[发明专利]基于蚁群算法优化随机森林的变压器故障检测方法

权利要求书

1.一种基于蚁群算法优化随机森林的变压器故障检测方法，其特征在于，包括以下步骤：

(1)将训练样本数据进行离散化处理，并计算随机森林特征重要性得分；

(2)将重要度得分作为启发信息，并生成启发距离，初始化蚁群算法参数；

(3)计算蚂蚁在节点之间的转移概率，构建特征子集的解空间，并将随机森林分类精度作为评价标准；

(4)更新信息素，进行特征选择获得最优特征子集或近似最优特征子集；

(5)满足终止条件，输出最优特征解进行故障诊断预测。

2.根据权利要求1所述的基于蚁群算法优化随机森林的变压器故障检测方法，其特征在于，所述步骤(1)中采用等宽算法对训练样本数据进行离散化处理，即将区间分为K个，则每个区间长度w为w＝(max-min)/K，得到区间端点min,min+w,min+2w,…,min+(K-1)w，其中，min表示原始序列的最小值，max表示原始序列的最大值。

3.根据权利要求1所述的基于蚁群算法优化随机森林的变压器故障检测方法，其特征在于，所述步骤(1)中采用基尼不纯度方法对变压器的某个属性进行特征重要性评估，计算方法为：其中，p_i是数据集T中类i的概率，n表示故障分类的个数。

4.根据权利要求1所述的基于蚁群算法优化随机森林的变压器故障检测方法，其特征在于，所述步骤(2)中的蚁群算法参数包括：蚁群中蚂蚁个数m、信息素启发因子α、信息素挥发因子ρ、启发函数重要程度因子β、信息素释放总量Q、最大迭代次数为n，初始迭代次数为1、d_ij为第i节点到第j节点之间的距离、τ_ij(t)为t时刻第i节点到第j点连接路径上的信息素浓度，且初始时刻τ_ij(0)＝τ₀。

5.根据权利要求4所述的基于蚁群算法优化随机森林的变压器故障检测方法，其特征在于，所述步骤(3)具体为：在初始化中蚂蚁分随机布于不同的节点上，每个蚂蚁k会依据不同节点路径上的信息素浓度大小选择访问下一个节点，则在t时刻蚂蚁k从第i节点转移到第j节点的概率表示为：

其中，为启发函数，表示蚂蚁从第i节点转移到第j节点的期望、allow_k(k＝1,2,...,m)为蚂蚁k所有访问节点的集合。

6.根据权利要求5所述的基于蚁群算法优化随机森林的变压器故障检测方法，其特征在于，所述信息素启发因子α∈[0,5]，启发函数重要程度因子β∈[0,5]，信息素释放总量Q∈[10,10000]，信息素挥发因子ρ∈[0.1,0.99]。

7.根据权利要求4所述的基于蚁群算法优化随机森林的变压器故障检测方法，其特征在于，所述步骤(4)中当所有蚂蚁完成一次路径访问时，需要对各个节点之间的信息素浓度进行实时更新，第k只蚂蚁在节点i和节点j连接路径之间的信息素增量为：其中，L_k为第k只蚂蚁在一次循环中所走过的路径长度；在每只蚂蚁走完一步或者完成对所有节点的遍历后，t+1时刻在路径上的信息量调整规则为：

8.根据权利要求1所述的基于蚁群算法优化随机森林的变压器故障检测方法，其特征在于，所述步骤(5)具体为：从离散化处理后的训练集中使用Bootstraping方法随机有放回地采样选出a个样本，共进行b次采样，生成b个训练集；对于b个训练集，分别训练b个决策树模型，对于单个决策树模型，假设训练样本特征的个数为c，那么每次分裂时根据基尼指数选择最好的特征进行分裂；每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类；将生成的多棵决策树组成随机森林，根据离散化后的特征向量与故障类型训练出决策树，按多棵树分类器投票决定最终分类结果；依据分类精度更新信息素直至获得最优特征子集并取得最小分类误差精度；用训练的决策树模型去预测变压器故障类型。