[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

说明书

本发明涉及一种基于蚁群算法优化随机森林的变压器故障检测方法，包括以下步骤：首先对初始训练样本离散化处理并计算随机森林特征重要度得分，其次将重要度得分作为启发信息，并生成启发距离，接着初始化蚁群算法参数，包括每只蚂蚁的节点以及节点特征，然后计算蚂蚁在节点之间的转移概率并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，在更新信息素的同时进行特征选择得到最优或者近似最优特征子集，最后满足停止条件，输出最优特征解，进行故障诊断分类。本发明有利于提高决策树随机森林的分类精度。

技术领域

本发明涉及变压器故障检测技术领域，特别是涉及一种基于蚁群算法优化随机森林的变压器故障检测方法。

背景技术

随着经济的日益发展，电力系统发挥着不可替代的作用，其中电力变压器是电力系统的重要组成部分，变压器故障的有无直接关系着电力系统能否稳定运行。

目前，国内外也有不少关于电力变压器故障诊断的方法，传统的有三比值法、Rogers法等，但是这些方法过于复杂且需要大量的数据。随着人工智能的兴起，相继有人提出了BP神经网络、支持向量机、贝叶斯网络、小波神经网络等方法应用电力变压器故障诊断系统中，并且取得了不错的效果。由于对电力系统运行的稳定性、故障诊断的效率以及精确度提出了更高的要求，因此如何高效地进行故障诊断是目前电力系统面临的主要问题之一。

发明内容

本发明所要解决的技术问题是提供一种基于蚁群算法优化随机森林的变压器故障检测方法，有利于提高决策树随机森林的分类精度。

本发明解决其技术问题所采用的技术方案是：提供一种基于蚁群算法优化随机森林的变压器故障检测方法，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。

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。

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。

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。

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。