[发明专利]基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法

说明书

本发明公开了一种基于主成分分析的SSA‑LightGBM油浸式变压器的故障诊断方法，包括以下步骤：采集变压器故障特征气体历史样本数据并确定变压器故障类型，采用无编码比值方法得到变压器实时运行的特征作为待测参数构建待测矩阵；利用主成分分析法提取所述待测矩阵的特征参数，并用所述特征参数构建特征样本矩阵；构建LightGBM模型并确定需要优化的超参数及参数选定范围，利用麻雀搜索算法对LightGBM模型超参数寻优，构建SSA‑LightGBM故障诊断模型，将所述特征样本矩阵输入训练好的故障诊断模型中进行分析，得到故障诊断结果。本发明的变压器故障诊断结果准确率高、模型诊断速度加快、模型占据的内存更小。

技术领域

本发明涉及变压器故障诊断研究领域，具体地说，是一种基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法。

背景技术

变压器是电力系统的核心设备，及时发现潜在性故障对电力系统安全稳定有重要的作用。油浸式变压器因长时间运行导致绝缘油和固体绝缘的裂解，会产生氢气、甲烷、乙烯、乙炔、一氧化碳和二氧化碳等气体，当变压器发生不同类型的故障时，特定的气体成分会增加，变压器故障类型和气体成分变化密切相关，常用的方法就是油中溶解气体分析法(DissolvedCasesAnalysis，DGA)。基于DGA的故障诊断方法通常有人工神经网络(ANN)、支持向量机(SVM)和模糊理论(FT)等算法，大大提高了故障诊断的准确率。然而这些方法存在一些缺陷，其中：模糊理论存在学习能力不足的问题；人工神经网络模型提高变压器故障诊断精度，但人工神经网络模型需要大量忘本数据进行训练，而实际工程中，能用于训练的故障数据十分有限，容易陷入局部最优；SVM在小样本数据量小的情况下可以用于故障诊断，相比于人工神经网络能够较好的处理局部极小值且有较强的学习泛化能力，但参数取值不当会对诊断结果造成较大误差。

有鉴于此，提出一种基于主成分分析的SSA-LightGBM油浸式变压器故障诊断方法，所提方法能够加快训练速度、占据内存小、稳定的提升变压器故障诊断的准确率。

发明内容

本发明的目的在于提出一种基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法，实现对变压器故障类型的精准判断。

本发明采用以下的技术方案实现：一种基于主成分分析SSA-LightGBM油浸式变压器的故障诊断方法，包括：

步骤1：采集变压器故障特征气体历史样本数据并确定变压器故障类型，采用无编码比值方法得到变压器实时运行的作为待测参数构建待测矩阵；

步骤2：对所述待测参数进行归一化预处理，利用主成分分析法提取所述待测矩阵的特征参数，并用所述特征参数构建特征样本矩阵；

步骤3：构建LightGBM模型并确定需要优化的超参数及参数选定范围，利用麻雀搜索算法对LightGBM模型超参数寻优，构建SSA-LightGBM故障诊断模型，将所述特征样本矩阵输入训练好的SSA-LightGBM故障诊断模型中进行分析，得到故障诊断结果。

优选地，采集变压器故障特征气体历史样本数据并确定变压器故障类型：

步骤1：所述变压器故障特征气体，包括：

H₂、CH₄、C₂H₂、C₂H₄、C₂H₆、CO、CO₂；

步骤2：所述变压器故障类型，包括：高温热故障、低温热故障、中温热故障、高能放电、低能放电、局部放电和正常状态。

优选地，所述采用无编码比值方法得到变压器实时运行的作为待测参数构建待测矩阵，包括：

将每一故障类型所测得的比值参量构建特征样本矩阵。