CN116263814A - 一种油浸式变压器故障诊断方法 - Google Patents
一种油浸式变压器故障诊断方法 Download PDFInfo
- Publication number
- CN116263814A CN116263814A CN202211688310.8A CN202211688310A CN116263814A CN 116263814 A CN116263814 A CN 116263814A CN 202211688310 A CN202211688310 A CN 202211688310A CN 116263814 A CN116263814 A CN 116263814A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- xgboost
- oil
- immersed transformer
- training
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 239000000654 additive Substances 0.000 claims description 4
- 230000000996 additive effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 239000007789 gas Substances 0.000 description 39
- 238000003066 decision tree Methods 0.000 description 11
- 238000000605 extraction Methods 0.000 description 10
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 8
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 7
- 239000000203 mixture Substances 0.000 description 7
- 238000012706 support-vector machine Methods 0.000 description 5
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 4
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 3
- 239000005977 Ethylene Substances 0.000 description 3
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种油浸式变压器故障诊断方法,克服了现有技术中存在的油浸式变压器故障诊断速度慢、效率低,诊断精度低的问题,包括以下步骤:S1:以油中溶解气体分析为依据,采用无编码比值方法提取油浸式变压器实时运行特征;S2:对提取的特征数据进行归一化处理;S3:以归一化处理后的特征数据作为输入,对基于XGBoost的故障诊断模型进行训练;S4:利用遗传算法对基于XGBoost的故障诊断模型进行优化;S5:利用优化后的故障诊断模型,对油浸式变压器进行故障诊断。利用XGBoost,提高了模型的泛化能力,防止过拟合,有更高的适应性和鲁棒性;XGBoost并行和分布式的计算模式也大幅提高了其训练速度,同时提高了油浸式变压器故障诊断精度以及诊断的稳定性。
Description
技术领域
本发明涉及变压器故障诊断技术领域,特别涉及了一种油浸式变压器故障诊断方法。
背景技术
油浸式变压器是输变电系统的关键设备之一,其运行状态决定着电力系统能否安全可靠运行。然而,我国目前尚在投运的油浸式变压器中,有很大一部分运行年限较长,存在绝缘劣化等故障隐患。油浸式变压器发生绝缘老化时会产生少量气体溶解在绝缘油中,油中溶解气体的组成成分及其比例关系能够反映变压器的运行工况。正常运行的油浸式变压器,由于绝缘老化裂解等原因会产生极少量的气体,其主要成分为氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳。变压器故障类型和气体成分的变化呈现较强的相关性,因此对气体组分、含量进行分析的油中溶解气体分析DGA(Dissolved Gas Analysis)方法是目前最为重要的变压器状态检测和故障诊断方法之一。
但DGA存在着状态编码不完备、编码界限过于绝对的问题,在实际应用中存在局限性。当前主流的变压器故障诊断模型分为非集成学习模型和集成学习模型。其中非集成学习的方法包BP神经网络、支持向量机(SVM)、贝叶斯网络等,上述方法改进了传统模型的计算速度和精度,但均存在局限性:BP神经网络学习能力强,但是易陷入局部最优,需要人为调整大量参数,且收敛速度较慢;SVM本质为二分类器,在处理变压器故障诊断等多分类问题时效率较低;贝叶斯网络要求条件属性较多等。基于集成学习的方法主要有随机森林RF和梯度提升树2个分支。RF以多个决策树为基分类器建立组合模型,通过减小方差提高预测精度,但在处理噪声较大的分类和回归问题时易产生过拟合的问题;GBDT通过降低偏差的方式减小总误差,且对调参的要求较低,具有更好的鲁棒性,但由于其个体学习器之间存在强依赖关系,无法并行训练,因此模型的训练速度较慢。
发明内容
本发明的目的是克服现有技术中存在的油浸式变压器故障诊断速度慢、效率低,诊断精度低的问题,提供了一种油浸式变压器故障诊断方法,利用XGBoost,提高了模型的泛化能力,防止过拟合,有更高的适应性和鲁棒性;XGBoost并行和分布式的计算模式也大幅提高了其训练速度,同时提高了油浸式变压器故障诊断精度以及诊断的稳定性。
为了实现上述目的,本发明采用以下技术方案:一种油浸式变压器故障诊断方法,包括下列步骤:
S1:以油中溶解气体分析为依据,采用无编码比值方法提取油浸式变压器实时运行特征;
S2:对提取的特征数据进行归一化处理;
S3:以归一化处理后的特征数据作为输入,对基于XGBoost的故障诊断模型进行训练;
S4:利用遗传算法对基于XGBoost的故障诊断模型进行优化;
S5:利用优化后的故障诊断模型,对油浸式变压器进行故障诊断。
极端梯度提升-XGBoost算法,以损失函数的负梯度为依据训练多个个体学习器,并按照一定策略组合成一个准确可靠的集成学习器。XGBoost在损失函数中加入正则化项对模型的复杂程度施加惩罚,以提高模型的泛化能力,防止过拟合;并行和分布式的计算模式也大幅提高了其训练速度。本发明采用无编码比值法提取变压器实时运行的特征;采用归一化方法处理提取后的特征数据;将处理后的数据作为样本训练XGBoost模型,并采用遗传算法(GA)对模型的多个超参数同时进行优化,最终建立基于XGBoost的变压器故障诊断模型,实现对油浸式变压器运行状态的实时精准诊断。能够稳定可靠地提升变压器故障诊断的准确率和稳定性。
作为优选,所述的步骤S1中,所述无编码比值提取的油浸式变压器实时运行特征即油浸式变压器器油中溶解的特征气体含量比值,利用油中溶解的特征气体含量比值与油浸式变压器故障类型的相关性,分析判断变压器故障类型,所述无编码比值法包括九个维度的特征。
油浸式变压器故障诊断中,DGA气体的特征编码方式较多,如ICE比值法(包含3个维度的特征)、Rogers比值法(包含4个维度的特征)等,不同的编码方式可提取变压器内部不同的故障信息,从而对后续故障诊断的结果产生影响。当变压器发生不同类型的故障时,特定的气体组分会迅速增加,例如绝缘油过热时,CH4和C2H4的比例迅速增大;高能放电时,H2和C2H2含量升高。变压器故障类型和气体成分的变化呈现较强的相关性。本发明采用无编码比值作为油浸式变压器故障诊断模型的特征输入,利用油中溶解特征气体含量比值与故障类型的相关性来诊断变压器故障类型。与传统的比值法相比,无编码比值法包含了更多维度的特征信息,解决了三比值法编码不完备的问题,能够提升诊断结果的准确性。
作为优选,利用如下公式对提取的特征数据进行归一化处理:
式中,其中,x ij为第i个样本中第j个特征气体含量;x′ij为归一化的特征气体含量。
油浸式变压器油中溶解特征气体包括氢气、甲烷、乙烷、乙烯、乙炔,这五种气体含量分散性较大,直接作为样本输入会对诊断精度造成影响。本发明采用特征气体含量比值而非单一气体含量作为样本输入,因此需要对特征气体含量进行归一化处理。
作为优选,所述步骤S3包括基于XGBoost的故障诊断模型构建:
S3.1:对一个有n个样本、m个特征的数据集D,对于每个样本,各分类回归树依据不同分类规则将其分类到叶子节点中,通过累加对应叶子的分数ω,获得最终预测结果每棵分类回归树的每个叶子节点对应一个连续分数值;
S3.2:最小化正则化目标:
得到目标函数,构造基于XGBoost的故障诊断模型,式中:φ为基于XGBoost的故障诊断模型中的函数集合;γ、λ为控制模型复杂程度的正则化参数;
S3.3:利用加法学习的方式对基于XGBoost的故障诊断模型进行训练。
γ、λ为控制模型复杂程度的正则化参数,参数值越大,模型越不容易过拟合。L(Φ)为可微的凸损失函数,用于度量预测值与标签值的差距;为损失函数,用于度量CART预测值与真实值之间的差距;∑kΩ(fk)为正则项,用于对模型的复杂程度进行惩罚,该附加的正则项能够平滑各叶节点的权重,避免过拟合。
作为优选,所述步骤S3.3进一步表示为:
S3.3.1:对基于XGBoost的故障诊断模型进行训练前,对油浸式变压器故障类型进行编码;
S3.3.2:将无编码比值作为基于XGBoost的故障诊断模型的输入,将样本数据按比例随机分为训练集和测试集,所述样本数据为无编码比值及其对应的故障类型;
S3.3.3:设置基于XGBoost的故障诊断模型的初始参数,并进行预训练。
油浸式变压器故障类型分为低温过热、中温过热、高温过热、局部放电、低能放电、高能放电、低能放电兼过热、高能放电兼过热8种。
作为优选,所述步骤S3中,所述基于XGBoost的故障诊断模型以分类回归树为基分类器,采用集成学习中梯度提升的方法进行加法训练,所述加法训练由一个常数预测开始,在每次迭代过程中,以最小化正则化目标函数为依据生成新的弱学习器并将其加入现有模型中;利用精确贪心算法,从单叶节点开始迭代向树中加入分支,对每个特征的所有数据进行排序,并按照顺序访问数据,在基于XGBoost的故障诊断模型的训练中,找到最佳分裂点。
通过多轮迭代提升基于XGBoost的故障诊断模型的准确率。
作为优选,所述步骤S4中包括:
在基于XGBoost的故障诊断模型训练过程中,选取对模型性能有影响的参数,利用遗传算法对选取的超参数进行优化;所述遗传算法参数设置为:采用实数编码方式,种群个数为N,适应度函数为XGBoost故障诊断模型诊断正确率。
在基于XGBoost的故障诊断模型训练过程中,迭代次数过少易造成欠拟合,导致模型对问题的求解能力不足,而迭代次数过多又可能造成过拟合,使得模型对于训练数据表达能力过强而泛化性能低下。学习率η过小时,梯度下降很慢,过大时又可能跨过最优值,产生振荡;同时模型中其他参数,如决策树的最大深度dmax、随机样本的抽取比例、特征的抽取比例、决策树节点分裂标准都会对模型学习能力和分类性能产生影响,本发明选取对基于XGBoost的故障诊断模型由影响的超参数,利用遗传算法进行优化,提高基于XGBoost的故障诊断模型性能。
作为优选,所述步骤S4还包括:
B1:利用遗传算法不断对基于XGBoost的故障诊断模型参数进行调整;
B2:判断是否达到最大迭代次数或者终止条件,若达到则将此时的训练参数值作为模型的最优参数,否则返回步骤B2;
B3:利用测试集对模型的诊断效果进行测试,输出故障分类结果。
利用遗传算法进行优化,提高基于XGBoost的故障诊断模型性能。
因此,本发明具有如下有益效果:1、利用XGBoost,提高了模型的泛化能力,防止过拟合,有更高的适应性和鲁棒性;2、XGBoost并行和分布式的计算模式也大幅提高了其训练速度,同时提高了油浸式变压器故障诊断精度以及诊断的稳定性;3、利用遗传算法进行优化,提高基于XGBoost的故障诊断模型性能。
附图说明
图1为油浸式变压器故障诊断方法的步骤流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
如图1所示的实施例中,可以看到一种油浸式变压器故障诊断方法,其操作流程为:步骤一,以油中溶解气体分析为依据,采用无编码比值方法提取油浸式变压器实时运行特征;步骤二,对提取的特征数据进行归一化处理;步骤三,以归一化处理后的特征数据作为输入,对基于XGBoost的故障诊断模型进行训练;步骤四,利用遗传算法对基于XGBoost的故障诊断模型进行优化;步骤五,利用优化后的故障诊断模型,对油浸式变压器进行故障诊断。
极端梯度提升-XGBoost算法,以损失函数的负梯度为依据训练多个个体学习器,并按照一定策略组合成一个准确可靠的集成学习器。XGBoost在损失函数中加入正则化项对模型的复杂程度施加惩罚,以提高模型的泛化能力,防止过拟合;并行和分布式的计算模式也大幅提高了其训练速度。本发明采用无编码比值法提取变压器实时运行的特征;采用归一化方法处理提取后的特征数据;将处理后的数据作为样本训练XGBoost模型,并采用遗传算法(GA)对模型的多个超参数同时进行优化,最终建立基于XGBoost的变压器故障诊断模型,实现对油浸式变压器运行状态的实时精准诊断。能够稳定可靠地提升变压器故障诊断的准确率和稳定性。
下面对本申请的技术方案做进一步说明:
第一步:以油中溶解气体分析为依据,采用无编码比值方法提取油浸式变压器实时运行特征。
无编码比值提取的油浸式变压器实时运行特征即油浸式变压器器油中溶解的特征气体含量比值,利用油中溶解的特征气体含量比值与油浸式变压器故障类型的相关性,分析判断变压器故障类型。
本实施例中无编码比值法包括九个维度的特征:C(CH4)/C(H2)、C(C2H4)/C(C2H2)、C(C2H2)/C(C2H6)、(C(CH4)+C(C2H4))/(C1+C2)、C(H2)/(C(H2)+C1+C2)、C(C2H4)/(C1+C2)、C(CH4)/(C1+C2)、C(C2H6)/(C1+C2)、C(C2H2)/(C1+C2)。其中,C(*)表示气体含量;C1为CH4所代表的一阶碳氢化合物气体含量之和;C2为C2H6、C2H4、C2H2所代表的二阶碳氢化合物气体含量之和。
油浸式变压器故障诊断中,DGA气体的特征编码方式较多,如ICE比值法(包含3个维度的特征)、Rogers比值法(包含4个维度的特征)等,不同的编码方式可提取变压器内部不同的故障信息,从而对后续故障诊断的结果产生影响。当变压器发生不同类型的故障时,特定的气体组分会迅速增加,例如绝缘油过热时,CH4和C2H4的比例迅速增大;高能放电时,H2和C2H2含量升高。变压器故障类型和气体成分的变化呈现较强的相关性。本发明采用无编码比值作为油浸式变压器故障诊断模型的特征输入,利用油中溶解特征气体含量比值与故障类型的相关性来诊断变压器故障类型。与传统的比值法相比,无编码比值法包含了更多维度的特征信息,解决了三比值法编码不完备的问题,能够提升诊断结果的准确性。
第二步:对提取的特征数据进行归一化处理。
油浸式变压器油中溶解特征气体包括氢气、甲烷、乙烷、乙烯、乙炔,这五种气体含量分散性较大,直接作为样本输入会对诊断精度造成影响。本发明采用特征气体含量比值而非单一气体含量作为样本输入,因此需要对特征气体含量进行归一化处理。
利用如下公式对提取的特征数据进行归一化处理:
式中,其中,x ij为第i个样本中第j个特征气体含量;x′ij为归一化的特征气体含量。
第三步:以归一化处理后的特征数据作为输入,对基于XGBoost的故障诊断模型进行训练。
基于XGBoost的故障诊断模型构建:
以CART为基分类器,通过梯度提升的方法进行集成,其基本思想是将多个分类准确率较低的基分类器集成为一个准确可靠的集成分类器。XGBoost的训练始于一个常数预测,每次迭代生成1棵CART拟合现有模型的残差,通过多轮迭代提升模型的准确率。
具体的:
对一个有n个样本、m个特征的数据集D,K棵CART最终预测输出为:
F={f(x)=ωq(x)},q:Rm→T,ω∈RT
其中,每个函数fk对应一个独立的树结构向量q和叶子权重ω,q由样本指向相应的叶子标签,每棵CART的每个叶子节点对应一个连续分数值,即权重,第i个节点的分数为ωi,T为叶子节点个数,F为CART构成的集合,ωq(x)为模型预测值。对于每个样本,各分类回归树依据不同分类规则将其分类到叶子节点中,通过累加对应叶子的分数ω,获得最终预测结果每棵分类回归树的每个叶子节点对应一个连续分数值;
2、最小化正则化目标。
为学习模型中的函数集合,最小化正则化目标:
γ、λ为控制模型复杂程度的正则化参数,参数值越大,模型越不容易过拟合。L(Φ)为可微的凸损失函数,用于度量预测值与标签值的差距;为损失函数,用于度量CART预测值与真实值之间的差距;∑kΩ(fk)为正则项,用于对模型的复杂程度进行惩罚,该附加的正则项能够平滑各叶节点的权重,避免过拟合。得到目标函数,构造基于XGBoost的故障诊断模型。
3、基于XGBoost的故障诊断模型训练。
对基于XGBoost的故障诊断模型进行训练前,对油浸式变压器故障类型进行编码;将无编码比值作为基于XGBoost的故障诊断模型的输入,将样本数据按比例随机分为训练集和测试集,所述样本数据为无编码比值及其对应的故障类型;设置基于XGBoost的故障诊断模型的初始参数,并进行预训练。
具体训练时:基于XGBoost的故障诊断模型以分类回归树为基分类器,采用集成学习中梯度提升的方法进行加法训练,加法训练由一个常数预测开始,在每次迭代过程中,以最小化正则化目标函数为依据生成新的弱学习器并将其加入现有模型中;利用精确贪心算法,从单叶节点开始迭代向树中加入分支,对每个特征的所有数据进行排序,并按照顺序访问数据,在基于XGBoost的故障诊断模型的训练中,找到最佳分裂点。
第四步:利用遗传算法对基于XGBoost的故障诊断模型进行优化。
在基于XGBoost的故障诊断模型训练过程中,迭代次数过少易造成欠拟合,导致模型对问题的求解能力不足,而迭代次数过多又可能造成过拟合,使得模型对于训练数据表达能力过强而泛化性能低下。学习率η过小时,梯度下降很慢,过大时又可能跨过最优值,产生振荡;同时模型中其他参数,如决策树的最大深度dmax、随机样本的抽取比例、特征的抽取比例、决策树节点分裂标准都会对模型学习能力和分类性能产生影响,本发明选取对基于XGBoost的故障诊断模型由影响的超参数,利用遗传算法进行优化,提高基于XGBoost的故障诊断模型性能。
本实施例中,在基于XGBoost的故障诊断模型训练过程中,选取迭代次数、学习率、决策树的最大深度、随机样本的抽取比例、特征的抽取比例、决策树节点分裂标准正则这6个超参数,利用遗传算法对选取的超参数进行优化。
本实施例中,遗传算法参数设置为:采用实数编码方式,种群个数为N,适应度函数为XGBoost故障诊断模型诊断正确率。
具体优化过程为:
B1:利用遗传算法不断对基于XGBoost的故障诊断模型参数进行调整;
B2:判断是否达到最大迭代次数或者终止条件,若达到则将此时的训练参数值作为模型的最优参数,否则返回步骤B2;
B3:利用测试集对模型的诊断效果进行测试,输出故障分类结果。
利用遗传算法进行优化,提高基于XGBoost的故障诊断模型性能。
第五步:利用优化后的故障诊断模型,对油浸式变压器进行故障诊断。
本实施例中,基于XGBoost的油浸式变压器故障诊断模型流程为:
(1)采集样本数据,并对采集到的样本数据进行归一化处理;
(2)选取无编码比值作为故障诊断模型的特征输入,将样本数据按比例随机分为训练集和测试集;
(3)设置基于XGBoost的故障诊断模型的初始参数并进行预训练,利用遗传算法不断对模型参数进行调整;
(4)判断是否达到最大迭代次数或者终止条件,若达到则将此时的训练参数值作为模型的最优参数,否则返回步骤(3);
(5)利用测试集对模型的诊断效果进行测试,输出故障分类结果。
下面通过具体的例子,进一步说明本申请的技术方案:
选取600个故障类型确定的典型油浸式变压器DGA数据进行分析,其中测试集样本数占样本总数的20%。
设置基于XGBoost的故障诊断模型的初始参数:
迭代次数n=500;学习率η=0.3;决策树节点分裂标准γsplit=0;决策树的最大深度dmax=6;随机样本的抽取比例rsubsample=1;特征的抽取比例rcolsample=1;将损失函数定义为线性回归,其余参数均为默认值。
训练基于XGBoost的故障诊断模型,利用基于XGBoost的故障诊断模型进行诊断,计算诊断正确率为92.8%。而LDA模型诊断正确率为61%,KNN模型诊断正确率为76.5%,SVM模型诊断正确率为72.1%;RF模型诊断正确率为89.2%。因此,基于XGBoost的故障诊断模型的诊断正确率更高。且基于XGBoost的故障诊断模型收敛速度更快,训练效率更高。
利用遗传算法对迭代次数、学习率、决策树的最大深度、随机样本的抽取比例、特征的抽取比例、决策树节点分裂标准正则这6个超参数同时进行优化,遗传算法参数设置如下:采用实数编码方式,种群个数为50,适应度函数为基于XGBoost的故障诊断模型诊断正确率。当遗传代数达到第6代时,适应度达到0.981,并在之后保持不变。由此可见,基于遗传算法对基于XGBoost的故障诊断模型优化后,其诊断正确率得到了进一步提高。
本发明对采集的样本数据进行归一化处理,并采用无编码比值作为输入特征,深层地挖掘了油中溶解气体与故障类型间的内在联系;在采用无编码比值作为特征输入时,相比于LDA、KNN、SVM、RF和GBDT,XGBoost具有更高的精度和稳定性;将遗传算法引入基于XGBoost的故障诊断模型,选取对基于XGBoost的故障诊断模型影响较大的6个超参数进行同时优化,有效地提升了基于XGBoost的故障诊断模型的诊断精度。
以上所述的实施例只是本发明的一种较佳的方案,并非对本发明作任何形式上的限制,在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (8)
1.一种油浸式变压器故障诊断方法,其特征在于,它包括下列步骤:
S1:以油中溶解气体分析为依据,采用无编码比值方法提取油浸式变压器实时运行特征;
S2:对提取的特征数据进行归一化处理;
S3:以归一化处理后的特征数据作为输入,对基于XGBoost的故障诊断模型进行训练;
S4:利用遗传算法对基于XGBoost的故障诊断模型进行优化;
S5:利用优化后的故障诊断模型,对油浸式变压器进行故障诊断。
2.根据权利要求1所述的一种油浸式变压器故障诊断方法,其特征在于,所述的步骤S1中,所述无编码比值提取的油浸式变压器实时运行特征即油浸式变压器器油中溶解的特征气体含量比值,利用油中溶解的特征气体含量比值与油浸式变压器故障类型的相关性,分析判断变压器故障类型,所述无编码比值法包括九个维度的特征。
5.根据权利要求4所述的一种油浸式变压器故障诊断方法,其特征在于,所述步骤S3.3进一步表示为:
S3.3.1:对基于XGBoost的故障诊断模型进行训练前,对油浸式变压器故障类型进行编码;
S3.3.2:将无编码比值作为基于XGBoost的故障诊断模型的输入,将样本数据按比例随机分为训练集和测试集,所述样本数据为无编码比值及其对应的故障类型;
S3.3.3:设置基于XGBoost的故障诊断模型的初始参数,并进行预训练。
6.根据权利要求1或4或5所述的一种油浸式变压器故障诊断方法,其特征在于,所述步骤S3中,所述基于XGBoost的故障诊断模型以分类回归树为基分类器,采用集成学习中梯度提升的方法进行加法训练,所述加法训练由一个常数预测开始,在每次迭代过程中,以最小化正则化目标函数为依据生成新的弱学习器并将其加入现有模型中;利用精确贪心算法,从单叶节点开始迭代向树中加入分支,对每个特征的所有数据进行排序,并按照顺序访问数据,在基于XGBoost的故障诊断模型的训练中,找到最佳分裂点。
7.根据权利要求1所述的一种油浸式变压器故障诊断方法,其特征在于,所述步骤S4中包括:
在基于XGBoost的故障诊断模型训练过程中,选取对模型有影响的超参数,利用遗传算法对选取的超参数进行优化;所述遗传算法参数设置为:采用实数编码方式,种群个数为N,适应度函数为XGBoost故障诊断模型诊断正确率。
8.根据权利要求1或2或4或7所述的一种油浸式变压器故障诊断方法,其特征在于,所述步骤S4还包括:
B1:利用遗传算法不断对基于XGBoost的故障诊断模型参数进行调整;
B2:判断是否达到最大迭代次数或者终止条件,若达到则将此时的训练参数值作为模型的最优参数,否则返回步骤B2;
B3:利用测试集对模型的诊断效果进行测试,输出故障分类结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211688310.8A CN116263814A (zh) | 2022-12-27 | 2022-12-27 | 一种油浸式变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211688310.8A CN116263814A (zh) | 2022-12-27 | 2022-12-27 | 一种油浸式变压器故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116263814A true CN116263814A (zh) | 2023-06-16 |
Family
ID=86723884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211688310.8A Pending CN116263814A (zh) | 2022-12-27 | 2022-12-27 | 一种油浸式变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116263814A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668738A (zh) * | 2024-01-31 | 2024-03-08 | 天津通安变压器有限公司 | 一种大型油浸式变压器的故障检测方法 |
-
2022
- 2022-12-27 CN CN202211688310.8A patent/CN116263814A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117668738A (zh) * | 2024-01-31 | 2024-03-08 | 天津通安变压器有限公司 | 一种大型油浸式变压器的故障检测方法 |
CN117668738B (zh) * | 2024-01-31 | 2024-05-10 | 天津通安变压器有限公司 | 一种大型油浸式变压器的故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665058B (zh) | 一种基于分段损失的生成对抗网络方法 | |
CN110718910B (zh) | 贝叶斯优化LightGBM的暂态稳定评估方法 | |
CN109142946A (zh) | 基于蚁群算法优化随机森林的变压器故障检测方法 | |
CN111722046B (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
CN110909977A (zh) | 基于adasyn-dhsd-et的电网故障诊断方法 | |
CN110837223A (zh) | 一种燃气轮机燃烧优化控制方法及系统 | |
CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN112147432A (zh) | 基于注意力机制的BiLSTM模块、变压器状态诊断方法和系统 | |
CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
CN116263814A (zh) | 一种油浸式变压器故障诊断方法 | |
CN116010884A (zh) | 基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法 | |
CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
CN115577639A (zh) | 基于麻雀搜索法优化支持向量机的变压器故障诊断方法 | |
CN116524960A (zh) | 一种基于混合熵下采样和集成分类器的语音情感识别系统 | |
CN117786441A (zh) | 一种基于改进K-means聚类算法的多场景光伏用户用电行为分析方法 | |
CN107808245A (zh) | 基于改进决策树方法的管网调度系统 | |
CN116488151A (zh) | 一种基于条件生成对抗网络的短期风电功率预测方法 | |
CN116562169A (zh) | 一种基于深度学习的电力变压器故障诊断方法 | |
CN115407053B (zh) | 征兆优选方法、计算机设备以及可读存储介质 | |
CN116755000A (zh) | 一种变压器故障快速识别装置及方法 | |
CN113496255B (zh) | 基于深度学习与决策树驱动的配电网混合观测布点方法 | |
CN115759185A (zh) | 基于Elman神经网络变压器油色谱特征气体的预测方法 | |
CN114997475A (zh) | 一种基于Kmeans的融合模型光伏发电短期预测方法 | |
CN113610229A (zh) | 一种基于范数不确定性指标的主动学习方法 | |
CN115360719B (zh) | 基于plnn的电力系统短期电压稳定性评估方法 |
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 |