[发明专利]一种基于混合采样和集成学习的变压器状态识别方法

权利要求书

1.一种基于混合采样和集成学习的变压器状态识别方法，其特征在于，具体按照以下步骤实施：

步骤1：将收集到的变压器油中溶解气体数据分为两个数据集，正常数据集S₁和故障数据集S₂，S₂数据集中包括：低温过热数据集S₂₁、中温过热数据集S₂₂、高温过热数据集S₂₃、高能放电数据集S₂₄、低能放电数据集S₂₅；

分别将收集得到的6个数据集S₁、S₂₁、S₂₂、S₂₃、S₂₄、S₂₅中的数据个数按5:1的比例分为训练集S₁¹、S₂₁¹、S₂₂¹、S₂₃¹、S₂₄¹、S₂₅¹和测试集S₁²、S₂₁²、S₂₂²、S₂₃²、S₂₄²、S₂₅²；

步骤2：对步骤1得到的训练集S₂₁¹、S₂₂¹、S₂₃¹、S₂₄¹、S₂₅¹进行SMOTE过采样，将进行SMOTE过采样后的数据集记为新故障训练数据集

步骤3：随机取出训练集中S₁¹取w*n个数据，将取得的数据记为新正常训练集记为将得到的新正常训练数据集与步骤2得到的新故障训练数据集组合产生新的均衡数据集记为S¹，重复上述操作q次，共产生q组均衡数据集记为其中，w为随机采样采样率，为输入变量即七种油中溶解气体包含氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳，为输出变量即故障类型包括低温过热、中温过热、高温过热、低能放电和高能放电，t为每一组均衡数据集的数据个数；

步骤4：以最小二乘支持向量机为基分类器，利用步骤3生成的q组均衡子数据集训练q个基分类器；

步骤5：利用Bagging集成算法将步骤4训练得到的q个基分类器进行集成得到强分类器对变压器进行状态识别；采用相对多数投票法对q个基分类器进行组合；通过组合得到的强分类器即为变压器状态识别最优模型，最后利用测试集S₁²、S₂₁²、S₂₂²、S₂₃²、S₂₄²、S₂₅²，对最优模型进行测试。

2.根据权利要求1所述的一种基于混合采样和集成学习的变压器状态识别方法，其特征在于，步骤1中，S₁数据集中的数据个数为n个，S₂₁、S₂₂、S₂₃、S₂₄、S₂₅数据集中的数据个数均为m个，n6m，数据集S₁中的数据个数多于数据集S₂中的数据个数。