[发明专利]基于近邻成分分析和k近邻学习融合的变压器故障诊断方法和系统

权利要求书

1.一种基于近邻成分分析和k近邻学习融合的变压器故障诊断方法，其特征在于，包括步骤：

(a)构建近邻成分分析模型并对其进行训练，其包括步骤：

(1)采集不同故障类型的变压器油色谱样本数据；

(2)对采集的变压器油色谱样本数据进行预处理；

(3)分别计算各种故障类型的变压器油色谱样本数据的关联规则支持度，以得到初始度量矩阵M₀；

(4)将所述初始度量矩阵M₀和经过预处理的变压器油色谱样本数据输入经过超参数调优的近邻成分分析模型，以对其进行训练，所述近邻成分分析模型输出迭代后的度量矩阵M；

其中所述近邻成分分析模型的目标函数为：

其中，式中Y_n表示第n类样本集合；N表示样本种类数量；P_n表示第n类样本留一法正确率的和；

其中超参数调优包括如下步骤：利用概率模型代理原始待评估模型的未知目标函数，通过迭代不断增加信息量、修正先验；选择一个采集函数，从后验模型构造一个效用函数，确定下一个采样点；

(5)采用输出的所述度量矩阵M对各种故障类型的变压器油色谱样本数据进行映射，以得到经过训练的近邻成分分析模型；

(b)将实测变压器油色谱样本数据输入经过训练的近邻成分分析模型，则所述近邻成分分析模型输出变压器故障类型。

2.如权利要求1所述的变压器故障诊断方法，其特征在于，在步骤(2)中，所述预处理包括归一化处理。

3.如权利要求1所述的变压器故障诊断方法，其特征在于，在步骤(4)中，对近邻成分分析模型的超参数进行调优时，对近邻成分分析模型的训练次数和KNN近邻参数k进行优化。

4.如权利要求3所述的变压器故障诊断方法，其特征在于，在步骤(4)中，采用贝叶斯优化算法进行超参数调优。

5.一种基于近邻成分分析和k近邻学习融合的变压器故障诊断系统，其特征在于，包括：

数据采集装置，其采集不同故障类型的变压器油色谱样本数据以及实测变压器油色谱样本数据；

预处理单元，其对采集的变压器油色谱样本数据和实测变压器油色谱样本数据进行预处理；

控制模块，其进行下述步骤：分别计算各种故障类型的变压器油色谱样本数据的关联规则支持度，以得到初始度量矩阵M₀；将所述初始度量矩阵M₀和经过预处理的变压器油色谱样本数据输入经过超参数调优的近邻成分分析模型，以对其进行训练，所述近邻成分分析模型输出迭代后的度量矩阵M；采用输出的所述度量矩阵M对各种故障类型的变压器油色谱样本数据进行映射，以得到经过训练的近邻成分分析模型；

其中，当将实测变压器油色谱样本数据输入经过训练的近邻成分分析模型时，则所述近邻成分分析模型输出变压器故障类型；

其中所述近邻成分分析模型的目标函数为：

其中，式中Y_n表示第n类样本集合；N表示样本种类数量；P_n表示第n类样本留一法正确率的和；

其中超参数调优包括如下步骤：利用概率模型代理原始待评估模型的未知目标函数，通过迭代不断增加信息量、修正先验；选择一个采集函数，从后验模型构造一个效用函数，确定下一个采样点。

6.如权利要求5所述的变压器故障诊断系统，其特征在于，所述预处理包括归一化处理。

7.如权利要求5所述的变压器故障诊断系统，其特征在于，在对近邻成分分析模型的超参数进行调优时，对近邻成分分析模型的训练次数和KNN近邻参数k进行优化。

8.如权利要求7所述的变压器故障诊断系统，其特征在于，采用贝叶斯优化算法进行超参数调优。