[发明专利]一种基于组合采样和LightGBM的变压器故障诊断方法及系统

说明书

本发明为解决在样本不平衡情况下变压器故障诊断准确率低的问题，提出一种基于组合采样和LightGBM的变压器故障诊断方法及系统，包括以下步骤：采集历史样本数据，并获取对应的变压器故障类型；对历史样本数据进行预处理，然后将历史样本数据划分为少数类样本集和多数类样本集；对所述少数类样本集进行过采样得到多数类样本，并加入所述多数类样本集中；再对所述多数类样本集进行欠采样，得到平衡数据集，并划分为训练样本和测试样本；构建LightGBM分类器模型，将训练样本输入所述LightGBM分类器模型进行训练；将测试样本输入完成训练的LightGBM分类器模型中进行故障诊断，输出得到故障诊断结果。

技术领域

本发明涉及变压器故障诊断技术领域，更具体地，涉及一种基于组合采样和LightGBM的变压器故障诊断方法及系统。

背景技术

油浸式变压器在投入运行后，发生绝缘老化时会产生一些微量气体溶解在绝缘油中，油中溶解气体的主要成分为氢气(H₂)、甲烷(CH₄)、乙烷(C₂H₆)、乙烯(C₂H₄)、乙炔(C₂H₂)、一氧化碳(CO)和二氧化碳(CO₂)。变压器故障类型和气体成分的变化呈现较强的相关性，这些微量气体能够准确反映变压器的运行状况。基于油中溶解气体分析(dissolved gasanalysis，DGA)技术已成为油浸式变压器故障诊断中最方便有效的手段之一。采用DGA气体作为特征参量，国内外学者提出了很多变压器故障诊断方法，如传统的Rogers比值法、Duval三角形法和IEC比值法等，这些方法原理简单、容易实现，但由于其比值边界过于绝对，编码不全等缺陷会导致故障诊断的误判。为解决传统方法的不足，研究者们提出了支持向量机、贝叶斯网络、深度信念网络等多种智能化方法进行故障诊断。但是，这些智能算法在最大化全体分类准确率的目标过程中，易偏向多数类样本的参数更新而忽略少数类样本的正确分类。

在样本不平衡情况下，变压器故障诊断准确率很低，亟需提出新方法改善样本分布不平衡对故障诊断的不利影响。目前，欠采样、过采样方法和集成学习方法分别在数据采样层面和算法优化层面被广泛用于缓解不平衡数据集的训练问题。有研究者分别使用合成少数类样本的SMOTE过采样技术和NSMOTE过采样方法，通过补充少数类故障样本来平衡整体的样本数目，但复制样本可能会导致过拟合，且容易生成重叠样本。

发明内容

本发明为克服在样本不平衡情况下变压器故障诊断准确率低的缺陷，提供一种基于组合采样和LightGBM的变压器故障诊断方法，以及一种基于组合采样和LightGBM的变压器故障诊断系统。

为解决上述技术问题，本发明的技术方案如下：

一种基于组合采样和LightGBM的变压器故障诊断方法，包括以下步骤：

S1：采集历史样本数据，并获取对应的变压器故障类型；

S2：对历史样本数据进行预处理，然后将历史样本数据划分为少数类样本集和多数类样本集；

S3：对所述少数类样本集进行过采样得到多数类样本，并加入所述多数类样本集中；再对所述多数类样本集进行欠采样，得到平衡数据集，并划分为训练样本和测试样本；

S4：构建LightGBM分类器模型，将训练样本输入所述LightGBM分类器模型进行训练；

S5：将测试样本输入完成训练的LightGBM分类器模型中进行故障诊断，输出得到故障诊断结果。