[发明专利]一种基于硬投票集成学习的变压器故障诊断的方法

说明书

本发明公开了一种基于硬投票集成学习的变压器故障诊断的方法,包括以下的步骤：步骤1、建立对变压器进行故障诊断的硬投票集成学习分类模型；步骤2、对未知的变压器故障进行故障类型识别；本发明采用机器学习搭建了变压器的故障诊断模型，故障识别准确率高，故障识别简单高效，为初期的变压器运行状态识别提供了有效的支撑，大大降低了工作的强度，保障了变压器故障类型识别的安全性和可靠性。

技术领域

本发明涉及变压器故障诊断技术领域，尤其涉及一种基于硬投票集成学习的变压器故障诊断的方法。

背景技术

变压器作为电力系统中的重要组成部分，对于电力的安全、可靠供应发挥着至关重要的作用，一旦发生故障将会严重影响电网的安全稳定运行。变压器作为电力的连接和转换部分，内部结构和运行工况较为复杂，发生故障难以准确的进行 故障研判，因此对变压器的故障诊断对于保障电网安全运行意义重大。当前针对变压器故障诊断主要采用的是油中气体分析法（IEC三比值法），能够较准确、可靠地发现逐步发展的潜伏性故障，防止由此引起的重大事故。但在实际应用中其诊断的准确率往往只能达到80%左右，故障诊断的准确率偏低。

发明内容

本发明的目的在于提供一种基于硬投票集成学习的变压器故障诊断的方法，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：.

一种基于硬投票集成学习的变压器故障诊断的方法，包括以下的步骤：

步骤1、建立对变压器进行故障诊断的硬投票集成学习分类模型；

（1）数据集获取，通过在设备运维管理系统中获取的变压器正常和故障数据作为初始数据；每组样本数据主要为变压器油中五种气体组分和所对应的变压器故障类型；

（2）数据集分类，将初始数据分为训练集和测试集，以训练集数据进行训练学习得到变压器的故障诊断模型，以测试集数据对得到的故障诊断模型进行验证，判断模型识别的准确率；

（3）故障特性分析，依据变压器在运行过程中的正常及故障状态，将变压器运行状态分为正常、中低温过热、高温过热、低能量放电、高能量放电；

（4）特征气体输入，以变压器油中甲烷、乙烯、乙烷、乙炔、氢气五种气体组分和对应的正常、中低温过热、高温过热、低能量放电、高能量放电五种状态作为训练集输入；

（5）选取基分类器，分别采用支持向量机、逻辑回归、K-最近邻分类、贝叶斯分类、决策树、随机森林对训练数据进行训练学习，得到六个变压器故障诊断模型；

（6）识别结果验证，对得到的变压器故障诊断模型，以测试集进行验证，得到各个模型识别的准确率和各个模型对于各类故障的识别结果；

（7）集成学习诊断，将得到的六个变压器故障诊断器作为基学习器，针对其识别结果采取硬投票组合的策略，对基学习器针对每一类故障类型的预测结果进行统计分析，同一类故障标签数量最多的作为最终的结果标签进行输出，组合方式采取的是选用两个识别结果较高的分类器支持向量机和随机森林作为基础分类器，另外选取决策树分类器作为调整分类器，将三个分类器集成组合，得到新的变压器故障诊断器；

（8）对于得到的集成学习变压器故障诊断器，以测试集进行验证，得到变压器故障识别结果；

步骤2、对未知的变压器故障进行故障类型识别；

对待诊断的变压器中采集的甲烷、乙烯、乙烷、乙炔、氢气五种气体组分，输入到集成学习变压器故障诊断模型，可以得到变压器的故障识别结果。

优选的：所述步骤1中步骤（1），变压器的运行数据是通过设备运维管理系统中获取的。

优选的：所述步骤1中步骤（2），训练数据和测试数据的比例为0.7：0.3。

优选的：所述步骤1中步骤（3），变压器运行状态分为正常、中低温过热、高温过热、低能量放电、高能量放电。

优选的：所述步骤1中步骤（5），基分类器选择的为支持向量机、逻辑回归、最近邻分类、贝叶斯分类、决策树和随机森林。