[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

说明书

本发明公开了一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，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。本发明实现了对变压器运行状态进行实时监测，及时发现并消除潜伏安全隐患，保障了电力系统的安全经济运行。有效利用有限的历史数据信息充分地挖掘变压器故障与油中溶解气体的潜在规律，有效的提高故障诊断的正确率。

技术领域

本发明涉及变压器故障诊断技术领域，尤其涉及一种基于融合不定核特征提取的LightGBM变压器故障诊断方法。

背景技术

变压器作为电力系统的重要组成部分，其性能的好坏直接影响整个电力系统的运行情况。因此需要对变压器运行状态进行实时监测，及时发现并消除潜伏安全隐患，以保障电力系统的安全经济运行。目前油中溶解气体分析法是诊断变压器故障的主要方法。将中溶解气体分析法与人工神经网络、贝叶斯分类器、支持向量机、极限学习机等学习算法相结合，可以有效的提高故障诊断的正确率。但是，如果现实场景中变压器故障经验数据量较少且有效特征维度较低，会导致模型分类性能大打折扣。如何有效利用有限的历史数据信息充分地挖掘变压器故障与油中溶解气体的潜在规律至关重要。

发明内容

本发明的目的在于提供一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，以解决上述技术问题。

为实现上述目的本发明采用以下技术方案：

一种基于融合不定核特征提取的LightGBM变压器故障诊断方法，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。

作为本发明进一步的方案，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。

作为本发明进一步的方案，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。

作为本发明进一步的方案，所述步骤1的步骤（2）中，相似度量函数选择的是Sigmoid核。

作为本发明进一步的方案，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。

作为本发明进一步的方案，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。

作为本发明进一步的方案，（1）设给定原始训练样本数据集；

；