[发明专利]一种基于融合不定核特征提取的LightGBM变压器故障诊断方法

权利要求书

1.一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于，包括以下的步骤：

步骤1、基于气体组分的不定核相似性度量特征提取及特征融合；

步骤2、融合不定核特征提取的LightGBM变压器故障诊断；

步骤3、未知变压器状态的识别，将采集的变压器油中气体组分输入值故障诊断器，得到变压器的故障类型。

2.如权利要求1所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于，所述步骤1具体内容如下：

（1）获得初始的变压器油中气体组分作为原始训练样本集；

（2）选择合适的相似度量函数，将原始训练样本数据带入函数，得到函数的输出值作为相似度的衡量；

（3）将提取的相似度衡量与原始的样本集进行特征组合，形成新的用于训练模型的特征向量。

3.如权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于，所述步骤2具体内容如下：

（1）特征向量初始化LightGBM分类器；

（2）LightGBM模型迭代，计算一阶导数和二阶导数；

（3）基于当前的节点尝试分类决策树，计算score；

（4）对样本按照特征排序，继续求一阶导数和二阶导数；

（5）计算当前的score；

（6）若最大的score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕；

（10）得到基于融合不定核特征提取的LightGBM变压器故障诊断器。

4.根据权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于：所述步骤1的步骤（2）中，相似度量函数选择的是Sigmoid核。

5.根据权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于：所述步骤1的步骤（2）中，相似度量函数的输出作为相似度的衡量。

6.根据权利要求2所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于：所述步骤1的步骤（3）中，相似度衡量与原始的样本集进行特征组合，作为新的特征向量。

7.根据权利要求3所述的一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，其特征在于：

（1）设给定原始训练样本数据集；

；

式中：为给定的维数据样本特征表示，在本文中表示种气体成分的浓度情况；表示变压器故障类型标签；

（2）选用Sigmoid核，作为不定核函数用来度量不同样本之间的相似性，其中，核参数，核参数；

（3）原始训练数据集经过Sigmoid不定核特征提取后，得到：

；

为训练集提取的不定核特征矩阵；为所有训练样本特征向量组成的特征矩阵；

（4）将提取的辅助特征矩阵对原始样本集进行横向特征扩充，得到最终用于训练算法模型的扩充特征向量矩阵：

；

（5）LightGBM的损失函数可以表示为：

；

式中：为第轮迭代后损失函数的值；表示第轮的预测函数 ；表示第轮迭代的拟合函数；表示叶子节点的个数；表示第轮迭代第个叶子区域的值；

（6）计算一阶导数和二阶导数，分别为：

；

式中：为第轮迭代的一阶导数矩阵；为第轮迭代的二阶导数矩阵；

然后，基于当前节点尝试分类决策树，默认分数score=0；

将样本按照特征从大到小排序，依次取出第个样本，依次计算当前样本放入左子树后，左右子树一阶和二阶导数和：

；

尝试更新最大分数score：

；

如果最大score为0，则当前决策树建立完毕，得到弱学习器，更新强学习器，并进入下一轮弱学习器的迭代，否则，继续尝试分裂决策树，当达到了算法预设的迭代次数或者触发提前终止条件，则迭代终止，LightGBM算法优化完毕。