CN110596492A - 一种基于粒子群算法优化随机森林模型的变压器故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于粒子群算法优化随机森林模型的变压器故障诊断方法，首先以变压器油中溶解气体分析数据的无编码比值作为特征向量输入，划分训练集和测试集；然后构建随机森林模型，并通过粒子群优化算法对随机森林模型进行优化，获得两个最优参数；最后以获得的最优参数重新建立随机森林模型来识别变压器的故障类型。该方法有效提升了变压器的故障诊断正确率，为运维人员正确判断变压器的运行状况提供可靠依据。

Description

一种基于粒子群算法优化随机森林模型的变压器故障诊断 方法

技术领域

本发明涉及电力设备监控技术领域，尤其涉及一种基于粒子群算法优化随机森林模型的变压器故障诊断方法。

背景技术

目前，电力系统已发展成为跨区域的互联大电网，变压器作为网络的能量转换枢纽，一旦发生故障将严重影响电网的稳定运行。通过油中溶解气体分析可以辨识变压器内外部潜伏性故障及其发展态势，是电力行业公认的一种诊断变压器故障的可行方法。因此，变压器油中溶解气体浓度DGA数据作为变压器最直观、有效的特征参量，可为诊断变压器状态提供依据。

以变压器油中溶解气体特征为基础，至今为止，研究人员提出了不少故障诊断方法，主要包括两种：其一为传统诊断方法，例如IEC三比值法、Rogers四比值法、无编码比值法等，这些比值判别法操作简单，但时常表现出编码不完善、故障界限区分绝对化等缺陷；其二是以油中溶解气体浓度比值或组分占比为特征量挖掘的机器学习模型，常用的有人工神经网络(BPNN)、支持向量机(SVM)等，这些机器学习模型有效地提升了故障诊断正确率，取得了一定成效，然而也存在一定缺陷。例如BPNN训练时间长、容易陷入局部最优，难以获得全局最优解；SVM对核函数选取不敏感，需组合多个二分类器才能解决多分类情况，难以取得更为精确的分类效果。鉴于此，提出一种基于粒子群优化随机森林模型(PSO-RF)的变压器故障诊断方法。

发明内容

本发明要解决的技术问题是提供一种基于粒子群算法优化随机森林模型的变压器故障诊断方法，使用该故障诊断方法能够快速搜索确定随机森林模型的最优参数，训练效率高、且能可靠识别变压器的故障状态，提高故障诊断准确率，从而实现对变压器运行状况的评估。

为解决上述技术问题，本发明提供了一种基于粒子群算法优化随机森林模型的变压器故障诊断方法，包括如下步骤：

S01、数据处理

S011、特征参量选取

变压器油中溶解的气体包括氢气(H₂)、甲烷(CH₄)、乙烷(C₂H₆)、乙烯(C₂H₄)、乙炔(C₂H₂)，以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)等无编码比值作为特征参量，其中C₁表示CH₄，C₂表示C₂H₂、C₂H₄、C₂H₆之和；

S012、特征参量标准化

依据DL/T 722-2014导则将输出变压器故障状态分为0-正常、1-高能放电、2-低能放电、3-局部放电、4-高温过热、5-中温过热、6-低温过热等7种状态。

将已知故障状态和正常状态的变压器油中溶解气体的数据按步骤S011中选取的无编码比值特征参量进行归一化处理，将数据映射到[0,1]之间，转换公式如式(1)，再按比例8:2将归一化后的数据划分为训练集数据样本和测试集数据样本；

其中x_min为样本数据最小值，x_max为样本数据最大值，x为转化前的样本数据，x^*为转换后的样本数据；

S02、构建粒子群优化随机森林模型

S021、随机初始化粒子种群

设置粒子最大迭代次数T_max、种群数量pop、子树棵数n_trees和分裂特征数m_features的初值、子树棵数n_trees和分裂特征数m_features的取值范围、子树棵数n_trees和分裂特征数m_features的搜索速度范围、惯性权重最大值ω_max、惯性权重最小值ω_min、加速因子c₁初始值c_1,ini、加速因子c₁最终值c_1,fin、加速因子c₂初始值c_2,ini、加速因子c₂最终值c_2,fin；

S022、建立随机森林模型

以步骤S021中的初始化粒子种群建立随机森林模型，随机森林模型由包含多棵子树的基分类器集合{h(X,Θ_j)|j＝1,2,…,n}构成，随机森林模型的建构步骤如下：

a、步骤S012中划分的训练集数据样本为N，从中采用Bootstrap抽样方法抽取容量相同的样本，形成训练子集；

b、步骤a中抽样得到的训练子集有M个特征，从中随机抽取m个作为分裂特征子集(m≤M)，后续采用CART算法分裂而不剪枝；

c、重复n次a～b，生成相应数量的子树(Θ₁、Θ₂、…、Θ_n)，构成随机森林模型；

d、采用用步骤S012中划分的测试集数据样本验证随机森林模型的可靠性，以n棵子树的输出Θ_1,Test、Θ_2,Test、…、Θ_n,Test获得最终分类结果；

通过随机森林模型的边际函数式(2)来度量步骤d中正确分类的置信度，其值越大，识别的可靠性越高，

其中，X为输入的特征向量矩阵，Θ_j则表示生成的j棵子树，Y表示分类正确的向量；av[·]表示取平均值；I(·)代表示意性函数；L表示分类错误的向量；

S023：构建粒子群算法优化的随机森林模型

以子树棵数n_trees和分裂特征数m_features两个参数为粒子，以步骤S022构建的随机森林模型的分类正确率为粒子适应度，采用公式(3)～(7)迭代更新两个粒子位置，即更新随机森林模型两个参数的值；通过粒子群算法寻优获得两个参数的最优值后，以此为基础重新建立优化的随机森林模型；

上式中，表示第i个粒子k次迭代的d维坐标分量；第i个粒子k次迭代的d维速度分量；ω^k表示第k次迭代时的惯性权重；和表示第k次迭代时的两个加速因子；r₁和r₂表示[0,1]范围内的两个随机数；P_i,d表示第i个粒子d维分量的局部最优值；G_d表示d维分量的整体最优值；

ω^k＝ω_max-(ω_max-ω_min)(k/T_max)² (5)

上式中，ω_max和ω_min分别表示迭代惯性权重最大和最小值；k表示当前迭代次数；T_max表示最大迭代数；c_1,ini、c_1,fin与c_2,ini、c_2,fin分别表示加速因子c₁与c₂的初始值及最终值；

S03、得出变压器故障诊断结果

使用步骤S012中的测试集数据来测试步骤S023构建的粒子群算法优化的随机森林模型的性能，采用诊断正确率指标对变压器故障识别结果进行评估，得出变压器故障诊断结果；

其中，诊断正确率是指步骤S012中依据DL/T 722-2014导则划分的7种状态识别正确的样本之和占总样本的百分比，表征故障诊断总体性能的强弱；

后续只要将未知状态的变压器油中溶解气体按步骤S01处理，然后输入步骤S02构建好的粒子群优化的随机森林模型，就能诊断出该变压器的状态。

本发明提供的故障诊断方法与现有技术相比具备如下优点：本发明首先以变压器油中溶解气体分析数据的无编码比值构成特征向量作为输入；然后通过粒子群优化算法搜索随机森林模型的两个最优参数(子树棵数n_trees和分裂特征数m_features)；最后建立基于粒子群算法优化随机森林模型识别变压器的故障类型；上述模型对于传统的机器学习模型训练效率高且能可靠识别变压器的故障状态，提高故障诊断正确率，为电力变压器的运行状况判断提供依据，为运维人员检修提供借鉴。

附图说明

图1为本发明所述的基于粒子群优化随机森林模型的变压器故障诊断方法工作流程框图；

图2为本发明实施例中粒子群优化随机森林模型的故障诊断结果示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明提供了一种基于粒子群算法优化随机森林模型的变压器故障诊断方法，包括如下步骤：

S01、数据处理

S011、特征参量选取

变压器油中溶解的气体包括氢气(H₂)、甲烷(CH₄)、乙烷(C₂H₆)、乙烯(C₂H₄)、乙炔(C₂H₂)，以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)等无编码比值作为特征参量，其中C₁表示CH₄，C₂表示C₂H₂、C₂H₄、C₂H₆之和；

S012、特征参量标准化

依据DL/T 722-2014导则将输出变压器故障状态分为0-正常、1-高能放电、2-低能放电、3-局部放电、4-高温过热、5-中温过热、6-低温过热等7种状态。

将已知故障状态和正常状态的变压器油中溶解气体的数据按步骤S011中选取的无编码比值特征参量进行归一化处理，将数据映射到[0,1]之间，转换公式如式(1)，再按比例8:2将归一化后的数据划分为训练集数据样本和测试集数据样本；

其中x_min为样本数据最小值，x_max为样本数据最大值，x为转化前的样本数据，x^*为转换后的样本数据；

S02、构建粒子群优化随机森林模型

S021、随机初始化粒子种群

设置粒子最大迭代次数T_max、种群数量pop、子树棵数n_trees和分裂特征数m_features的初值、子树棵数n_trees和分裂特征数m_features的取值范围、子树棵数n_trees和分裂特征数m_features的搜索速度范围、惯性权重最大值ω_max、惯性权重最小值ω_min、加速因子c₁初始值c_1,ini、加速因子c₁最终值c_1,fin、加速因子c₂初始值c_2,ini、加速因子c₂最终值c_2,fin；

S022、建立随机森林模型

以步骤S021中的初始化粒子种群建立随机森林模型，随机森林模型由包含多棵子树的基分类器集合{h(X,Θ_j)|j＝1,2,…,n}构成，随机森林模型的建构步骤如下：

a、步骤S012中划分的训练集数据样本为N，从中采用Bootstrap抽样方法抽取容量相同的样本，形成训练子集；

b、步骤a中抽样得到的训练子集有M个特征，从中随机抽取m个作为分裂特征子集(m≤M)，后续采用CART算法分裂而不剪枝；

c、重复n次a～b，生成相应数量的子树(Θ₁、Θ₂、…、Θ_n)，构成随机森林模型；

d、采用用步骤S012中划分的测试集数据样本验证随机森林模型的可靠性，以n棵子树的输出Θ_1,Test、Θ_2,Test、…、Θ_n,Test获得最终分类结果；

通过随机森林模型的边际函数式(2)来度量步骤d中正确分类的置信度，其值越大，识别的可靠性越高，

其中，X为输入的特征向量矩阵，Θ_j则表示生成的j棵子树，Y表示分类正确的向量；av[·]表示取平均值；I(·)代表示意性函数；L表示分类错误的向量；

S023：构建粒子群算法优化的随机森林模型

以子树棵数n_trees和分裂特征数m_features两个参数为粒子，以步骤S022构建的随机森林模型的分类正确率为粒子适应度，采用公式(3)～(7)迭代更新两个粒子位置，即更新随机森林模型两个参数的值；通过粒子群算法寻优获得两个参数的最优值后，以此为基础重新建立优化的随机森林模型；

上式中，表示第i个粒子k次迭代的d维坐标分量；第i个粒子k次迭代的d维速度分量；ω^k表示第k次迭代时的惯性权重；和表示第k次迭代时的两个加速因子；r₁和r₂表示[0,1]范围内的两个随机数；P_i,d表示第i个粒子d维分量的局部最优值；G_d表示d维分量的整体最优值；

ω^k＝ω_max-(ω_max-ω_min)(k/T_max)² (5)

上式中，ω_max和ω_min分别表示迭代惯性权重最大和最小值；k表示当前迭代次数；T_max表示最大迭代数；c_1,ini、c_1,fin与c_2,ini、c_2,fin分别表示加速因子c₁与c₂的初始值及最终值；

S03、得出变压器故障诊断结果

使用步骤S012中的测试集数据来测试步骤S023构建的粒子群算法优化的随机森林模型的性能，采用诊断正确率指标对变压器故障识别结果进行评估，得出变压器故障诊断结果；

其中，诊断正确率是指步骤S012中依据DL/T 722-2014导则划分的7种状态识别正确的样本之和占总样本的百分比，表征故障诊断总体性能的强弱；

后续只要将未知状态的变压器油中溶解气体按步骤S01处理，然后输入步骤S02构建好的粒子群优化的随机森林模型，就能诊断出该变压器的状态。

实施例

收集已知故障变压器的油中溶解气体样本数据，采用收集到的所有数据样本构成变压器故障数据集共1723组，其中按8:2划分为训练集数据样本1378组，测试集数据样本345组，在此基础上展开分析，以验证粒子群算法优化随机森林模型的性能，各故障类型样本按比例划分如表1所示。

表1故障样本数据分布

故障类型	样本数据	训练样本数	测试样本数
				正常	179	143	36
高能放电	452	362	90
				低能放电	160	128	32
局部放电	100	80	20
				高温过热	301	241	60
中温过热	408	326	82
				低温过热	123	98	25
总计	1723	1378	345

根据表1的数据划分将变压器油中溶解气体的无编码比值作为特征参量输入粒子群优化随机森林(PSO-RF)模型，用以优化两个关键参数子树棵数n_trees和分裂特征数m_features，粒子适应度取自测试集样本数据的诊断正确率，即7种状态被正确识别个数之和的百分比；在优化过程中设置参数如表2所示。

表2粒子群优化随机森林模型的参数

参数	取值	参数	取值
				迭代次数T<sub>max</sub>	100	惯性权重最大值ω<sub>max</sub>	0.9
种群数量pop	30	惯性权重最小值ω<sub>min</sub>	0.4
				n_trees取值范围	[100,1000]	加速因子初始值c<sub>1,ini</sub>	2
n_trees搜索范围	[-300,300]	加速因子最终值c<sub>1,fin</sub>	0.5
				m_features取值范围	[2,9]	加速因子初始值c<sub>2,ini</sub>	0.5
m_features搜索范围	[-3,3]	加速因子最终值c<sub>2,fin</sub>	2

图2为本发明提供的一种基于粒子群算法优化随机森林模型的变压器故障诊断方法优化过程中故障诊断正确率变化仿真图。从中可以看出，随机森林RF模型的两个参数经历3轮各100次的迭代，变压器故障的诊断正确率分别在第5、46、60次迭代达到最优。与此同时，粒子群优化过程都是从92.75％或93.04％经过1至3步提升至最优适应度值93.62％。例如第一轮只经过1步就达到最优，第二轮经过2步达到最优，第三轮经过3步达到最优。这从另一个角度说明RF模型具有比较稳定的分类性能。

在故障诊断领域中，常用的机器学习模型有SVM、BPNN等。因此，根据表1的样本集划分，以无编码比值作为特征参量输入SVM、BPNN、随机森林模型RF和粒子群优化随机森林模型PSO-RF，进行不同诊断模型的对比分析，SVM、BPNN及优化前的RF模型参数设置如表3所示，不同模型的诊断结果如表4所示。

表3 SVM、BPNN及RF模型参数

表4不同模型的诊断结果对比

诊断模型	SVM	BPNN	RF	PSO-RF
					诊断正确率	82.90％	86.96％	92.17％	93.62％

从表4中看出，对比SVM、BPNN和优化前的RF模型，基于粒子群优化的PSO-RF模型的诊断正确率分别提升了10.72％、6.66％和1.45％，诊断性能最优。

上述结果表明，针对油浸式电力变压器故障诊断问题，基于粒子群优化随机森林模型的诊断模型具有优异且稳定的性能，可为诊断变压器的运行状态提供依据，为运维人员检修提供借鉴。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (1)

1.一种基于粒子群算法优化随机森林模型的变压器故障诊断方法，其特征在于，包括如下步骤：

S01、数据处理

S011、特征参量选取

变压器油中溶解的气体包括氢气(H₂)、甲烷(CH₄)、乙烷(C₂H₆)、乙烯(C₂H₄)、乙炔(C₂H₂)，以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)等无编码比值作为特征参量，其中C₁表示CH₄，C₂表示C₂H₂、C₂H₄、C₂H₆之和；

S012、特征参量标准化

依据DL/T 722-2014导则将输出变压器故障状态分为0-正常、1-高能放电、2-低能放电、3-局部放电、4-高温过热、5-中温过热、6-低温过热等7种状态。

将已知故障状态和正常状态的变压器油中溶解气体的数据按步骤S011中选取的无编码比值特征参量进行归一化处理，将数据映射到[0,1]之间，转换公式如式(1)，再按比例8:2将归一化后的数据划分为训练集数据样本和测试集数据样本；

其中x_min为样本数据最小值，x_max为样本数据最大值，x为转化前的样本数据，x^*为转换后的样本数据；

S02、构建粒子群优化随机森林模型

S021、随机初始化粒子种群

设置粒子最大迭代次数T_max、种群数量pop、子树棵数n_trees和分裂特征数m_features的初值、子树棵数n_trees和分裂特征数m_features的取值范围、子树棵数n_trees和分裂特征数m_features的搜索速度范围、惯性权重最大值ω_max、惯性权重最小值ω_min、加速因子c₁初始值c_1,ini、加速因子c₁最终值c_1,fin、加速因子c₂初始值c_2,ini、加速因子c₂最终值c_2,fin；

S022、建立随机森林模型

以步骤S021中的初始化粒子种群建立随机森林模型，随机森林模型由包含多棵子树的基分类器集合{h(X,Θ_j)|j＝1,2,…,n}构成，随机森林模型的建构步骤如下：

a、步骤S012中划分的训练集数据样本为N，从中采用Bootstrap抽样方法抽取容量相同的样本，形成训练子集；

b、步骤a中抽样得到的训练子集有M个特征，从中随机抽取m个作为分裂特征子集(m≤M)，后续采用CART算法分裂而不剪枝；

c、重复n次a～b，生成相应数量的子树(Θ₁、Θ₂、…、Θ_n)，构成随机森林模型；

d、采用用步骤S012中划分的测试集数据样本验证随机森林模型的可靠性，以n棵子树的输出Θ_1,Test、Θ_2,Test、…、Θ_n,Test获得最终分类结果；

通过随机森林模型的边际函数式(2)来度量步骤d中正确分类的置信度，其值越大，识别的可靠性越高，

其中，X为输入的特征向量矩阵，Θ_j则表示生成的j棵子树，Y表示分类正确的向量；av[·]表示取平均值；I(·)代表示意性函数；L表示分类错误的向量；

S023：构建粒子群算法优化的随机森林模型

以子树棵数n_trees和分裂特征数m_features两个参数为粒子，以步骤S022构建的随机森林模型的分类正确率为粒子适应度，采用公式(3)～(7)迭代更新两个粒子位置，即更新随机森林模型两个参数的值；通过粒子群算法寻优获得两个参数的最优值后，以此为基础重新建立优化的随机森林模型；

上式中，表示第i个粒子k次迭代的d维坐标分量；第i个粒子k次迭代的d维速度分量；ω^k表示第k次迭代时的惯性权重；和表示第k次迭代时的两个加速因子；r₁和r₂表示[0,1]范围内的两个随机数；P_i,d表示第i个粒子d维分量的局部最优值；G_d表示d维分量的整体最优值；

ω^k＝ω_max-(ω_max-ω_min)(k/T_max)² (5)

上式中，ω_max和ω_min分别表示迭代惯性权重最大和最小值；k表示当前迭代次数；T_max表示最大迭代数；c_1,ini、c_1,fin与c_2,ini、c_2,fin分别表示加速因子c₁与c₂的初始值及最终值；

S03、得出变压器故障诊断结果

使用步骤S012中的测试集数据来测试步骤S023构建的粒子群算法优化的随机森林模型的性能，采用诊断正确率指标对变压器故障识别结果进行评估，得出变压器故障诊断结果；

其中，诊断正确率是指步骤S012中依据DL/T 722-2014导则划分的7种状态识别正确的样本之和占总样本的百分比，表征故障诊断总体性能的强弱；

后续只要将未知状态的变压器油中溶解气体按步骤S01处理，然后输入步骤S02构建好的粒子群优化的随机森林模型，就能诊断出该变压器的状态。