[发明专利]一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法

权利要求书

1.一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，其特征在于，

包括步骤：

A)收集油浸式变压器故障数据，并关联故障标签，获得样本数据集S；

B)对样本数据集S中的数据进行预处理，将样本数据集S划分为训练数据集L和测试数据集T；

C)建立CART弱分类器模型，采用加法学习方式训练弱分类器，并使用测试数据集T测试，直到预测正确率达到预设值，得到油浸式变压器的XGBoost故障诊断模型；

D)利用步骤C)获得的油浸式变压器的XGBoost故障诊断模型对待测油浸式变压器数据进行预测，得到故障诊断结果。

2.根据权利要求1所述的一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，其特征在于，

步骤1中将油浸式变压器故障时特征气体H2、CH4、C2H6、C2H4、C2H2的浓度的比值关系作为油浸式变压器故障数据，用作故障模型的输入特征。

3.根据权利要求2所述的一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，其特征在于，

所述油浸式变压器故障数据包括ρ(CH4)/ρ(H2)、ρ(C2H4)/ρ(C2H2)、ρ(C2H4)/ρ(C2H6)、ρ(C2H2)/ρ(C1+C2)、ρ(H2)/ρ(H2+C1+C2)、ρ(C2H4)/ρ(C1+C2)、ρ(CH4)/ρ(C1+C2)、ρ(C2H6)/ρ(C1+C2)以及ρ(CH4+C2H4)/ρ(C1+C2)，ρ()表示气体浓度。

4.根据权利要求1或2或3所述的一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，其特征在于，

步骤A)中油浸式变压器的故障标签包括低温过热、中温过热、高温过热、局部放电、低能放电、高能放电、低能放电兼过热以及高能放电兼过热。

5.根据权利要求1或2或3所述的一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，其特征在于，

步骤B)中，将样本数据集S划分为训练数据集L和测试数据集T的方法为：从样本数据集S中随机抽取90％作为训练数据集L，余下的10％数据作为测试数据集T。

6.根据权利要求1或2或3所述的一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，其特征在于，

步骤B)中，对样本数据集S中的数据进行预处理的方法为：

式中，x、y为样本集S中的数据，lrd_k(x)为数据x的局部可达密度，lrd_k(y)为数据y的局部可达密度，N_k(x)为数据x的k距离邻域距离，设定局部离群因子的阈值LOF_th，将LOF_k(x)大于阈值LOF_th的数据判定为离群点并剔除，k为设定常数。

7.根据权利要求1或2或3所述的一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，其特征在于，

步骤C)中，为CART弱分类器模型建立的评价函数L(φ)为：

其中，为第i个输入训练样本的预测结果，y_i为第i个输入训练样本的标签值，为损失函数，t为已输入训练样本的数量，Ω(f_i)为正则项，Ω₀为预设常数项，ω_i为第i个输入的训练样本。

8.根据权利要求1或2或3所述的一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，其特征在于，

步骤C)中，采用加法学习方式训练弱分类器的方法为：从一个常数预测开始，每次向模型中加入一个新的函数，学习当前的模型，即：

其中，为第i个样本在第t次训练中的预测值。

9.根据权利要求8所述的一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，其特征在于，

第t次训练模型预测值等于(t-1)次训练模型预测值加上f_t，即：

将上式进行二阶泰勒展开，

其中，为损失函数的一阶、二阶梯度数据，移除常数项，得到第t次训练模型的简化的目标函数：