[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

说明书

本发明公开了一种基于混合采样和集成学习的变压器状态识别方法，具体为：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；步骤2：对步骤1得到的训练集进行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：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；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：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；通过组合得到的强分类器即为变压器状态识别最优模型，对模型进行测试。该方法能够对变压器状态进行准确的识别。

技术领域

本发明属于变压器在线监测与故障诊断领域，具体涉及一种基于混合采样和集成学习的变压器状态识别方法。

背景技术

变压器作为电网的关键性设备，其安全稳定运行是保证电力正常供应和电力系统安全的基础，一旦变压器发生状态对周围的经济和生活将产生巨大的影响。因此，变压器的状态识别问题已经成为了国内外学者研究的热点问题。

随着人工智能技术的飞速发展，传统的以DGA为基础的例如三比值法、大卫三角形、罗杰斯比值法等方法已经不能满足目前人们对变压器状态识别精度要求了。因此出现了一系列的智能识别方法，如：支持向量机、神经网络、模糊聚类等等。但是这些智能识别方法都有一个共同的特点就是需要大量的训练数据来训练网络，通过训练好的网络来对状态进行识别，因此，智能方法网络训练的效果决定着该方法的最终对变压器的识别准确率。变压器作为重要的设备，其状态的发生概率很低，在变压器的运行过程中状态的数据很少，也会存在大量的正常数据，如果将这种正常数据与状态数据不均衡的数据集作为训练网络的训练数据集，那么在训练的过程中，就会导致分类模型的偏差，会对识别模型的识别准确率产生很大的影响。

因此，本发明提出了一种基于混合采样和集成学习的变压器状态识别方法，该方法能够很好地处理变压器训练数据不均衡的情况，最大限度的提高变压器状态识别准确率。

发明内容

本发明的目的是提供一种基于混合采样和集成学习的变压器状态识别方法，该方法能够解决数据不平衡的问题，提高变压器状态识别准确率。

本发明所采用的技术方案是，一种基于混合采样和集成学习的变压器状态识别方法，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；