[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

说明书

本发明涉及变压器检测技术领域，具体涉及一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，包括步骤：A）收集油浸式变压器故障数据，获得样本数据集S；B）对数据进行预处理，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，训练并测试弱分类器，得到油浸式变压器的XGBoost故障诊断模型；D）对待测油浸式变压器数据进行预测，得到故障诊断结果。本发明的实质性效果是：通过建立CART弱分类器模型，并进行训练，获得能够识别变压器故障的分类模型，实现变压器故障的快速识别；提高分类器训练的效率和准确度。

技术领域

本发明涉及变压器检测技术领域，具体涉及一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法。

背景技术

在油浸式变压器绝缘老化的过程中会产生少量气体溶解在绝缘油中，油中气体的组成成分以及各种成分之间的比例关系能够反映变压器不同的故障状态。溶解气体分析(Dissolved Gas Analysis,DGA)方法是最为重要的变压器状态检测和故障诊断方法之一。近年来，不少学者将机器学习的方法应用于变压器故障诊断模型的建模中，如BP神经网络、支持向量机、贝叶斯网络等，取得了较好的诊断效果。上述方法改进了传统模型的计算速度和精度，但也存在问题：例如BP神经网络学习能力强，但易陷入局部最优,需要大量参数，且收敛速度较慢；支持向量机本质为二分类器，在处理变压器故障诊断这种多分类问题时效率较低；贝叶斯网络要求条件属性较多等。因而需要寻找一种效率和准确率兼顾的变压器故障诊断技术。

中国专利CN101587155A，公开日2009年11月25日，一种油浸式变压器故障诊断方法，该方法首先获取样本，对样本中的5种气体浓度数据进行归一化处理，形成训练样本集和测试样本集；确定基本核函数的个数及每个基核的参数，使用交叉验证的方法确定最优的惩罚参数；根据最优惩罚参数，利用训练样本和多分类多核学习方法得到相应的分类模型；利用训练好的分类模型对验证集中的待测试样本进行故障诊断。其能够获得较好的诊断准确率，但其模型采用参数过多，效率低下，且容易出现震荡和不收敛。

发明内容

本发明要解决的技术问题是：目前缺乏兼顾效率和准确率的变压器故障诊断技术。提出了一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，本方法使用改进的分类器模型，提高了变压器故障诊断的效率和准确率。

为解决上述技术问题，本发明所采取的技术方案为：一种基于粒子群寻优XGBoost的油浸式变压器故障诊断方法，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。通过建立CART弱分类器模型，并进行训练，获得能够识别变压器故障的分类模型，通过对数据进行预处理能够提高弱分类器模型训练的效率和准确度，最终提高变压器故障检测的效率和准确度。

作为优选，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。在油浸式变压器绝缘老化的过程中会产生少量气体溶解在绝缘油中，油中气体的组成成分以及各种成分之间的比例关系能够反映变压器不同的故障状态。