CN114113868A - 一种变压器故障诊断方法 - Google Patents
一种变压器故障诊断方法 Download PDFInfo
- Publication number
- CN114113868A CN114113868A CN202111614289.2A CN202111614289A CN114113868A CN 114113868 A CN114113868 A CN 114113868A CN 202111614289 A CN202111614289 A CN 202111614289A CN 114113868 A CN114113868 A CN 114113868A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- dbso
- fault diagnosis
- algorithm
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种变压器故障诊断方法,包括数据预处理、差分变异头脑风暴优化算法(DBSO)优化CatBoost模型和故障诊断。首先对变压器油中溶解气体分析法(DGA)的数据进行数据预处理:引入比值法对原始数据添加特征,对异常数据进行处理,利用沙普利加和解释法(SHAP)进行特征提取,利用核主成分分析(KPCA)法进行数据降维,归一化后将数据进行序列划分;再将预处理后的数据输入CatBoost模型进行训练,用DBSO算法对该模型进行参数寻优,得到最优模型;最后利用得到的DBSO‑CatBoost模型进行故障诊断,输出故障类型。实例结果表明:基于DBSO‑Catboost模型的变压器故障诊断准确率可达93.71%,比CatBoost模型提高了3.95%,明显高于一些模型;与其他预处理方法相比,采用本发明方法故障诊断准确率也明显提升。
Description
技术领域
本发明属于电网安全运行和保障供电质量领域,具体涉及一种变压器故障诊断方法。
背景技术
随着人工智能的迅速发展,智能算法越来越多地应用于变压器故障诊断,其能准确地诊断出变压器的故障,对维护电网安全运行、保证供电质量有着重要的意义。
目前我国的电网多采用油中溶解气体分析的DGA法:变压器在过热、放电等状态下,其绝缘油会产生气体,并溶解在油中;DGA法通过分析溶解气体的情况,得到变压器的运行状况,利用溶解气体的相对含量来判断故障类型。该方法计算简单,但对阈值附近的数据分类效果不好,常出现“缺码”或“超码”现象。
针对这一现状,本发明提出一种基于DBSO-CatBoost模型的变压器故障诊断方法,可以精确地检测变压器故障,从而保障整个电网的安全和供电质量,有着重要的理论和实际意义。
发明内容
针对现有技术的不足,本发明的目的在于提供一种变压器故障诊断方法,解决现有技术中变压器故障诊断精确不高、分类效果不佳的问题,提高变压器故障检出的精度。
本发明的目的可以通过以下技术方案实现:
基于DBSO-CatBoost模型的变压器故障诊断,首先对变压器绝缘油中溶解气体数据进行特征提取、降维、归一化等预处理,接着建立DBSO算法优化的CatBoost模型,然后将处理后的数据进行DBSO-CatBoost模型的训练和测试,最终判断变压器的运行状态,实现电力变压器故障的精准诊断。
其具体实现步骤如下:
Step1、将采集到的DGA样本数据进行特征提取,特征提取采用交互式比值形式提取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这四种: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(N1≠N2),采用枚举算法,遍历四组形式的全部排列组合得到数据特征变量。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。
Step2、对数据进行降维处理,使用KPCA法进行数据降维。KPCA是通过将原数据映射到更高维空间,实现数据的非线性映射,再利用主成分分析将数据从高维线性降维。
Step3、对数据就行归一化处理,归一化在于采用区间值化法对数据进行归一化处理,以此将数据按比例缩放特定区间,避免数值之间的相互影响。
Step4、建立DBSO算法优化的CatBoost模型,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。寻优算法DBSO主要模拟人类创造性解决问题的过程的群体行为,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。
Step5、利用处理后的数据进行DBSO-CatBoost模型的训练和测试,输出最优模型。
Step6、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:利用测试集对最终模型进行测试,输出诊断结果,并进行模型评价。
本发明的有益效果:
1、本发明提出的变压器故障诊断方法,该方法首先对变压器DGA数据进行数据预处理,然后利用预处理后数据训练DBSO优化的CatBoost模型,从而得到一个最优模型,最后利用该模型即可对变压器故障进行诊断。该模型的诊断精度明显高于现有的一些常用模型;同时,与采用其他预处理方法相比,采用本发明所提出的数据预处理方法故障诊断准确率也明显提升。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例的基于DBSO-CatBoost的变压器故障诊断模型图。
图2是本发明实施例的实验数据三维可视图。
图3是本发明实施例的各样本特征影响及其累计影响图。
图4是本发明实施例的各类模型诊断结果图。
图5是本发明实施例的不同算法优化的Catboost模型诊断结果图。
图6是本发明实施例的不同优化算法的适应度曲线图。
图7是本发明实施例的不同预处理方法下的故障诊断结果图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,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它实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的组件或元件必须具有特定的方位,以特定的方位构造和操作,因此不能理解为对本发明的限制。
图1是基于DBSO-CatBoost的变压器故障诊断模型图,首先,将采集到的DGA样本数据进行特征提取、降维、归一化等一系列数据预处理;将预处理后的数据按比例随机分为训练集、验证集和测试集;然后,设置CatBoost模型的4个超参为DBSO的个体,初始化DBSO和CatBoos参数;接着将训练集作为输入进行训练,利用DBSO算法进行CatBoos参数寻优;再利用验证集对CatBoost模型进行模型评估,调整参数;判断是否完成训练;最后,输出最优模型,利用测试集对最终模型进行测试,输出诊断结果,并进行模型评价。
这里采用国家电网公司西北某电网提供的数据进行模型的训练与验证:选取H2、CH4、C2H6、C2H4、C2H2为变压器故障诊断的属性,含故障数据381组,数据的三维可视图如图2所示。对于本发明的多分类情况,取各分类的SHAP平均绝对值的均值,从而得到总体的SHAP平均绝对值,做样本特征影响柱状图及其累计影响曲线图,如图3所示。分析图3可知,C2H2的SHAP平均绝对值最大,对数据分类影响最大,图中排名前60的累计SHAP平均绝对值占比将近85%,而后90个的累计结果只占15%左右。为降低运算复杂度,这里只取这60个特征作为数据的属性。
针对变压器故障诊断,现在比较常用的模型有极限学习机(Extreme LearningMachines,ELM)、支持向量机(Support Vector Machine,SVM)、广义回归神经网络(generalized regression neural network,GRNN)、随机森林(Random Forest,RF)、XGboost等。这里使用预处理后的数据,利用上述模型和Catboost模型6种模型进行故障诊断,测试各类模型对变压器故障诊断的性能,其诊断结果如图4所示。
由图4可看出,油浸式变压器的故障诊断单学习器效果最好的是SVM,集成学习模型效果最好的是Catboost模型,其中所有模型中效果最差的为GRNN。相较于单学习器模型,集成学习模型对油浸式变压器的故障诊断精度更高。
分别采用DBSO算法、头脑风暴优化算法(Brain Storm Optimization Algorithm,BSO)、粒子群算法(Particle Swarm Optimization,PSO)、麻雀搜索算法(Sparrow SearchAlgorithm,SSA)四种算法来优化Catboost模型的四个超参,并进行结果比,从而说明DBSO优化Catboost模型的优越性。
利用四种算法优化的Catboost模型进行故障诊断,其诊断结果如图5所示。DBSO-Catboost模型、BSO-Catboost模型和SSA-Catboost模型的测试集准确率相同,高于PSO-Catboost模型,都高于不优化的Catboost模型。
以验证集分类结果错误率为适应度值,做适应度函数曲线,各优化算法的适应度曲线如图6所示。DBSO算法最先达到最优结果,达到最优适应度的迭代次数为11次,且最优时的适应度值与SSA和BSO算法相同,均为2.132%。PSO算法的最终适应度值最大,寻优效果最差。综上可知,虽然DBSO-Catboost模型准确率与另外两个模型相同,但却能更快得寻到最优点,寻优效果最佳。
为验证本发明所提出的预处理方法的优越性,现将本发明的比值法加KPCA降维形成的数据、比值法加PCA降维形成的数据、比值法加LLE降维形成的数据和原五维数据四种处理方式下形成的数据集,利用DBSO-Catboost模型进行故障诊断,其测试集诊断结果如图7所示。分析图7可知,在将数据降维成7维的情况下,比值法加LLE处理的数据分类效果最差,本发明所使用的比值法加KPCA处理数据后的分类效果最好。在采用DBSO-Catboost模型的情况下,本文的比值法加KPCA降维处理后的数据准确率相较于比值法加PCA、比值法加LLE和原始五维数据分别提高了3.950%、10.526%和6.579%,因此本发明所使用的预处理方法效果最佳。
为解决传统方法下电力变压器的故障诊断精度低、分类效果不好等问题,本发明提出了一种基于DBSO-Catboost模型的电力变压器故障诊断方法。以收集到的变压器DGA数据为例,对本发明所提的模型进行了训练和测试,结论如下:
(1)对比现有的ELM、SVM、GRNN、RF和XGboost模型,Catboost模型变压器故障诊断准确率最高,准确率到达89.47%。
(2)在优化Catboost模型时,DBSO、SSA和BSO算法的准确率和最优时的适应度值相同,但DBSO寻优迭代次数最少,效果最好。
(3)相较于传统特征选取方法,本发明的交互比值法涵盖了更广的有效信息;不同降维算法中,KPCA的累计贡献率显然高于其他降维算法;实例结果表明,在采用DBSO-Catboost模型的情况下,本发明所使用的数据预处理方法比其他预处理方法的准确率都高。
(4)采用DBSO优化后的Catboost模型诊断变压器故障,总体准确率可达93.71%,比Catboost模型总体准确率提升了3.95%。
Claims (12)
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111614289.2A CN114113868A (zh) | 2021-12-24 | 2021-12-24 | 一种变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111614289.2A CN114113868A (zh) | 2021-12-24 | 2021-12-24 | 一种变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114113868A true CN114113868A (zh) | 2022-03-01 |
Family
ID=80363279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111614289.2A Pending CN114113868A (zh) | 2021-12-24 | 2021-12-24 | 一种变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114113868A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997549A (zh) * | 2022-08-08 | 2022-09-02 | 阿里巴巴(中国)有限公司 | 黑盒模型的解释方法、装置及设备 |
-
2021
- 2021-12-24 CN CN202111614289.2A patent/CN114113868A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114997549A (zh) * | 2022-08-08 | 2022-09-02 | 阿里巴巴(中国)有限公司 | 黑盒模型的解释方法、装置及设备 |
CN114997549B (zh) * | 2022-08-08 | 2022-10-28 | 阿里巴巴(中国)有限公司 | 黑盒模型的解释方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962259B (zh) | 一种燃料电池系统多模式双层故障诊断方法 | |
CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
CN106154163A (zh) | 一种电池寿命状态识别方法 | |
CN110794360A (zh) | 一种基于机器学习预测智能电能表故障的方法及系统 | |
CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN117272116B (zh) | 一种基于loras平衡数据集的变压器故障诊断方法 | |
CN112183590A (zh) | 一种基于OneclassSVM算法的变压器故障诊断方法 | |
CN115791174B (zh) | 一种滚动轴承异常诊断方法、系统、电子设备及存储介质 | |
CN111612036A (zh) | 一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法 | |
Rajesh et al. | Influence of data balancing on transformer DGA fault classification with machine learning algorithms | |
CN116562114A (zh) | 一种基于图卷积神经网络的电力变压器故障诊断方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN112633315A (zh) | 一种电力系统扰动分类方法 | |
CN114113868A (zh) | 一种变压器故障诊断方法 | |
Zhang et al. | Improved GWO-MCSVM algorithm based on nonlinear convergence factor and tent chaotic mapping and its application in transformer condition assessment | |
CN108985462B (zh) | 基于互信息和分形维数的无监督特征选择方法 | |
CN112926620B (zh) | 一种变压器套管局部放电的缺陷类型识别方法及系统 | |
Zhang et al. | Encoding time series as images: A robust and transferable framework for power system DIM identification combining rules and VGGNet | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
CN109557434A (zh) | 基于复合字典稀疏表示分类的强背景噪声下局部放电信号识别方法 | |
CN113591960A (zh) | 一种基于改进生成对抗网络的电压暂降事件类型辨识方法 | |
CN112083275A (zh) | 一种配网故障类型识别方法及系统 | |
CN116992362A (zh) | 一种基于夏普利值的变压器故障表征特征量筛选方法和装置 | |
Kojury-Naftchali et al. | AMI data analytics; an investigation of the self-organizing maps capabilities in customers characterization and big data management |
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 |