創(chuàng)新,金宇,龔霄.  電網(wǎng)技術(shù). 2019(06)
[3]基于鄰域粗糙集與多核支持向量機的變壓器多級故障診斷[J]. 李春茂,周妺末,劉亞婕,高波,吳廣寧.  高電壓技術(shù). 2018(11)
[4]基于蝙蝠算法優(yōu)化最小二乘雙支持向量機的變壓器故障診斷[J]. 陳歡,彭輝,舒乃秋,張開軒,魏岸.  高電壓技術(shù). 2018(11)
[5]基于深度多任務(wù)學習的層次分類[J]. 趙其魯,李宗民.  計算機輔助設(shè)計與圖形學學報. 2018(05)
[6]電力設(shè)備狀態(tài)大數(shù)據(jù)分析的研究和應(yīng)用[J]. 江秀臣,盛戈皞.  高電壓技術(shù). 2018(04)
[7]基于油中氣體分析的變壓器故障診斷ReLU-DBN方法[J]. 代杰杰,宋輝,楊祎,陳玉峰,盛戈皞,江秀臣.  電網(wǎng)技術(shù). 2018(02)
[8]基于滑動窗口和聚類算法的變壓器狀態(tài)異常檢測[J]. 嚴英杰,盛戈皞,劉亞東,杜修明,王輝,江秀臣.  高電壓技術(shù). 2016(12)
[9]變壓器故障診斷用油中溶解氣體新特征參量[J]. 汪可,李金忠,張書琦,孫建濤,王健一,高飛,程渙超.  中國電機工程學報. 2016(23)
[10]采用遺傳算法優(yōu)化裝袋分類回歸樹組合算法的變壓器故障診斷[J]. 黃新波,李文君子,宋桐,王巖妹.  高電壓技術(shù). 2016(05)



本文編號：3067179