CN117272116B - 一种基于loras平衡数据集的变压器故障诊断方法 - Google Patents
一种基于loras平衡数据集的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN117272116B CN117272116B CN202311330029.1A CN202311330029A CN117272116B CN 117272116 B CN117272116 B CN 117272116B CN 202311330029 A CN202311330029 A CN 202311330029A CN 117272116 B CN117272116 B CN 117272116B
- Authority
- CN
- China
- Prior art keywords
- model
- samples
- hkelm
- sample
- loras
- 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.)
- Active
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 8
- 241000254173 Coleoptera Species 0.000 claims description 28
- 210000003608 fece Anatomy 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000009395 breeding Methods 0.000 claims description 3
- 230000001488 breeding effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000002431 foraging effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 abstract description 32
- 230000009286 beneficial effect Effects 0.000 description 7
- 239000007789 gas Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于LORAS平衡数据集的变压器故障诊断方法,涉及变压器故障诊断领域,首先从少数类的近似数据流形中进行过采样,实现变压器故障集中少数类样本的扩充。针对核极限学习机模型结构较简单的问题,本发明提出了一种将全局核函数和局部核函数相结合方法,将单核扩展到多核,以提高模型对于复杂数据的处理能力。为了进一步提高模型的性能,本发明采用DBO优化算法对混合核极限学习机的核参数、权参数以及正则化系数进行寻优,以提高模型的故障诊断精度和泛化能力。本发明解决了现有故障诊断方法诊断精度低、鲁棒性低的问题。
Description
技术领域
本发明涉及变压器故障诊断领域,特别是涉及一种基于LORAS平衡数据集的变压器故障诊断方法。
背景技术
变压器是电力系统中数量极多且地位十分重要的电气设备,其安全平稳运行对于保障电力系统的供电可靠性、安全性、连续性和运行经济性起着至关重要的作用。然而,在长期运行过程中,变压器难免会出现各种故障,给社会经济发展带来不可估量的损失。因此,及时快速地发现并处理变压器潜在故障,可以有效避免电力系统“非停”事故的发生,确保电力系统的稳定运行。由于溶解于油中的气体成分和含量与故障的性质及程度存在密切联系,因此油中溶解气体分析(Dissolved Gas Analysis,DGA)方法在变压器故障诊断领域被广泛使用。
然而现有故障诊断方法由于变压器故障样本集不均衡、核极限学习机模型结构较简单,导致故障诊断精度低、鲁棒性低。
发明内容
针对现有技术中的上述不足,本发明提供的一种基于LORAS平衡数据集的变压器故障诊断方法解决了现有故障诊断方法由于变压器故障样本集不均衡、核极限学习机模型结构较简单,导致故障诊断精度低、鲁棒性低的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种基于LORAS平衡数据集的变压器故障诊断方法,包括以下分步骤:
S1:获取样本数据集,并将样本数据集划分为训练集和测试集,对训练集利用LORAS方法进行少数类样本扩充,并对测试集和少数类样本扩充的训练集进行归一化处理;
S2:利用归一化后的训练集对HKELM模型进行训练,并利用评价指标和测试集测试HKELM模型性能;
S3:基于测试后的HKELM模型,判断当前迭代次数是否小于或等于设置的最大迭代次数,如果不是,则进入步骤S4,如果是,则利用DBO算法对HKELM模型进行参数优化并返回步骤S2;
S4:保存模型,并进行故障诊断,完成基于LORAS平衡数据集的变压器故障诊断。
上述方案的有益效果是:本发明利用LORAS平衡数据集实现变压器故障集中少数类样本的扩充,并采用DBO优化算法对混合核极限学习机进行参数寻优,提高模型的故障诊断精度和泛化能力,解决了现有故障诊断方法由于变压器故障样本集不均衡、核极限学习机模型结构较简单,导致故障诊断精度低、鲁棒性低的问题。
进一步地,S1中样本数据集中的每个样本数据均包括H2、CH4、C2H4、C2H2和C2H6的含量信息和状态标签,所述状态标签类型包括正常状态、中低温过热状态、高温过热状态、高能放电状态、低能放电状态和局部放电状态。
上述进一步方案的有益效果是:利用上述包括五种故障特征气体的样本数据集对模型进行训练和测试,用于后续诊断变压器的不同故障类型。
进一步地,S1中对训练集利用LORAS方法进行少数类样本扩充,包括以下分步骤:
S1-1:选择数据集中属于少数类的所有样本,使用t分布随机邻居嵌入技术对所有样本进行降维并嵌入到低维特征空间中;
S1-2:选择嵌入到低维特征空间中的少数类中的一个数据点p,使用K近邻算法找到与数据点p最近的k个邻居,并以数据点p为中心构建一个局部邻域;
S1-3:通过向数据点p及其近邻组添加正态分布中的随机噪声生成阴影样本集s;
S1-4:对阴影样本集s进行随机抽样,抽取一组阴影样本并加权合并,得到新的合成样本;
S1-5:计算每个嵌入到低维特征空间的少数类需要生成的样本数量,对于所有少数类重复上述步骤S1-2到S1-4,直到得到所需的扩充样本数量;
S1-6:将生成的合成样本映射到原始特征空间,并与原始样本合并,完成少数类样本扩充。
上述进一步方案的有益效果是:通过上述技术方案,利用LORAS采样方法为数据集中的少数类生成合成样本,用于平衡类别分布,能够在生成合成样本时保持原始数据的局部结构和几何形状,避免合成样本之间的冗余和过拟合,从而提高分类器的泛化能力和性能。
进一步地,S1中归一化处理公式为:
其中,X*为归一化后的值,Xi为归一化前的数据,min(·)为最小值,max(·)为最大值。
上述进一步方案的有益效果是:通过上述技术方案,对数据进行归一化处理,提高模型的计算速度。
进一步地,S2中评价指标包括准确率、查准率、查全率和Kappa系数,所述准确率λA为:
其中,n为预测正确的样本数,N为样本总数;
所述查准率λP为:
其中,nT为故障类样本正确预测的数量,nP为预测为故障类的样本总数;
所述查全率λR为:
其中,nR为故障类样本总数;
所述Kappa系数Kappa为:
其中,nRi为不同故障类型的查全率,nPi为不同故障类型的查准率,i为6种不同的变压器运行状态类型。
上述进一步方案的有益效果是:本发明将准确率、查准率、查全率及Kappa系数共同作为变压器故障诊断模型的评价指标,能够更准确地评估故障诊断模型。其中,准确率反映了模型在故障分类问题上的整体性能表现,较高的准确率代表模型在故障分类问题上的整体表现更优秀;查准率用于评估模型对不同故障类别进行分类的能力,较高的查准率表示模型的分类可信度更高;查全率用于评估模型对某一故障类别的识别能力,较高的查全率表示模型对该故障类别的敏感度更高;Kappa系数是一种衡量模型预测结果与实际结果之间一致性的统计指标,相较于准确率,Kappa系数能够更好地纠正不平衡数据集中准确率的偏差,并提供更可靠的性能评估。
进一步地,S3中HKELM模型的局部核函数K1(x,y)采用高斯核函数,公式为:
K1(x,y)=exp(-γ·||x-y||2)
其中,(x,y)为输入样本的特征向量,γ为核带宽参数,||·||为范数,exp为以e为底的指数函数;
所述HKELM模型的全局核函数K2(x,y)采用多项式函数,公式为:
K2(x,y)=((x·y)+η)d
其中,η为任意常数,d为多项式核的次数;
所述HKELM模型的混合核函数KH(x,y)为:
KH(x,y)=(1-w)exp(-γ·||x-y||2)+w((x·y)+η)d
其中,w为权重参数。
上述进一步方案的有益效果是:由于传统核函数包括的全局核函数和局部核函数都存在局限性,为了获得强大的学习和泛化能力,本发明使用变量权重将两种不同类型的核函数合并并构建混合核函数,实现更好的性能。
进一步地,S3中利用DBO算法对HKELM模型进行参数优化,包括以下分步骤:
S3-1:初始化蜣螂种群及相关参数,并计算每个蜣螂个体适应度;
S3-2:基于蜣螂个体适应度,更新滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂的位置;
S3-3:根据蜣螂的位置判断每个蜣螂个体是否在边界外,如果是,则返回步骤S3-2,如果不是,则进入步骤S3-4;
S3-4:更新当前最优解及适应度值,并判断当前迭代次数是否小于设置的最大迭代次数,如果不是,则输出全局最优解及适应度值,获得HKELM模型的参数,完成对HKELM模型的参数优化,如果是,则返回步骤S3-2。
上述进一步方案的有益效果是:本发明使用蜣螂优化算法(DBO)对HKELM模型进行参数优化,以提高模型精度,相比于其他优化算法,DBO能够更迅速地在搜索空间中找到最佳区域,并且逐步接近最优解。
附图说明
图1为一种基于LORAS平衡数据集的变压器故障诊断方法流程图。
图2为基于原始数据集的DBO-HKELM诊断模型结果对比图。
图3为基于SMOTE平衡化数据的DBO-HKELM诊断模型结果对比图。
图4为基于ADASYN平衡化数据的DBO-HKELM诊断模型结果对比图。
图5为基于LORAS平衡化数据的DBO-HKELM诊断模型结果对比图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步说明。
如图1所示,一种基于LORAS平衡数据集的变压器故障诊断方法,包括以下分步骤:
S1:获取样本数据集,并将样本数据集划分为训练集和测试集,对训练集利用LORAS方法进行少数类样本扩充,并对测试集和少数类样本扩充的训练集进行归一化处理;
S2:利用归一化后的训练集对HKELM模型进行训练,并利用评价指标和测试集测试HKELM模型性能;
S3:基于测试后的HKELM模型,判断当前迭代次数是否小于或等于设置的最大迭代次数,如果不是,则进入步骤S4,如果是,则利用DBO算法对HKELM模型进行参数优化并返回步骤S2;
S4:保存模型,并进行故障诊断,完成基于LORAS平衡数据集的变压器故障诊断。
S1中样本数据集中的每个样本数据均包括H2、CH4、C2H4、C2H2和C2H6的含量信息和状态标签,所述状态标签类型包括正常状态、中低温过热状态、高温过热状态、高能放电状态、低能放电状态和局部放电状态。
S1中对训练集利用LORAS方法进行少数类样本扩充,包括以下分步骤:
S1-1:选择数据集中属于少数类的所有样本,使用t分布随机邻居嵌入技术对所有样本进行降维并嵌入到低维特征空间中;
S1-2:选择嵌入到低维特征空间中的少数类中的一个数据点p,使用K近邻算法找到与数据点p最近的k个邻居,并以数据点p为中心构建一个局部邻域;
S1-3:通过向数据点p及其近邻组添加正态分布中的随机噪声生成阴影样本集s;
S1-4:对阴影样本集s进行随机抽样,抽取一组阴影样本并加权合并,得到新的合成样本;
S1-5:计算每个嵌入到低维特征空间的少数类需要生成的样本数量,对于所有少数类重复上述步骤S1-2到S1-4,直到得到所需的扩充样本数量;
S1-6:将生成的合成样本映射到原始特征空间,并与原始样本合并,完成少数类样本扩充。
S1中归一化处理公式为:
其中,X*为归一化后的值,Xi为归一化前的数据,min(·)为最小值,max(·)为最大值。
S2中评价指标包括准确率、查准率、查全率和Kappa系数,所述准确率λA为:
其中,n为预测正确的样本数,N为样本总数;
所述查准率λP为:
其中,nT为故障类样本正确预测的数量,nP为预测为故障类的样本总数;
所述查全率λR为:
其中,nR为故障类样本总数;
所述Kappa系数Kappa为:
其中,nRi为不同故障类型的查全率,nPi为不同故障类型的查准率,i为6种不同的变压器运行状态类型,i=1,2,…,6。
传统核函数可分为两类:全局核函数和局部核函数。全局核函数关注数据的整体影响,允许相距很远的数据点对核函数的值产生影响,因此具有更强的泛化性能,但学习能力不足。而局部核函数则关注关键点附近的数据对核函数的影响,具有强大的学习能力,但泛化性能较弱。为了获得强大的学习和泛化能力,可以使用变量权重将两种不同类型的核函数合并构建混合核函数,以实现更好的性能。
S3中HKELM模型的局部核函数K1(x,y)采用高斯核函数,公式为:
K1(x,y)=exp(-γ·||x-y||2)
其中,(x,y)为输入样本的特征向量,γ为核带宽参数,||·||为范数,exp为以e为底的指数函数;
所述HKELM模型的全局核函数K2(x,y)采用多项式函数,公式为:
K2(x,y)=((x·y)+η)d
其中,η为任意常数,d为多项式核的次数;
所述HKELM模型的混合核函数KH(x,y)为:
KH(x,y)=(1-w)exp(-γ·||x-y||2)+w((x·y)+η)d
其中,w为权重参数。
式中权重参数w可以给局部核函数和全局核函数赋予不同的线性权值。因此选择合适的核参数和权重参数可以提高模型的性能和泛化能力。
S3中利用DBO算法对HKELM模型进行参数优化,包括以下分步骤:
S3-1:初始化蜣螂种群及相关参数,并计算每个蜣螂个体适应度;
S3-2:基于蜣螂个体适应度,更新滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂的位置;
S3-3:根据蜣螂的位置判断每个蜣螂个体是否在边界外,如果是,则返回步骤S3-2,如果不是,则进入步骤S3-4;
S3-4:更新当前最优解及适应度值,并判断当前迭代次数是否小于设置的最大迭代次数,如果不是,则输出全局最优解及适应度值,获得HKELM模型的参数,完成对HKELM模型的参数优化,如果是,则返回步骤S3-2。
在本发明的一个实施例中,为了验证本发明所提出的均衡数据方法的有效性及变压器故障诊断模型的优越性,分别采用过采样方法(SMOTE、ADASYN、LORAS)以及未处理方法,得到GA-BP、GSA-SVM、SSA-KELM、DBO-HKELM诊断模型的诊断精度和Kappa系数评价指标,DBO-HKELM为本申请中构建的故障诊断模型,结果如表1和表2所示。
表1不同过采样方法下不同模型的诊断精度对比
表2不同过采样方法下不同模型的Kappa系数对比
表1比较了不同采样方法下不同诊断模型的故障诊断准确度,表2比较了不同采样方法下不同诊断模型的Kappa系数对比。分析表中数据发现,在使用原始数据集的方法下,GA-BP、GSA-SVM和SSA-KELM模型的诊断精度分别为76.92%、84.62%和83.85%,Kappa系数分别为0.69、0.80和0.79。本发明在KELM的基础上将全局核函数与局部核函数混合,并使用新的智能优化算法(即DBO算法)对HKELM模型的关键参数进行寻优。结果显示,所提出的DBO-HKELM模型的准确度为86.15%,Kappa系数为0.82,相比于GA-BP、GWO-SVM、PSO-KELM模型分别提高了9.23%、1.53%和2.3%,同时Kappa系数也相应提高了0.13、0.02和0.03。这表明HKELM模型表现出较强的学习能力和泛化性能,具有更高的分类准确率,同时DBO算法也具有较强的搜索能力和更快的收敛速度,仅需要少量迭代即可收敛到搜索空间中最佳的位置。
在使用原始数据集进行训练的DBO-HKELM模型中,诊断精度为86.15%,Kappa系数为0.82。而使用本发明所提出的LORAS方法对少类样本进行扩充,其诊断精度高达96.15%,Kappa系数最大高达0.95,与未进行平衡化处理、SMOTE、ADASYN的方法相比,其诊断精度分别提升了10%、5.39%、3.84%。Kappa系数分别提升了0.13、0.07、0.05。如图2、图3、图4和图5所示,为四种数据处理方式下基于DBO-HKELM的预测结果与实际结果对比图。
同时,为了更好的评估LORAS均衡多分类数据的DBO-HKELM变压器故障诊断模型的性能,表3给出了模型的评价指标,从表可以看出该故障诊断模型除了局部放电的查准率稍低外,其他故障类别的查全率和查准率均高于92%。在整体上,该模型的Kappa系数达到0.95,故障分类准确率高达96.15%。验证了LORAS-DBO-HKELM故障诊断模型在故障分类可信度、故障识别灵敏度和整体分类能力方面表现优异。
表3LORAS-DBO-HKELM模型的评价指标
本发明相比于SMOTE、ADASYN方法,本发明提出的LORAS算法通过保持原始数据的局部结构和几何形状,生成的样本能够更好地捕捉原始数据的特点和分布,有效的缓解了不平衡数据集中的分类器偏差问题,相比于GA-BP、GWO-SVM、PSO-KELM模型,本发明所提出的DBO-HKELM模型,在全局搜索能力、收敛速度和稳定性方面表现都更为出色,显著提升变压器故障诊断的准确性和可靠性。综上所述,LORAS-DBO-HKELM模型在变压器故障诊断方面展现出更强的故障类别识别能力,为变压器故障智能诊断领域的学术研究和实际应用提供了有价值的参考。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在发明的保护范围内。
Claims (3)
1.一种基于LORAS平衡数据集的变压器故障诊断方法,其特征在于,包括以下分步骤:
S1:获取样本数据集,并将样本数据集划分为训练集和测试集,对训练集利用LORAS方法进行少数类样本扩充,并对测试集和少数类样本扩充的训练集进行归一化处理;
S2:利用归一化后的训练集对HKELM模型进行训练,并利用评价指标和测试集测试HKELM模型性能;
S3:基于测试后的HKELM模型,判断当前迭代次数是否小于或等于设置的最大迭代次数,如果不是,则进入步骤S4,如果是,则利用DBO算法对HKELM模型进行参数优化并返回步骤S2;
S4:保存模型,并进行故障诊断,完成基于LORAS平衡数据集的变压器故障诊断;
所述S1中对训练集利用LORAS方法进行少数类样本扩充,包括以下分步骤:
S1-1:选择数据集中属于少数类的所有样本,使用t分布随机邻居嵌入技术对所有样本进行降维并嵌入到低维特征空间中;
S1-2:选择嵌入到低维特征空间中的少数类中的一个数据点p,使用K近邻算法找到与数据点p最近的k个邻居,并以数据点p为中心构建一个局部邻域;
S1-3:通过向数据点p及其近邻组添加正态分布中的随机噪声生成阴影样本集s;
S1-4:对阴影样本集s进行随机抽样,抽取一组阴影样本并加权合并,得到新的合成样本;
S1-5:计算每个嵌入到低维特征空间的少数类需要生成的样本数量,对于所有少数类重复上述步骤S1-2到S1-4,直到得到所需的扩充样本数量;
S1-6:将生成的合成样本映射到原始特征空间,并与原始样本合并,完成少数类样本扩充;
所述S2中评价指标包括准确率、查准率、查全率和Kappa系数,所述准确率λA为:
其中,n为预测正确的样本数,N为样本总数;
所述查准率λP为:
其中,nT为故障类样本正确预测的数量,nP为预测为故障类的样本总数;
所述查全率λR为:
其中,nR为故障类样本总数;
所述Kappa系数Kappa为:
其中,nRi为不同故障类型的查全率,nPi为不同故障类型的查准率,i为6种不同的变压器运行状态类型;
所述S3中HKELM模型的局部核函数K1(x,y)采用高斯核函数,公式为:
K1(x,y)=exp(-γ·||x-y||2)
其中,(x,y)为输入样本的特征向量,γ为核带宽参数,||·||为范数,exp为以e为底的指数函数;
所述HKELM模型的全局核函数K2(x,y)采用多项式函数,公式为:
K2(x,y)=((x·y)+η)d
其中,η为任意常数,d为多项式核的次数;
所述HKELM模型的混合核函数KH(x,y)为:
KH(x,y)=(1-w)exp(-γ·||x-y||2)+w((x·y)+η)d
其中,w为权重参数;
所述S3中利用DBO算法对HKELM模型进行参数优化,包括以下分步骤:
S3-1:初始化蜣螂种群及相关参数,并计算每个蜣螂个体适应度;
S3-2:基于蜣螂个体适应度,更新滚球蜣螂、繁殖蜣螂、觅食蜣螂和偷窃蜣螂的位置;
S3-3:根据蜣螂的位置判断每个蜣螂个体是否在边界外,如果是,则返回步骤S3-2,如果不是,则进入步骤S3-4;
S3-4:更新当前最优解及适应度值,并判断当前迭代次数是否小于设置的最大迭代次数,如果不是,则输出全局最优解及适应度值,获得HKELM模型的参数,完成对HKELM模型的参数优化,如果是,则返回步骤S3-2。
2.根据权利要求1所述的基于LORAS平衡数据集的变压器故障诊断方法,其特征在于,所述S1中样本数据集中的每个样本数据均包括H2、CH4、C2H4、C2H2和C2H6的含量信息和状态标签,所述状态标签类型包括正常状态、中低温过热状态、高温过热状态、高能放电状态、低能放电状态和局部放电状态。
3.根据权利要求1所述的基于LORAS平衡数据集的变压器故障诊断方法,其特征在于,所述S1中归一化处理公式为:
其中,X*为归一化后的值,Xi为归一化前的数据,min(·)为最小值,max(·)为最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330029.1A CN117272116B (zh) | 2023-10-13 | 2023-10-13 | 一种基于loras平衡数据集的变压器故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311330029.1A CN117272116B (zh) | 2023-10-13 | 2023-10-13 | 一种基于loras平衡数据集的变压器故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117272116A CN117272116A (zh) | 2023-12-22 |
CN117272116B true CN117272116B (zh) | 2024-05-17 |
Family
ID=89205981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311330029.1A Active CN117272116B (zh) | 2023-10-13 | 2023-10-13 | 一种基于loras平衡数据集的变压器故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117272116B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117874479B (zh) * | 2024-03-11 | 2024-05-24 | 西南交通大学 | 基于数据驱动的重载机车车钩力识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
CN108875783A (zh) * | 2018-05-09 | 2018-11-23 | 西安工程大学 | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 |
WO2019041629A1 (zh) * | 2017-08-30 | 2019-03-07 | 哈尔滨工业大学深圳研究生院 | 基于svm的高维不平衡数据分类方法 |
CN114925612A (zh) * | 2022-05-27 | 2022-08-19 | 江苏大学 | 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法 |
CN116226619A (zh) * | 2023-02-09 | 2023-06-06 | 淮阴工学院 | 一种基于ingo优化hkelm的齿轮箱故障诊断方法 |
CN116451123A (zh) * | 2023-04-27 | 2023-07-18 | 合肥工业大学 | 基于issa-mkelm的变压器早期故障诊断方法 |
CN116825243A (zh) * | 2023-05-09 | 2023-09-29 | 安徽工程大学 | 一种基于多源数据的热障涂层服役寿命预测方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
CN111860638B (zh) * | 2020-07-17 | 2022-06-28 | 湖南大学 | 基于不平衡数据深度信念网络的并行入侵检测方法和系统 |
-
2023
- 2023-10-13 CN CN202311330029.1A patent/CN117272116B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
WO2019041629A1 (zh) * | 2017-08-30 | 2019-03-07 | 哈尔滨工业大学深圳研究生院 | 基于svm的高维不平衡数据分类方法 |
CN108875783A (zh) * | 2018-05-09 | 2018-11-23 | 西安工程大学 | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 |
CN114925612A (zh) * | 2022-05-27 | 2022-08-19 | 江苏大学 | 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法 |
CN116226619A (zh) * | 2023-02-09 | 2023-06-06 | 淮阴工学院 | 一种基于ingo优化hkelm的齿轮箱故障诊断方法 |
CN116451123A (zh) * | 2023-04-27 | 2023-07-18 | 合肥工业大学 | 基于issa-mkelm的变压器早期故障诊断方法 |
CN116825243A (zh) * | 2023-05-09 | 2023-09-29 | 安徽工程大学 | 一种基于多源数据的热障涂层服役寿命预测方法及系统 |
Non-Patent Citations (2)
Title |
---|
LoRAS: an oversampling approach for imbalanced datasets;Saptarshi Bej等;Machine Learning;20201112;第110卷;279,283-286 * |
基于变分模态分解和核极限学习机集成模型的电动汽车锂电池健康状态预测;巫春玲等;电源学报;20230920;5-8,11 * |
Also Published As
Publication number | Publication date |
---|---|
CN117272116A (zh) | 2023-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112784881B (zh) | 网络异常流量检测方法、模型及系统 | |
CN117272116B (zh) | 一种基于loras平衡数据集的变压器故障诊断方法 | |
Ma et al. | Power transformer fault diagnosis under measurement originated uncertainties | |
Stratigopoulos et al. | Non-RF to RF test correlation using learning machines: A case study | |
Huang et al. | Exploiting local coherent patterns for unsupervised feature ranking | |
CN110853756B (zh) | 基于som神经网络和svm的食管癌风险预测方法 | |
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 | |
CN111680726A (zh) | 基于近邻成分分析和k近邻学习融合的变压器故障诊断方法和系统 | |
CN108171012A (zh) | 一种基因分类方法与装置 | |
CN116595445A (zh) | 基于随机森林特征优选和改进支持向量机的变压器故障诊断方法 | |
CN113052367A (zh) | 一种基于集成机器学习高效预测钙钛矿的稳定性的方法 | |
CN106951728B (zh) | 一种基于粒子群优化和打分准则的肿瘤关键基因识别方法 | |
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 | |
Chen et al. | Wafer map defect pattern detection method based on improved attention mechanism | |
Chen et al. | Fisher regularized ε-dragging for image classification | |
Yuan et al. | A novel fault diagnosis method for second-order bandpass filter circuit based on TQWT-CNN | |
Gao et al. | An ensemble classifier learning approach to ROC optimization | |
Wang et al. | The Rearch on Improved LVQ Neural Network Method | |
CN115407053A (zh) | 征兆优选方法、计算机设备以及可读存储介质 | |
Al Hosni et al. | Assesing the stability and selection performance of feature selection methods under different data complexity. | |
CN114841266A (zh) | 一种小样本下基于三元组原型网络的电压暂降识别方法 | |
CN114663770A (zh) | 一种基于集成聚类波段选择的高光谱图像分类方法及系统 | |
Wang et al. | CNN-based data-model co-design for efficient test-termination prediction | |
Wang et al. | Power Transformer Defect Prediction Method Based on SMOTE and Random Forest Algorithm | |
Farooq et al. | Computing expectiles using k-nearest neighbours approach. Symmetry. 2021; 13: 645 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |