CN111723518A - 基于条件推断树和AdaBoost的变压器故障诊断装置及方法 - Google Patents

基于条件推断树和AdaBoost的变压器故障诊断装置及方法 Download PDF

Info

Publication number
CN111723518A
CN111723518A CN202010472926.6A CN202010472926A CN111723518A CN 111723518 A CN111723518 A CN 111723518A CN 202010472926 A CN202010472926 A CN 202010472926A CN 111723518 A CN111723518 A CN 111723518A
Authority
CN
China
Prior art keywords
data
prediction
machine learning
transformer fault
adaboost
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010472926.6A
Other languages
English (en)
Inventor
谢施君
胡灿
张晨萌
张宗喜
曹树屏
张榆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202010472926.6A priority Critical patent/CN111723518A/zh
Publication of CN111723518A publication Critical patent/CN111723518A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于条件推断树和AdaBoost的变压器故障诊断装置及方法，该装置包括系列数据输入接口，条件推断树持续机器学习模型实现模块，AdaBoost持续机器学习模型实现模块，择优数据输出选择器和预测数据输出模块。本发明通过硬件形式将算法封装的训练结果模型封装在模块中，并选用多核心CPU作为硬件支撑，提高了系统运行效率；并且利用择优数据输出选择器根据模型输出结果周期性的对两个模型进行重新训练，从而实现不同变压器的自适应模型调整，实现学习模型的持续学习和自我改进。

Description

基于条件推断树和AdaBoost的变压器故障诊断装置及方法
技术领域
本发明属于变压器故障诊断技术领域，具体涉及一种基于条件推断树和AdaBoost的变压器故障诊断装置及方法。
背景技术
电力变压器是电力系统中至关重要的设备之一，其运行状况直接关系到电力系统的安全稳定运行。变压器状态评估及其分支课题基于时间序列数据的故障检测，一直是业内重点研究的课题，对电网的稳健运行具有重要的意义。
随着能源互联网的发展，传统评估方案以及单一的机器学习变压器评估方案的尝试已经被初步探索，这些方法虽然有一定的效果，但存在着故障判断准确度低，外界环境变化无法及时更新等问题。近些年来学者们提出了一些更层次的机器学习的算法来对诊断方法进行升级，但仍然存在着一些缺点，如：模糊聚类法对于大规模的样本分类效果不理想；SVM同样对大规模训练样本难以适用等。
发明内容
基于现有技术中存在的以上问题，本发明的目的在于提供一种基于条件推断树和AdaBoost的变压器故障诊断装置及方法。
为了实现以上目的，本发明采用的技术方案为：
一种基于条件推断树和AdaBoost的变压器故障诊断装置，包括：
系列数据输入接口，用于适配电力系统的通信接口，整合历史状态数据和历史环境数据；
条件推断树持续机器学习模型实现模块，用于调用内部封装的条件推断树算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
AdaBoost持续机器学习模型实现模块，用于调用内部封装的AdaBoost算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
择优数据输出选择器，用于接收所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块输出的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
预测数据输出模块，用于将所述择优数据输出选择器选择的预测结果进行输出。
进一步地，所述系列数据输入接口具体用于输入因变量和多列自变量数据，所述因变量数据包括状态因子，所述自变量数据包括环境数据、油色谱采集数据和运行状态数据。
进一步地，所述择优数据输出选择器具体用于对所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级。
进一步地，所述预测数据输出模块具体包括显示单元和/或HTTP接口，所述显示单元用于向用户展示所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，所述HTTP接口用于将所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部系统。
进一步地，还包括标准嵌入式计算支撑硬件模块，所述标准嵌入式计算支撑硬件模块用于提供支撑所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块运行所需的外部计算资源。
基于上述变压器故障诊断装置，本发明还提出了一种基于条件推断树和AdaBoost的变压器故障诊断方法，包括以下步骤：
S1、利用系列数据输入接口适配电力系统的通信接口，整合历史状态数据和历史环境数据；
S2、利用条件推断树持续机器学习模型实现模块调用内部封装的条件推断树算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S3、利用AdaBoost持续机器学习模型实现模块调用内部封装的AdaBoost算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S4、利用择优数据输出选择器接收步骤S2和步骤S3生成的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
S5、利用预测数据输出模块将步骤S4选择的预测结果进行输出。
进一步地，所述步骤S1具体利用系列数据输入接口输入因变量和多列自变量数据，所述因变量数据包括状态因子，所述自变量数据包括环境数据、油色谱采集数据和运行状态数据。
进一步地，所述步骤S4具体利用择优数据输出选择器对所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级。
进一步地，所述步骤S5中预测数据输出模块具体包括显示单元和/或HTTP接口，所述显示单元用于向用户展示所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，所述HTTP接口用于将所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部系统。
进一步地，还包括利用标准嵌入式计算支撑硬件模块提供支撑步骤S3中条件推断树持续机器学习模型实现模块和步骤S4中AdaBoost持续机器学习模型实现模块运行所需的外部计算资源。
本发明的有益效果为：
(1)本发明提供的条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块通过硬件形式将算法封装的训练结果模型封装在模块中，并选用多核心CPU作为硬件支撑，提高了系统运行效率；
(2)本发明提供的择优数据输出选择器通过根据条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型的输出结果周期性的对两个模型进行重新训练，从而实现不同变压器的自适应模型调整，实现学习模型的持续学习和自我改进。
附图说明
图1为本发明提供的基于条件推断树和AdaBoost的变压器故障诊断装置结果示意图；
图2为本发明提供的基于条件推断树和AdaBoost的变压器故障诊断方法流程示意图。
具体实施方式
下面结合附图对本发明作进一步详细的说明。
实施例1
如图1所示，本实施例提供了一种基于条件推断树和AdaBoost的变压器故障诊断装置，包括：
系列数据输入接口，用于适配电力系统的通信接口，整合历史状态数据和历史环境数据；
条件推断树持续机器学习模型实现模块，用于调用内部封装的条件推断树算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
AdaBoost持续机器学习模型实现模块，用于调用内部封装的AdaBoost算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
择优数据输出选择器，用于接收所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块输出的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
预测数据输出模块，用于将所述择优数据输出选择器选择的预测结果进行输出。
在本实施例中，系列数据输入接口用于适配电力系统的通信接口，输入因变量和多列自变量数据，其中因变量数据包括状态因子，自变量数据包括环境数据、油色谱采集数据和运行状态数据，并将输入的因变量和多列自变量数据整合胃历史状态数据和历史环境数据。该功能具体可以采用多组标准物理通信接口实现，如USB接口、网口、Type-C接口、WIFI等，并且支持TCP/IP和串口通信等协议，同时提供数据输入的标准API，规范数据输入格式即可实现。
在本实施例中，本发明按照充分发挥机器学习算法的自我更新能力并且将其硬件化的思路，分别构建条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块。
条件推断树算法具体包括：
(1)对输出变量与每个预测变量间的关系计算p值；
(2)选择p值最小的变量；
(3)在因变量与被选中的变量间尝试所有可能的二元分割(通过排列检验)，并选取最显著的分割；
(4)将数据集分成两群，并对每个子群重复上述步骤；
(5)重复至所有分割都不显著或已到达最小节点为止。
AdaBoost算法具体包括：
(1)初始化训练数据(每个样本)的权值分布：如果有N个样本，则每一个训练的样本点最开始时都被赋予相同的权重：1/N；
(2)训练弱分类器。具体训练过程中，如果某个样本已经被准确地分类，那么在构造下一个训练集中，它的权重就被降低；相反，如果某个样本点没有被准确地分类，那么它的权重就得到提高。同时，得到弱分类器对应的话语权。然后，更新权值后的样本集被用于训练下一个分类器，整个训练过程如此迭代地进行下去；
(3)将各个训练得到的弱分类器组合成强分类器。各个弱分类器的训练过程结束后，分类误差率小的弱分类器的话语权较大，其在最终的分类函数中起着较大的决定作用，而分类误差率大的弱分类器的话语权较小，其在最终的分类函数中起着较小的决定作用。
换言之，误差率低的弱分类器在最终分类器中占的比例较大，反之较小。它可以很好的利用了弱分类器进行级联；可以将不同的分类算法作为弱分类器；AdaBoost具有很高的精度条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块分别用于调用内部封装的条件推断树算法和AdaBoost算法对系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果，即是否可能出现故障或亚健康等。该功能具体可以采用一块机器学习优化硬件+代码实现，如GPU+可编程开发板。在确定了模型代码后，可将可编程开发板固化为标准硬件或者固件，从而实现算法的硬件化实现。本发明通过硬件形式将算法封装的训练结果模型封装在模块中，并选用多核心CPU作为硬件支撑，提高了系统运行效率。
在本实施例中，为了解决传统油色谱及普通机器学习模型评估方案不具有多模型择优选择功能及落后模型自动调整参数功能，本发明利用择优数据输出选择器统计条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并将诊断结果返回给预测数据输出模块，从而提升最终输出结果的预测命中率；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级；择优数据输出选择器针对所选择的条件推断树算法和AdaBoost算法，在其中一个模型的预测命中率落后时，自动调整模型相关参数，如条件推断树的枝树、AdaBoost弱分类器的数量等。
择优数据输出选择器通过根据条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型的输出结果周期性的对两个模型进行重新训练，从而实现不同变压器的自适应模型调整，实现学习模型的持续学习和自我改进。
择优数据输出选择器的上述功能可以采用一块嵌入式可编程开发板实现，其关键在于能够接收条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型的输出数据，并对历史表现进行评估，同时择优输出结果数据。
在本实施例中，本发明的预测数据输出模块具体包括显示单元和/或HTTP接口，其中显示单元用于向用户展示择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，HTTP接口用于将择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部系统。
预测数据输出模块上述功能可以采用显示器+代码实现，其工作环境可以是Python或Java等环境，并调用现有的开源图表系统如G2等进行作图，从而快速方便地实现相应功能。
在本实施例中，为了提高条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块的计算效率，本发明还包括标准嵌入式计算支撑硬件模块，标准嵌入式计算支撑硬件模块用于提供支撑所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块运行所需的外部计算资源，如结果缓存、日志记录、设置参数读写等。。
标准嵌入式计算支撑硬件模块上述功能可以采用一块复合主板实现，主板上嵌入存储模块、总线等，从而实现对条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块计算资源的提供和支撑。
本发明通过各个模块相互配合，按照充分发挥机器学习能力并且将其硬件化的思路，将变压器整合后的历史状态数据、历史环境数据等输入到算法模块中，并根据近期的模型表现结果，择优输出结果数据，实现了对变压器近期故障预测。
本发明以将学习模型硬件化为思路，并且将训练模型-预测未来数据的循环过程封装入系统中，同时选取了适合用于预测系统的条件推断树和AdaBoost作为搭配算法，实现了创新的变压器设备状态评估方案，进而实现了从基本的表格型评估到智能持续学习型评估的升级，从而能够为我国电力系统生产运维能力的升级贡献了一份创新力。
实施例2
基于上述变压器故障诊断装置，本发明还提出了一种基于条件推断树和AdaBoost的变压器故障诊断方法，如图2所示，包括以下步骤：
S1、利用系列数据输入接口适配电力系统的通信接口，整合历史状态数据和历史环境数据；
S2、利用条件推断树持续机器学习模型实现模块调用内部封装的条件推断树算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S3、利用AdaBoost持续机器学习模型实现模块调用内部封装的AdaBoost算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S4、利用择优数据输出选择器接收步骤S2和步骤S3生成的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
S5、利用预测数据输出模块将步骤S4选择的预测结果进行输出。
在步骤S1中，本发明利用系列数据输入接口适配电力系统的通信接口，输入因变量和多列自变量数据，其中因变量数据包括状态因子，自变量数据包括环境数据、油色谱采集数据和运行状态数据，并将输入的因变量和多列自变量数据整合胃历史状态数据和历史环境数据。
在步骤S2和步骤S3中，本发明按照充分发挥机器学习算法的自我更新能力并且将其硬件化的思路，分别构建条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块。
条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块分别用于调用内部封装的条件推断树算法和AdaBoost算法对系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果，即是否可能出现故障或亚健康等
本发明通过硬件形式将算法封装的训练结果模型封装在模块中，并选用多核心CPU作为硬件支撑，提高了系统运行效率。
在步骤S4中，为了解决传统油色谱及普通机器学习模型评估方案不具有多模型择优选择功能及落后模型自动调整参数功能，本发明利用择优数据输出选择器统计条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并将诊断结果返回给预测数据输出模块，从而提升最终输出结果的预测命中率；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级；择优数据输出选择器针对所选择的条件推断树算法和AdaBoost算法，在其中一个模型的预测命中率落后时，自动调整模型相关参数，如条件推断树的枝树、AdaBoost弱分类器的数量等。
择优数据输出选择器通过根据条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型的输出结果周期性的对两个模型进行重新训练，从而实现不同变压器的自适应模型调整，实现学习模型的持续学习和自我改进。
在步骤S5中，本发明的预测数据输出模块具体包括显示单元和/或HTTP接口，其中显示单元用于向用户展示择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，HTTP接口用于将择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部系统。
此外，为了提高条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块的计算效率，本发明还包括利用标准嵌入式计算支撑硬件模块提供支撑所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块运行所需的外部计算资源，如结果缓存、日志记录、设置参数读写等。。
本发明的上述实施例仅仅是为说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.一种基于条件推断树和AdaBoost的变压器故障诊断装置，其特征在于，包括：
系列数据输入接口，用于适配电力系统的通信接口，整合历史状态数据和历史环境数据；
条件推断树持续机器学习模型实现模块，用于调用内部封装的条件推断树算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
AdaBoost持续机器学习模型实现模块，用于调用内部封装的AdaBoost算法对所述系列数据输入接口模块输入的整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
择优数据输出选择器，用于接收所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块输出的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
预测数据输出模块，用于将所述择优数据输出选择器选择的预测结果进行输出。
2.根据权利要求1所述的基于条件推断树和AdaBoost的变压器故障诊断装置，其特征在于，所述系列数据输入接口具体用于输入因变量和多列自变量数据，所述因变量数据包括状态因子，所述自变量数据包括环境数据、油色谱采集数据和运行状态数据。
3.根据权利要求1所述的基于条件推断树和AdaBoost的变压器故障诊断装置，其特征在于，所述择优数据输出选择器具体用于对所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级。
4.根据权利要求3所述的基于条件推断树和AdaBoost的变压器故障诊断装置，其特征在于，所述预测数据输出模块具体包括显示单元和/或HTTP接口，所述显示单元用于向用户展示所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，所述HTTP接口用于将所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部系统。
5.根据权利要求1至4任一所述的基于条件推断树和AdaBoost的变压器故障诊断装置，其特征在于，还包括标准嵌入式计算支撑硬件模块，所述标准嵌入式计算支撑硬件模块用于提供支撑所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块运行所需的外部计算资源。
6.一种基于条件推断树和AdaBoost的变压器故障诊断方法，其特征在于，包括以下步骤：
S1、利用系列数据输入接口适配电力系统的通信接口，整合历史状态数据和历史环境数据；
S2、利用条件推断树持续机器学习模型实现模块调用内部封装的条件推断树算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S3、利用AdaBoost持续机器学习模型实现模块调用内部封装的AdaBoost算法对步骤S1整合后的历史状态数据和历史环境数据进行处理，自动化更新训练机器学习模型，并生成变压器故障标识数据预测结果；
S4、利用择优数据输出选择器接收步骤S2和步骤S3生成的变压器故障标识数据预测结果，对预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型，并自动调整预测命中率较低模型参数；
S5、利用预测数据输出模块将步骤S4选择的预测结果进行输出。
7.根据权利要求6所述的基于条件推断树和AdaBoost的变压器故障诊断方法，其特征在于，所述步骤S1具体利用系列数据输入接口输入因变量和多列自变量数据，所述因变量数据包括状态因子，所述自变量数据包括环境数据、油色谱采集数据和运行状态数据。
8.根据权利要求6所述的基于条件推断树和AdaBoost的变压器故障诊断方法，其特征在于，所述步骤S4具体利用择优数据输出选择器对所述条件推断树持续机器学习模型实现模块和AdaBoost持续机器学习模型实现模块在设定周期内输出的变压器故障标识数据预测结果的预测命中率进行评估，选择预测命中率较高模型作为诊断模型；同时接收下一周期的变压器故障标识数据预测结果后，重新评估两个模型的预测命中率，动态调整模型优先级。
9.根据权利要求8所述的基于条件推断树和AdaBoost的变压器故障诊断装置，其特征在于，所述步骤S5中预测数据输出模块具体包括显示单元和/或HTTP接口，所述显示单元用于向用户展示所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果，所述HTTP接口用于将所述择优数据输出选择器选择的诊断模型输出的变压器故障诊断结果传输至外部系统。
10.根据权利要求6至9任一所述的基于条件推断树和AdaBoost的变压器故障诊断装置，其特征在于，还包括利用标准嵌入式计算支撑硬件模块提供支撑步骤S3中条件推断树持续机器学习模型实现模块和步骤S4中AdaBoost持续机器学习模型实现模块运行所需的外部计算资源。
CN202010472926.6A 2020-05-29 2020-05-29 基于条件推断树和AdaBoost的变压器故障诊断装置及方法 Pending CN111723518A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010472926.6A CN111723518A (zh) 2020-05-29 2020-05-29 基于条件推断树和AdaBoost的变压器故障诊断装置及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010472926.6A CN111723518A (zh) 2020-05-29 2020-05-29 基于条件推断树和AdaBoost的变压器故障诊断装置及方法

Publications (1)

Publication Number Publication Date
CN111723518A true CN111723518A (zh) 2020-09-29

Family

ID=72565269

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010472926.6A Pending CN111723518A (zh) 2020-05-29 2020-05-29 基于条件推断树和AdaBoost的变压器故障诊断装置及方法

Country Status (1)

Country Link
CN (1) CN111723518A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9171259B1 (en) * 2015-01-12 2015-10-27 Bank Of America Corporation Enhancing classification and prediction using predictive modeling
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法
CN107563539A (zh) * 2017-07-24 2018-01-09 佛山市顺德区中山大学研究院 基于机器学习模型的短期和中长期电力负荷预测方法
CN109583515A (zh) * 2018-12-20 2019-04-05 福州大学 一种基于BP_Adaboost的光伏发电故障检测与分类方法
CN111105063A (zh) * 2018-10-26 2020-05-05 北京国双科技有限公司 故障预测、模型构建方法、装置、处理器及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9171259B1 (en) * 2015-01-12 2015-10-27 Bank Of America Corporation Enhancing classification and prediction using predictive modeling
CN105930861A (zh) * 2016-04-13 2016-09-07 西安西拓电气股份有限公司 一种基于Adaboost算法的变压器故障诊断方法
CN107563539A (zh) * 2017-07-24 2018-01-09 佛山市顺德区中山大学研究院 基于机器学习模型的短期和中长期电力负荷预测方法
CN111105063A (zh) * 2018-10-26 2020-05-05 北京国双科技有限公司 故障预测、模型构建方法、装置、处理器及可读存储介质
CN109583515A (zh) * 2018-12-20 2019-04-05 福州大学 一种基于BP_Adaboost的光伏发电故障检测与分类方法

Similar Documents

Publication Publication Date Title
CN111723519B (zh) 基于逻辑回归和朴素贝叶斯的变压器故障诊断装置及方法
EP3924893A1 (en) Incremental training of machine learning tools
CN108921285B (zh) 基于双向门控循环神经网络的电能质量扰动的分类方法
CN109709811A (zh) 一种面向智能制造的边缘计算控制器及其工作方法
CN108733639A (zh) 一种配置参数调整方法、装置、终端设备及存储介质
CN116760772B (zh) 汇聚分流器的管控系统及其方法
CN111723520A (zh) 一种基于决策树和随机森林的变压器故障诊断装置及方法
WO2023150912A1 (zh) 算子的调度运行时间比较方法、装置及存储介质
CN111104242A (zh) 基于深度学习的操作系统的异常日志的处理方法及装置
CN111091240A (zh) 一种公共机构电力能效监测系统及服务方法
CN106780149A (zh) 一种基于定时任务调度的设备实时监测系统
CN109242150A (zh) 一种电网可靠性预测方法
CN110705716A (zh) 一种多模型并行训练方法
CN114498619A (zh) 一种风电功率预测方法及装置
CN117435901B (zh) 一种工业互联网数据获取方法、系统、终端及储存介质
Ni et al. Online performance and power prediction for edge TPU via comprehensive characterization
CN111723518A (zh) 基于条件推断树和AdaBoost的变压器故障诊断装置及方法
CN111352820A (zh) 一种高性能应用运行状态预测和监控方法、设备和装置
CN107704594B (zh) 基于SparkStreaming的电力系统日志数据实时处理方法
CN112783740B (zh) 一种基于时间序列特征的服务器性能预测方法及系统
CN118114139A (zh) 移动应用流量分类模型训练方法、分类方法和设备
CN115599842A (zh) 一种基于神经网络方法的时间序列预测系统
CN112990274A (zh) 一种基于大数据的风电场异常数据自动辨识方法
Xiao et al. Enhanced-xgb: An online service resource demand forecasting method for colocation data centers
CN111984418A (zh) 稀疏矩阵向量乘并行任务粒度参数自动调优方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200929