[发明专利]一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法

说明书

本发明公开了一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法，首先以变压器油中溶解特征气体的无编码比值作为模型的特征参量，再对特征参量进行归一化，划分训练集和测试集；然后构建多粒度级联森林模型，并通过粒子群算法优化多粒度级联森林的两个关键参数，并获得两个最优参数；最后建立基于粒子群算法优化的多粒度级联森林模型用于识别变压器故障类别，该方法有效提升了变压器的故障诊断准确率，为运维人员正确判断变压器的运行状况提供可靠依据。

技术领域

本发明涉及电力设备监控技术领域，尤其涉及一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法。

背景技术

变压器发生故障将危及整个电力系统安全稳定运行，变压器故障诊断方法可以对设备状态信息进行分析，是保证设备可靠、高效运行的关键。因此，快速准确地识别变压器的故障类型，进行及时检修工作，可为电力系统的正常运行提供重要保障。

油中溶解气体分析(Dissolved Gas Analysis,DGA)主要应用在油浸式变压器的在线监测。基于DGA的特征气体进行数据关联分析，国内外研究者提出了IEC比值法，Rogers比值法，Dornenburg比值法，电协研法等，但传统的DGA方法只给出了故障诊断的阈值判别边界，不能表现特征气体与故障类型之间的联系，无法满足变压器实际运行的要求。随着人工智能技术的进步和发展，机器学习方法应用在变压器故障诊断领域取得了显著成就。目前常用的有专家系统，深度置信网络(DBN)，随机森林(RF)、模糊理论等，虽然这些机器学习方法在变压器故障诊断方面应用较广泛，但也存在一定的弊端。比如专家系统不能自主学习，工作效率低，难以得到准确的诊断结果；DBN具有较强的自主学习能力，但需大量样本数据进行训练，超参数调整复杂、学习周期长并容易过拟合；SVM处理变压器故障诊断多分类问题精度低；模糊理论的模糊处理过程较为复杂，而且模糊诊断的编码对应故障类型多是基于传统的气体比值或特征浓度诊断方法。鉴于此，提出一种基于粒子群算法优化多粒度级联森林模型(PSO-gcForest)的变压器故障诊断方法。

发明内容

本发明要解决的技术问题是提供一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法，使用该故障诊断方法能够快速搜索确定多粒度级联森林模型的最优参数，训练效率高、且能可靠识别变压器的故障状态，提高故障诊断准确率，从而实现对变压器运行状况的评估。

为解决上述技术问题，本发明提供了一种基于粒子群算法优化多粒度级联森林模型的变压器故障诊断方法，包括如下步骤：

S01、数据处理

S011、特征参量选取