[发明专利]基于集成学习Bagging算法的变压器故障诊断方法

权利要求书

1.基于集成学习Bagging算法的变压器故障诊断方法，其特征是所述方法包括以下步骤：

步骤1：数据采集及数据预处理，得到初始历史数据样本集S；

步骤2：将初始历史数据样本集S构造成集成学习Bagging算法中弱学习算法可读的数据集S_sample；

步骤3：选定球向量机BVM作为集成学习Bagging算法中的弱学习算法并对该弱学习算法循环调用，完成样本集S_sample的训练，从而得到弱学习机序列，序列中包含各代弱学习机h_i，该序列即为强学习机H；

步骤4：将强学习机H作为故障诊断模型，并将当前待故障诊断的数据样本输入到强学习机H，强学习机H利用其各个弱学习机h_i做初步故障诊断，进而以投票的方式判定当前待测数据样本的故障类别，得票数多的故障类别即为强学习机H的最终诊断结果；

2.根据权利要求1所述基于集成学习Bagging算法的变压器故障诊断方法，其特征是所述步骤1包括以下步骤：

步骤1.1：数据采集：采集目标变压器各个时间监测点的气体含量及运行状态；

步骤1.2：数据预处理：设定时间监测点的气体含量及运行状态的特征属性，构成初始历史数据样本集S。

3.根据权利要求2所述基于集成学习Bagging算法的变压器故障诊断方法，其特征是所述步骤1.1中数据采集的方法为油中溶解气体分析技术DGA。

4.根据权利要求2所述基于集成学习Bagging算法的变压器故障诊断方法，其特征是所述步骤1.1中气体包括氢气H₂、一氧化碳CO、甲烷CH₄、乙烯C₂H₄、乙烷C₂H₆、乙炔C₂H₂和二氧化碳CO₂。

5.根据权利要求1所述基于集成学习Bagging算法的变压器故障诊断方法，其特征是所述步骤2包括以下步骤：

步骤2.1：数据归一化：将初始历史数据样本集S中气体的含量值按照各自的取值范围全部归一化到[0，1]区间；

步骤2.2：数值化处理：将变压器运行的运行状态设定为数值型类别标号；

步骤2.3：将初始历史数据样本集S中的气体含量作为故障诊断模型的输入向量；将初始历史数据样本集S中的变压器的运行状态作为故障诊断模型的输出向量，故障诊断模型的输入向量和输出向量构成了数据集S_sample。

6.根据权利要求1所述基于集成学习Bagging算法的变压器故障诊断方法，其特征是所述步骤3具体包括下列步骤：

步骤3.1：对集成学习Bagging算法初始化，设定Bagging算法最大迭代次数t，并设定弱学习算法的训练参数；

步骤3.2：以指定概率从数据集S_sample中有放回地选取样训练本子集S_i，i∈[1，…t]，作为弱学习算法的训练样本子集S_i；

步骤3.3：将训练样本子集S_i输入到弱学习算法训练，得到对应的弱学习机h_i；

步骤3.4：检查当前集成学习Bagging算法是否达到算法的最大迭代次数t，若已达到，则执行步骤3.5；否则，返回步骤3.2；

步骤3.5：输出弱学习机序列，即强学习机H。

7.根据权利要求6所述基于集成学习Bagging算法的变压器故障诊断方法，其特征是所述步骤3.1中弱学习算法的训练参数包括核函数类型、核函数参数和惩罚因子。

8.根据权利要求6所述基于集成学习Bagging算法的变压器故障诊断方法，其特征是所述步骤3.2中的指定概率为50％。