[发明专利]一种基于LOF算法与混合采样的变压器故障诊断方法

说明书

本发明公开了一种基于LOF算法与混合采样的变压器故障诊断方法，本发明解决了传统数据平衡化方法通常采用单一的过采样或欠采样来解决数据不平衡问题，但是单一采样极可能会导致重要数据丢失，同时也会增加许多无用的噪声数据，进而影响后续故障诊断模型的准确性，为此，本发明首先利用LOF算法在数据预处理阶段去除噪声等异常值，再通过组合CRIUS算法与SMOTE算法混合采样进行数据平衡化，充分发挥了两种算法的优势，在处理数据平衡化的同时减少了噪声数据的生成，保留了具有重要信息的数据，进而提高诊断模型的精确度，对于及时发现变压器故障具有较好的指导作用。

技术领域

本发明涉及一种基于LOF算法与混合采样的变压器故障诊断方法，属于变压器故障诊断技术领域。

背景技术

随着国家经济的不断发展，生活水平的不断提高，社会对电力的需求量越来越大，因此，为了不影响居民正常的用电，电力系统的稳定运作便成为了运维人员日常工作中的重要组成部分，而电力变压器作为电力系统的电能转换以及能量输出的关键电气设备之一，其运行状态对电力系统的正常稳定工作有着非常直接的影响，所以保持变压器良好的运行状态需要运维人员的高度关注，一旦变压器出现故障运维人员需要快速准确的定位其故障位置并进行维护，以此来保证后续的供电可靠性。因此，电力变压器故障诊断方法的研究对指导检修工作具有重要意义。传统的油中溶解气体分析方法可有效反映出变压器的早期故障，现已在实际场景中被广泛应用，但仍存在故障数据与正常数据比例不平衡导致诊断精确度低等问题。因此本发明提出了一种基于LOF算法与混合采样的变压器故障诊断方法。

发明内容

本发明提供一种基于LOF算法与混合采样的变压器故障诊断方法，用来在训练模型之前解决训练数据的类不平衡问题，并减少了采样后噪声数据的产生，保障了后续对变压器故障诊断的准确度。

为了实现上述发明的目的，本发明采取如下的技术方案：

本发明公开了一种基于LOF算法与混合采样的变压器故障诊断方法，包括如下步骤：

S1、收集数据样本。收集油中溶解气体中的故障数据D₁，D₂，T₁，T₂和正常数据NC，得到初始的非平衡数据集。

S2、数据预处理。对非平衡数据集进行归一化处理，以此缩小数据集的数值范围：

进一步地，步骤2的具体实现：

将初始数据集带入归一化公式计算，公式如下：

式中z_ij表示原始数据，代表经归一化处理后的数据；i表示样本数据个数编号；j表示特征维度序号，1～5分别表示五种气体类型数据。

S3、为了避免影响后续模型的诊断结果，需要去除数据集中的异常值，采用LOF算法分别去除故障数据和正常数据样本集中的异常值；

进一步地，步骤3的具体实现：

(1)计算样本点间距：对于n个待测样本，采用马氏距离来计算任意两个样本点之间的距离，马氏距离公式如下：

计算待测样本点O与其第k个局部集群点的可达距离，公式如下：

dist_k(O,P)＝MAX{dist_k(O),dist(O,P)}

等式右边表示结果取该点与点O的距离和第k个集群点P与点O距离的最大值。

(2)计算待测样本点O的局部可达密度lrd(O)：