[发明专利]基于M-RVM融合动态加权AdaBoost的变压器故障诊断方法

摘要

本发明公开了一种基于M‑RVM融合动态加权AdaBoost的变压器故障诊断方法，首先根据变压器特征数据训练建立M‑RVM分类模型；然后对测试每个训练样本进行测试，计算每个样本的信息熵；通过信息熵对训练样本进行筛选，筛选出的样本用来训练基于AdaBoost的基分类器A‑MRVM；最后对待测样本进行分类，通过M‑RVM分类器进行分类并计算信息熵，将信息熵与信息熵阈值进行比较，若小于阈值则M‑RVM分类器分类的结果作为输出，反之则再使用多个A‑MRVM基分类器对其继续分类，通过结合每个A‑MRVM基分类器对待测样本的分类情况，调整基分类器的加权系数，加权集成最终强分类器，提升整个算法的诊断准确率。

主权项

1.一种基于M‑RVM融合动态加权AdaBoost的变压器故障诊断方法，其特征在于，具体按照以下步骤实施：步骤1、首先对所采集的油浸式变压器带有类标签的样本集S＝{(x₁,t₁),(x₂,t₂),...,(x_i,t_i)}进行分类，i属于正整数，每一类按3:1比例分为训练样本L和待测样本U，其中x_i＝x_i1,x_i2,x_i3,x_i4,x_i5代表样本属性，x_i1～x_i5分别对应氢气、甲烷、乙烷、乙烯、乙炔五种属性，代表类别标签1、2、3、4、5，分别对应正常状态、中低温过热、高温过热、低能放电、高能放电；步骤2、对训练样本L和待测样本U分别进行归一化，然后建立M‑RVM分类器模型，测试每个训练样本L经M‑RVM分类后输出的后验概率，并结合后验概率计算信息熵对训练样本L进行筛选；步骤3、利用筛选出的训练样本训练多个基于AdaBoost方法的M‑RVM分类器A‑MRVM；步骤4、设x为待测样本中的一个样本，即x∈U，对x进行检测，并在满足条件的情况下动态调整基分类器加权系数，最终利用集成加权强分类器得到待测样本的最终诊断结果。