CN117150374A - 一种基于特征重要性排序的变压器故障辨识方法及*** - Google Patents
一种基于特征重要性排序的变压器故障辨识方法及*** Download PDFInfo
- Publication number
- CN117150374A CN117150374A CN202311404470.XA CN202311404470A CN117150374A CN 117150374 A CN117150374 A CN 117150374A CN 202311404470 A CN202311404470 A CN 202311404470A CN 117150374 A CN117150374 A CN 117150374A
- Authority
- CN
- China
- Prior art keywords
- fault identification
- transformer
- spider
- feature
- bee
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 241000239290 Araneae Species 0.000 claims abstract description 134
- 238000012706 support-vector machine Methods 0.000 claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 20
- 230000008569 process Effects 0.000 claims description 36
- 238000010606 normalization Methods 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 16
- 239000007789 gas Substances 0.000 claims description 11
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 10
- 230000000739 chaotic effect Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 7
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 claims description 5
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 5
- 239000005977 Ethylene Substances 0.000 claims description 5
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 claims description 5
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 claims description 5
- 239000001257 hydrogen Substances 0.000 claims description 5
- 229910052739 hydrogen Inorganic materials 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 150000002431 hydrogen Chemical class 0.000 claims description 2
- 241000257303 Hymenoptera Species 0.000 description 23
- 230000006870 function Effects 0.000 description 18
- 230000006399 behavior Effects 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 6
- 238000000540 analysis of variance Methods 0.000 description 4
- 235000013601 eggs Nutrition 0.000 description 4
- 206010033799 Paralysis Diseases 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007758 mating behavior Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 241000287127 Passeridae Species 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004587 chromatography analysis Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 241000272168 Laridae Species 0.000 description 1
- 241001124612 Pompilidae Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000021824 exploration behavior Effects 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Nonlinear Science (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于特征重要性排序的变压器故障辨识方法及***，该方法通过构建变压器故障辨识特征库，再使用轻量梯度提升机对变压器故障辨识特征库中特征进行特征重要性排序，筛选出有效特征；再将有效特征构建的有效特征数据库划分为训练集和测试集；利用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，得到最优的故障辨识模型；最后使用训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识；本发明提出的变压器故障辨识方法，有效提高了变压器故障辨识的准确率，同时将本发明运用在工程实例中，能准确的辨识变压器故障，从而采取相应的措施，保障变压器的安全稳定运行。
Description
技术领域
本发明涉及变压器故障检测技术领域，具体为一种基于特征重要性排序的变压器故障辨识方法及***。
背景技术
电力***中，变压器是一种至关重要的设备，它的主要功能是实现电压的变换和功率的传输，以此来保证电力***的安全稳定运行；然而，在变压器的运行过程中，可能会出现各种故障，这些故障可能会导致变压器油和绝缘材料老化、分解，在这个过程中，变压器油中会溶解出不同种类和含量的气体，虽然这些气体可以反映变压器的故障类型，但是如何准确地辨识这些故障仍然是一个挑战；为了解决这个问题，研究人员提出了一种基于油中溶解气体分析（Dissolved Gas Analysis，DGA）的故障辨识方法，这种方法主要通过对变压器油中溶解的气体进行分析，来确定变压器的故障类型，如果不能及时准确地辨识出变压器的故障，那么不仅会影响变压器本身的性能和寿命，还可能危及电力***的安全和可靠性，甚至引发严重的社会和经济后果；因此，变压器的故障辨识被视为电力***监测和维护的重要任务。为了提高DGA的辨识准确率，国内外的学者们对其进行了一系列的研究和改进，他们以DGA为基础，提出了IEC三比值法、Rogers四比值法、无编码比值法、大卫三角形法等新的故障辨识方法；然而，这些方法也存在一些问题，例如，它们可能存在编码缺失、编码边界绝对以及临界值准则缺陷等，此外，即使在实际的工程实践中构建了故障辨识特征库，也常常包含一些冗余的特征，这会导致模型训练速度慢，且故障辨识准确率低，而且，人们往往忽略了变压器运行时长、变压器油温、变压器负载以及变压器周边环境对故障辨识的影响，因此，如何在实际应用中有效地筛选出有用的特征，成为了一个急需解决的问题。
目前，随着人工智能的不断进步，越来越多的研究人员和工程技术人员开始将人工智能与DGA相结合，以便对变压器故障类型进行判断，这些方法包括BP神经网络、极限学习机(Extreme Learning Machine,ELM)、随机森林(Random Forest,RF)等；然而，这些方法都存在一些局限性，BP神经网络虽然具有较强的非线性拟合能力，但是其训练过程需要大量的样本数据和计算资源；ELM和RF虽然具有较强的泛化能力，但是在处理大规模数据时，可能会出现过拟合的问题；支持向量机(Support Vector Machine,SVM)在处理小样本和非线性分类问题方面表现出色，这与变压器故障辨识问题相契合，然而，SVM的分类性能与其惩罚因子和核参数的选择密切相关，仅仅依靠经验和人工尝试来选择超参数不仅费时费力，而且难以找到最优超参数，导致变压器故障辨识准确率较低，因此，研究如何寻找SVM的最优超参数成为了当前的研究热点。
所以，如何设计一种基于特征重要性排序的变压器故障辨识方法及***，成为我们当前需要解决的问题。
发明内容
针对现有技术的不足，本发明提供了一种基于特征重要性排序的变压器故障辨识方法，包括如下步骤：
步骤S1：构建变压器故障辨识特征库；
步骤S2：使用轻量梯度提升机对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征；
步骤S3：使用有效特征构建有效特征数据库，并将有效特征数据库划分为训练集和测试集，对训练集和测试集中的有效特征进行最大最小值归一化处理；
步骤S4：使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，设置改进蜘蛛蜂优化算法的种群数量、迭代次数、支持向量机的惩罚因子和核参数的上下界范围，设置支持向量机的目标函数为测试集的故障辨识的错误率，通过改进蜘蛛蜂优化算法不断迭代求得支持向量机的目标函数最小时的最优解，得到最优的故障辨识模型；
所述改进蜘蛛蜂优化算法由蜘蛛蜂优化算法采用Tent 混沌映射初始化蜘蛛蜂种群得来，其表达式为：
；
式中，为介于0和1之间的参数；/>为第i只雌性蜘蛛蜂第j次映射的位置；/>为第i只雌性蜘蛛蜂第j+1次映射的位置；
步骤S5：使用归一化处理后的训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识，输出故障辨识准确率。
进一步的，所述步骤S2中特征重要性排序的公式如下：
；
式中，表示特征；/>是包含特征/>的所有树节点的集合；/>是节点/>的***增益；/>是特征/>在所有树中的总增益；***增益的计算公式与损失函数和正规化项有关，表达式为：
；
式中，是节点/>左子节点的梯度之和；/>是节点/>右子节点的梯度之和；/>是节点/>左子节点的二阶导数之和；/>是节点/>右子节点的二阶导数之和；/>是叶子权重的正规化系数；/>是叶子数量的正规化系数。
进一步的，所述步骤S3中，最大最小值归一化的公式为：
；
式中，为归一化后的有效特征；/>为有效特征；/>为有效特征最大值，/>为有效特征最小值。
进一步的，使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优过程为：
第1步，采用Tent 混沌映射初始化蜘蛛蜂种群，并为初始化蜘蛛蜂种群每个个体分配随机支持向量机参数；
第2步，计算每个个体的适应度值，评估其对目标函数的优劣程度，将目标函数设为支持向量机的分类故障辨识的错误率，作为每个个体适应度值；
第3步，根据选择策略，选取部分个体作为父代个体；
第4步，通过交叉和变异操作，生成预设数量的子代个体；
第5步，计算子代个体的适应度值，并与父代个体的适应度值进行比较，如子代个体的适应度值大于父代个体的适应度值，则子代个体的解替换掉父代个体的解，形成新的种群；
第6步，判断是否达到终止条件，如达到预设迭代次数，则输出最优个体作为支持向量机的惩罚因子和核参数；如没达到预设迭代次数，则返回第2步继续迭代。
进一步的，所述步骤S5的具体过程为：将归一化处理后的训练集作为故障辨识模型的输入，再使用改进蜘蛛蜂优化算法对故障辨识模型的参数寻优，以测试集的故障辨识的错误率设为适应度函数；，其中，/>为诊断正确的样本个数；/>为测试集样本个数。
进一步的，所述步骤S1中构建变压器故障辨识特征库的具体过程为：利用变压器油中溶解气体中的氢气、甲烷、乙烷、乙烯、乙炔及其比值和变压器运行时长、变压器油温、变压器负载以及变压器周边环境数据构建变压器故障辨识特征库。
本发明公开了一种基于特征重要性排序的变压器故障辨识***，包括：
构建单元，用以构建变压器故障辨识特征库；
特征筛选单元，用以使用轻量梯度提升机对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征；
数据预处理单元，用以使用有效特征构建有效特征数据库，并将有效特征数据库划分为训练集和测试集，对训练集和测试集中的有效特征进行最大最小值归一化处理；
算法优化单元，用以使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，设置改进蜘蛛蜂优化算法的种群数量、迭代次数、支持向量机的惩罚因子和核参数的上下界范围，设置支持向量机的目标函数为测试集的故障辨识的错误率，通过改进蜘蛛蜂优化算法不断迭代求得支持向量机的目标函数最小时的最优解，得到最优的故障辨识模型；
故障辨识单元，用以使用归一化处理后的训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识，输出故障辨识准确率。
与现有的技术相比，本发明具备以下有益效果：
（1）、本发明相较于35维特征直接输入支持向量机，基于轻量梯度提升机特征筛选提取有效特征后输入支持向量机使得准确率有所提高，同时也去除冗余特征，使得模型训练时间缩短。
（2）、本发明通过引入改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，与蜘蛛蜂优化算法，麻雀搜索算法，哈里斯鹰优化算法，海鸥优化算法,粒子群算法，遗传算法寻优相比，改进蜘蛛蜂优化算法，且能够跳出局部最优。
（3）、本发明通过轻量梯度提升机特征筛选发现变压器运行时长、变压器油温、变压器负载、环境温度也对变压器故障辨识起到了很大作用，能够有效提高变压器故障辨识准确率。
附图说明
图1为本发明的方法流程图。
图2为本发明的特征重要性排序图。
图3为本发明的不同特征个数的变压器故障辨识准确率图。
图4为本发明的改进蜘蛛蜂优化算法的适应度曲线图。
图5为本发明的轻量梯度提升机特征筛选的故障辨识模型故障辨识结果图。
图6为本发明的轻量梯度提升机特征筛选的故障辨识模型混淆矩阵图。
具体实施方式
实施例一
如图1所示，本发明提供技术方案：一种基于特征重要性排序的变压器故障辨识方法，包括以下步骤：
步骤S1：构建35维的变压器故障辨识特征库；
其中，利用变压器油中溶解气体中的氢气（H2）、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、乙炔(C2H2)5种气体及其比值和变压器运行时长、变压器油温、变压器负载以及变压器周边环境数据（温度、湿度、风速、大气压）构建变压器故障辨识特征库，变压器故障辨识特征库如表1所示：
表1 变压器故障辨识特征库
其中，C1表示一阶碳氢化合物之和,C1=CH4；C2表示二阶碳氢化合物之和，C2=C2H6+C2H4+C2H2；AG表示5种气体总含量，AG=H2+CH4+C2H6+C2H4+C2H2；C3表示3种气体总含量，C3=CH4+C2H4+C2H2。
步骤S2：使用轻量梯度提升机（LightGBM）对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征。
轻量梯度提升机（LightGBM）特征重要性排序的原理是基于特征在构建决策树时的***增益，***增益是指在一个节点上选择某个特征进行***后，模型的损失函数减少的程度；轻量梯度提升机（LightGBM）使用了带有深度限制的Leaf-wise算法，该算法每次从当前所有叶子中找到***增益最大的一个叶子，然后***，如此循环；因此，特征重要性排序就是根据特征在所有树中的***增益之和进行降序排列。
使用轻量梯度提升机（LightGBM）对变压器故障辨识特征库中的特征进行特征重要性排序的公式如下：
；
式中，表示特征；/>是包含特征/>的所有树节点的集合；/>是节点/>的***增益；/>是特征/>在所有树中的总增益；***增益的计算公式与损失函数和正规化项有关，表达式为：
；
式中，是节点/>左子节点的梯度之和；/>是节点/>右子节点的梯度之和；/>是节点/>左子节点的二阶导数之和；/>是节点/>右子节点的二阶导数之和；/>是叶子权重的正规化系数；/>是叶子数量的正规化系数。
轻量梯度提升机（LightGBM）对每棵树的每个***节点的增益进行累加，得到每个特征在所有树中的总增益，然后，对特征按照总增益进行排序，得到特征重要性的排名，如图2所示，各特征重要性从大到小依次排序为：f6＞f30＞f19＞f26＞f18＞f31＞f10＞f5＞f29＞f20＞f9＞f32＞f2＞f11＞f3＞f1＞f16＞f27＞f15＞f28＞f25＞f4＞f21＞f8＞f12＞f22＞f13＞f17＞f35＞f24＞f14＞f33＞f7＞f23＞f34，再将变压器故障辨识特征库中35维特征按特征重要性程度依次输入轻量梯度提升机（LightGBM），将轻量梯度提升机（LightGBM）的学习率设为0.0001，树的最大深度设为9，叶子节点数设为64，不同特征个数输出的变压器故障辨识准确率变化曲线如图3所示，输入的特征个数从1扩充到16时，变压器故障辨识准确率达到最高，为86.67%，所以轻量梯度提升机（LightGBM）筛选的有效特征为f6、f30、f19、f26、f18、f31、f10、f5、f29、f20、f9、f32、f2、f11、f3、f1，共16维。
步骤S3：使用有效特征构建有效特征数据库，并将有效特征数据库按2∶1划分为训练集和测试集，如表2所示，对训练集和测试集中的有效特征进行最大最小值归一化处理；
表2 数据样本分布
其中，为了增强数据的鲁棒性，减少异常值和噪声对模型的影响，需要对数据进行归一化处理；归一化处理可以消除各特征数据之间的量纲差异，使得不同特征对支持向量机（SVM）训练的影响程度相同；同时，归一化处理还可以避免特征值过大或过小导致的数值计算误差，提高支持向量机（SVM）的训练效果；对训练集和测试集中的有效特征进行最大最小值归一化，将所有数据归一化至[0，1]，其公式为：
；
式中，为归一化后的有效特征；/>为有效特征；/>为有效特征最大值，/>为有效特征最小值。
步骤S4：使用改进蜘蛛蜂优化算法（ISWO）对支持向量机（SVM）的惩罚因子c和核参数g寻优，设置改进蜘蛛蜂优化算法（ISWO）的种群数量、迭代次数、支持向量机（SVM）的惩罚因子c和核参数g的上下界范围，设置（支持向量机（SVM））的目标函数为测试集的故障辨识的错误率，经过改进蜘蛛蜂优化算法（ISWO）不断迭代求得目标函数最小时的最优解(c，g），得到最优的故障辨识模型（ISWO-SVM）；
蜘蛛蜂优化算法（Spider Wasp Optimization，SWO）的灵感来自雌性蜘蛛蜂的狩猎、筑巢和交配行为；
1、种族初始化
在蜘蛛蜂优化算法中，每只雌性蜘蛛蜂代表当前一代中的一个解，表达式为：
；
式中，为第i只雌性蜘蛛蜂的候选解集合；/>为第i只雌性蜘蛛蜂的第d维候选解；i∈1～N，为正整数，N为雌性蜘蛛蜂数量；d∈1～D，为正整数D为维数。
蜘蛛蜂种群建模如下所示：
；
式中，为蜘蛛蜂种群；
以下等式可用于在搜索空间中随机生成任何解决方案：
；
式中，为迭代次数索引；/>为D维随机初始化数的向量，范围为（0,1）；/>为初始参数上限；/>为初始参数下限；/>为第t次迭代时第i只雌性蜘蛛蜂的位置；
2、狩猎和筑巢行为
雌性蜘蛛蜂通过寻找猎物（蜘蛛）来喂养它们的幼虫，它们的搜索是在搜索空间内随机执行的，以找到最适合的猎物（蜘蛛），这被称为探索阶段，然后，它会包围猎物（蜘蛛），通过奔走或飞行追逐它，这个阶段被称为追踪和逃生阶段，最后，雌性蜘蛛蜂会拖曳***猎物（蜘蛛）到预先准备好的巢穴中，在它的腹部产卵。
2.1、探索阶段
这个阶段模拟了雌性蜘蛛蜂寻找最适合喂养其幼虫的猎物（蜘蛛）的行为，从种群中随机选择的a，b两只雌性蜘蛛蜂来确定探索方向,在这一阶段，雌性蜘蛛蜂随机探索搜索空间，以找到适合喂养其后代的猎物（蜘蛛），通过在每一代t更新每只雌性蜘蛛蜂的位置来模拟其探索行为，对应的数学表达式为：
；
式中，为（0,1）之间的随机数；/>为正态分布生成的随机数；/>为第t+1次迭代时第i只雌性蜘蛛蜂的位置；/>为第t+1次迭代时雌性蜘蛛蜂a的位置；/>为第t+1次迭代时雌性蜘蛛蜂b的位置；
雌性蜘蛛蜂有时会忘记掉落在搜索区的猎物（蜘蛛），因此，它们会在猎物（蜘蛛）掉落的位置周围搜索整个区域，根据这种行为，我们已经构建了另一种具有不同搜索方法的方程，以便使提出的算法能够以与上式不同的小步长来探索掉落猎物（蜘蛛）周围的区域，该方程还基于在每一代中根据从种群中随机选择的雌性蜘蛛蜂的位置来更新当前雌性蜘蛛蜂，以表示掉落猎物（蜘蛛）的位置，其公式表述为：
；
式中，z为从种群中随机选择的雌性蜘蛛蜂；为（0,1）之间的随机数；/>为（-2,1）之间的随机数；/>为自然对数，约等于2.71828；/>为第t次迭代时雌性蜘蛛蜂z的位置；
综上，雌性蜘蛛蜂的位置更新表示如下：
；
式中，和/>均为（0,1）之间的随机数。
2.2、追踪和逃生阶段
在找到猎物（蜘蛛）后，雌性蜘蛛蜂试图在蛛网的中心攻击它们，但是猎物（蜘蛛）逃跑，雌性蜘蛛蜂会追踪掉落的猎物，使它们麻痹并拖回预先准备好的巢穴，在其他情况下，雌性蜘蛛蜂会失去从蛛网上掉下来的猎物（蜘蛛）的踪迹，雌性蜘蛛蜂在猎物逃生的同时也会尝试抓住猎物（蜘蛛）；这种行为模拟了两个趋势：
第一个是雌性蜘蛛蜂追踪猎物（蜘蛛）以捕捉它们，其中猎物（蜘蛛）与雌性蜘蛛蜂之间的距离最初很小，可能会根据雌性蜘蛛蜂和猎物（蜘蛛）的速度而增加或减少；在这种情况下，模型表示为：
；
式中，为从种群中随机选择的雌性蜘蛛蜂, />为第t次迭代时雌性蜘蛛蜂d的位置；/>为（0,1）之间的随机数；/>为距离因子；
第二个是通过设计一个距离因子来模拟逃避雌性蜘蛛蜂的猎物（蜘蛛），随着当前迭代的增加，雌性蜘蛛蜂和猎物（蜘蛛）之间的距离也会增加；在这种情况下，我们提出了一个数学模型，模拟了两种情况：（1）雌性蜘蛛蜂比猎物（蜘蛛）速度快， />> 0.5 ；（2）猎物（蜘蛛）比雌性蜘蛛蜂快，/>< 0.5 ，其中/>是一个距离因子，用于确定雌性蜘蛛蜂的速度，起始速度为2，并线性减小到零；
；
式中， 为最大迭代次数；/>为（0,1）之间的随机数；
当猎物（蜘蛛）逃离雌性蜘蛛蜂时，雌性蜘蛛蜂和猎物（蜘蛛）之间的距离逐渐增加，这个阶段是最初的开发阶段，随着距离的增加，开发阶段转化为探索阶段，使用以下公式模拟此行为：
；
式中，为根据正态分布在/>和/>之间生成的向量；/>；
综上，这两种趋势是随机实现的，如下式所示：
。
2.3、筑巢行为
雌性蜘蛛蜂将被***猎物（蜘蛛）拉入预先准备好的巢穴中，雌性蜘蛛蜂有多种建巢行为，例如在土壤中建造蜂房、在叶子或岩石上建造泥巢等，由于其多种建巢行为，我们使用两个不同的方程式来模拟这些行为；
第一个方程式是基于将猎物（蜘蛛）和雌性蜘蛛蜂引向最合适的区域，并将其视为建立新巢的最佳地点，以便雌性蜘蛛蜂在其中放置***猎物（蜘蛛）和在猎物（蜘蛛）腹部产卵；第一个方程式表示为：
；
式中，为当前最优解；
第二个方程式是基于雌性蜘蛛蜂随机选择的位置建立巢穴，使用额外的步长来避免在同一位置建立两个巢穴，其方程式表示为：
；
式中，为根据莱维飞行生成的一个数；q、u、v均为从种群中随机选择的雌性蜘蛛蜂；/>为第t次迭代时雌性蜘蛛蜂q的位置；/>为第t次迭代时雌性蜘蛛蜂u的位置；/>为第t次迭代时雌性蜘蛛蜂v的位置；/>为一个二进制向量，用于确定何时应用步长以避免在同一位置建立两个巢穴，其表示为：
；
式中，和/>为两个表示在（0,1）区间内的随机值向量；
综上，这两种行为是随机实现的，如下式所示：
。
3、交配行为
在所提出的算法中考虑了雌性蜘蛛蜂的交配行为，每只雌性蜘蛛蜂代表当前可能的解决方案，雌性蜘蛛蜂卵代表该代新生成的潜在解决方案，新解决方案/雌性蜘蛛蜂卵根据以下公式生成：
；
式中，为交叉运算符；/>为交叉概率；/>代表第t次迭代时雄性蜘蛛蜂m的位置；其中，雄性蜘蛛蜂根据以下公式更新：
；
式中，代表第t+1次迭代时雄性蜘蛛蜂m的位置，/>和/>为正态分布随机生成的两个数；/>和/>为随机生成的两个向量；
交叉是用于重新整合双亲蜘蛛蜂的遗传物质，以产生具有双亲特征的后代（卵）。
4、改进蜘蛛蜂优化算法（ISWO）
蜘蛛蜂优化算法种群初始化是随机生成的，具有很强的不确定性，为了提高种群的多样性和质量，从而提高蜘蛛蜂优化算法的性能，有必要对蜘蛛蜂种群初始化方式进行改进；采用Tent 混沌映射初始化蜘蛛蜂种群，将增强初始解的遍历均匀性；Tent 混沌映射是一种简单的非线性映射，它可以产生在 [0,1] 区间内分布均匀的混沌序列，其表达式为：
；
式中，为介于0和1之间的参数，一般取 0.5；/>为第i只雌性蜘蛛蜂第j次映射的位置；/>为第i只雌性蜘蛛蜂第j+1次映射的位置。
进一步的，使用改进蜘蛛蜂优化算法对支持向量机（SVM）参数寻优过程如下：
第1步，采用Tent 混沌映射初始化蜘蛛蜂种群，并为初始化蜘蛛蜂种群每个个体分配随机支持向量机（SVM）参数；
第2步，计算每个个体的适应度值，评估其对目标函数的优劣程度，将目标函数设为支持向量机（SVM）的分类故障辨识的错误率，作为其适应度值；
第3步，根据一定的选择策略，选取部分个体作为父代个体；
第4步，通过交叉和变异操作，生成一定数量的子代个体；
第5步，计算子代个体的适应度值，并与父代个体的适应度值进行比较，如子代个体的适应度值大于父代个体的适应度值，则子代个体的解替换掉父代个体的解，形成新的种群；
第6步，判断是否达到终止条件，如达到最大迭代次数（设为200次），则输出最优个体作为支持向量机（SVM）的参数（惩罚因子c和核参数g）；如没达到最大迭代次数，则返回第2步继续迭代。
步骤S5：使用归一化处理后的训练集对故障辨识模型（ISWO-SVM）进行训练，利用训练好的故障辨识模型（ISWO-SVM）对测试集进行故障辨识，输出其故障辨识准确率；
为了说明轻量梯度提升机（LightGBM）特征筛选的有效性，将XGBoost特征筛选、核主成分分析（KPCA）、主成分分析（PCA）和基于方差分析（ANOVA）降维后的有效特征分别导入训练好的故障辨识模型（ISWO-SVM），对比其故障诊断准确的个数。
结果为本发明使用的轻量梯度提升机（LightGBM）特征筛选诊断正确84个，将XGBoost特征筛选、核主成分分析（KPCA）、主成分分析（PCA）和基于方差分析（ANOVA）分别诊断正确78、80、75、81个，综上所述本发明提出的轻量梯度提升机（LightGBM）特征筛选故障诊断准确的个数最多，足以说明轻量梯度提升机（LightGBM）特征筛选的有效性。
进一步的，将归一化处理后的训练集作为故障辨识模型（ISWO-SVM）的输入，再使用改进蜘蛛蜂优化算法（ISWO）对故障辨识模型（ISWO-SVM）的参数寻优，种群数量设置为10，迭代次数设为200，惩罚因子c的范围为[1，500]，核参数g的范围为[1×10^-8，20]，以测试集的故障辨识的错误率设为适应度函数，适应度值曲线如图4所示，此时的适应度值为0.0667，超参数惩罚因子c和核参数g为257.45、0.523；
故障辨识的错误率为：
；
式中，为诊断正确的样本个数；/>为测试集样本个数，故障辨识模型（ISWO-SVM）的故障辨识的准确率（/>）越高，故障辨识模型（ISWO-SVM）效果越好。
故障辨识结果和混淆矩阵如图5、图6所示，根据图中的诊断结果和真实结果可以得出此时中低温过热故障辨识正确14个，准确率为93.33%；高温过热故障辨识正确15个，准确率为100%；局部放电故障辨识正确15个，准确率为100%；低能放电故障辨识正确11个，准确率为73.33%；高能放电故障辨识正确14个，准确率为93.33%；正常（无故障）辨识正确15个，准确率为100%。
分别使用蜘蛛蜂优化算法（SWO），麻雀搜索算法（SSA），哈里斯鹰优化算法（HHO），海鸥优化算法（SOA）,粒子群算法（PSO），遗传算法（GA）优化后的支持向量机（SVM）对测试集进行故障辨识，与本发明提出的方法对比，所有算法种群数量均设置为10，迭代次数设为200，超参数惩罚因c的范围为[1，500]，核参数g的范围为[1×10^-8，20]，变压器各故障辨识准确率及模型运行时间如表3所示：
表3 不同优化算法故障辨识准确率及运行时间
从表3中可以看出，本发明提出的故障辨识模型（ISWO-SVM）故障辨识准确率最高，运行时间最短。
一种基于特征重要性排序的变压器故障辨识***，包括：
构建单元，用以构建变压器故障辨识特征库；
特征筛选单元，用以使用轻量梯度提升机对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征；
数据预处理单元，用以使用有效特征构建有效特征数据库，并将有效特征数据库划分为训练集和测试集，对训练集和测试集中的有效特征进行最大最小值归一化处理；
算法优化单元，用以使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，设置改进蜘蛛蜂优化算法的种群数量、迭代次数、支持向量机的惩罚因子和核参数的上下界范围，设置支持向量机的目标函数为测试集的故障辨识的错误率，通过改进蜘蛛蜂优化算法不断迭代求得支持向量机的目标函数最小时的最优解，得到最优的故障辨识模型；
故障辨识单元，用以使用归一化处理后的训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识，输出故障辨识准确率。
实施例二
2022年某日，某地500kV变电站#1主变C相本体轻瓦斯动作告警且信号无法复归，为分析故障原因，取#1主变C相本体下部油样开展油色谱分析，结果如表4所示：
表4 #1主变C相本体下部油样油色谱分析
利用上表数据构建变压器故障辨识特征库，轻量梯度提升机（LightGBM）筛选的有效特征编号为f6、f30、f19、f26、f18、f31、f10、f5、f29、f20、f9、f32、f2、f11、f3、f1，再将有效特征作为故障辨识模型（ISWO-SVM）的输入，输出的变压器运行状态为2，即高温过热故障；
经过变压器返厂解体分析，发现本次故障的原因为#1主变C相低压线圈下部出线与引线搭接部位紧固螺栓松动，导致接触电阻增大，在负荷电流作用下产生高温过热故障，与本发明辨识的故障类型一致。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于特征重要性排序的变压器故障辨识方法，其特征在于，包括如下步骤：
步骤S1：构建变压器故障辨识特征库；
步骤S2：使用轻量梯度提升机对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征；
步骤S3：使用有效特征构建有效特征数据库，并将有效特征数据库划分为训练集和测试集，对训练集和测试集中的有效特征进行最大最小值归一化处理；
步骤S4：使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，设置改进蜘蛛蜂优化算法的种群数量、迭代次数、支持向量机的惩罚因子和核参数的上下界范围，设置支持向量机的目标函数为测试集的故障辨识的错误率，通过改进蜘蛛蜂优化算法不断迭代求得支持向量机的目标函数最小时的最优解，得到最优的故障辨识模型；
所述改进蜘蛛蜂优化算法由蜘蛛蜂优化算法采用Tent 混沌映射初始化蜘蛛蜂种群得来，其表达式为：
；
式中，为介于0和1之间的参数；/>为第i只雌性蜘蛛蜂第j次映射的位置；/>为第i只雌性蜘蛛蜂第j+1次映射的位置；
步骤S5：使用归一化处理后的训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识，输出故障辨识准确率。
2.根据权利要求1所述的一种基于特征重要性排序的变压器故障辨识方法，其特征在于：所述步骤S2中特征重要性排序的公式如下：
；
式中，表示特征；/>是包含特征/>的所有树节点的集合；/>是节点/>的***增益；/>是特征/>在所有树中的总增益；***增益的计算公式与损失函数和正规化项有关，表达式为：
；
式中，是节点/>左子节点的梯度之和；/>是节点/>右子节点的梯度之和；/>是节点/>左子节点的二阶导数之和；/>是节点/>右子节点的二阶导数之和；/>是叶子权重的正规化系数；/>是叶子数量的正规化系数。
3.根据权利要求1所述的一种基于特征重要性排序的变压器故障辨识方法，其特征在于：所述步骤S3中，最大最小值归一化的公式为：
；
式中，为归一化后的有效特征；/>为有效特征；/>为有效特征最大值，/>为有效特征最小值。
4.根据权利要求1所述的一种基于特征重要性排序的变压器故障辨识方法，其特征在于：使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优过程为：
第1步，采用Tent 混沌映射初始化蜘蛛蜂种群，并为初始化蜘蛛蜂种群每个个体分配随机支持向量机参数；
第2步，计算每个个体的适应度值，评估其对目标函数的优劣程度，将目标函数设为支持向量机的分类故障辨识的错误率，作为每个个体适应度值；
第3步，根据选择策略，选取部分个体作为父代个体；
第4步，通过交叉和变异操作，生成预设数量的子代个体；
第5步，计算子代个体的适应度值，并与父代个体的适应度值进行比较，如子代个体的适应度值大于父代个体的适应度值，则子代个体的解替换掉父代个体的解，形成新的种群；
第6步，判断是否达到终止条件，如达到预设迭代次数，则输出最优个体作为支持向量机的惩罚因子和核参数；如没达到预设迭代次数，则返回第2步继续迭代。
5.根据权利要求1所述的一种基于特征重要性排序的变压器故障辨识方法，其特征在于：所述步骤S5的具体过程为：将归一化处理后的训练集作为故障辨识模型的输入，再使用改进蜘蛛蜂优化算法对故障辨识模型的参数寻优，以测试集的故障辨识的错误率设为适应度函数；，其中，/>为诊断正确的样本个数；/>为测试集样本个数。
6.根据权利要求1所述的一种基于特征重要性排序的变压器故障辨识方法，其特征在于：所述步骤S1中构建变压器故障辨识特征库的具体过程为：利用变压器油中溶解气体中的氢气、甲烷、乙烷、乙烯、乙炔及其比值和变压器运行时长、变压器油温、变压器负载以及变压器周边环境数据构建变压器故障辨识特征库。
7.一种基于特征重要性排序的变压器故障辨识***，其特征在于，包括：
构建单元，用以构建变压器故障辨识特征库；
特征筛选单元，用以使用轻量梯度提升机对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征；
数据预处理单元，用以使用有效特征构建有效特征数据库，并将有效特征数据库划分为训练集和测试集，对训练集和测试集中的有效特征进行最大最小值归一化处理；
算法优化单元，用以使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，设置改进蜘蛛蜂优化算法的种群数量、迭代次数、支持向量机的惩罚因子和核参数的上下界范围，设置支持向量机的目标函数为测试集的故障辨识的错误率，通过改进蜘蛛蜂优化算法不断迭代求得支持向量机的目标函数最小时的最优解，得到最优的故障辨识模型；
所述改进蜘蛛蜂优化算法由蜘蛛蜂优化算法采用Tent 混沌映射初始化蜘蛛蜂种群得来，其表达式为：
；
式中，为介于0和1之间的参数；/>为第i只雌性蜘蛛蜂第j次映射的位置；/>为第i只雌性蜘蛛蜂第j+1次映射的位置；
故障辨识单元，用以使用归一化处理后的训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识，输出故障辨识准确率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311404470.XA CN117150374A (zh) | 2023-10-27 | 2023-10-27 | 一种基于特征重要性排序的变压器故障辨识方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311404470.XA CN117150374A (zh) | 2023-10-27 | 2023-10-27 | 一种基于特征重要性排序的变压器故障辨识方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117150374A true CN117150374A (zh) | 2023-12-01 |
Family
ID=88910405
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311404470.XA Pending CN117150374A (zh) | 2023-10-27 | 2023-10-27 | 一种基于特征重要性排序的变压器故障辨识方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117150374A (zh) |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567739A (zh) * | 2012-01-09 | 2012-07-11 | 云南电力试验研究院（集团）有限公司电力研究院 | 基于变压器特征参量的状态评估方法 |
| CN105184392A (zh) * | 2015-08-21 | 2015-12-23 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
| CN107862114A (zh) * | 2017-10-25 | 2018-03-30 | 广西电网有限责任公司电力科学研究院 | 基于三比值特征量的小波pso‑svm变压器故障诊断方法 |
| CN110353694A (zh) * | 2019-07-18 | 2019-10-22 | 哈尔滨工业大学 | 一种基于特征选取的运动识别方法 |
| CN111814989A (zh) * | 2020-06-02 | 2020-10-23 | 西安工程大学 | 基于蝗虫算法优化孪生支持向量机的变压器故障诊断方法 |
| CN112564098A (zh) * | 2020-12-02 | 2021-03-26 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
| CN114549233A (zh) * | 2022-01-25 | 2022-05-27 | 国网浙江义乌市供电有限公司 | 基于lgb算法与arima算法相结合的流动人口预测方法 |
| CN114997217A (zh) * | 2022-05-18 | 2022-09-02 | 合肥工业大学 | 一种基于rfid传感标签及igwo-elm的变压器故障诊断方法 |
| CN115327081A (zh) * | 2022-08-09 | 2022-11-11 | 长沙理工大学 | 一种改进樽海鞘群优化支持向量机的变压器故障诊断方法 |
| CN115358291A (zh) * | 2022-07-21 | 2022-11-18 | 国网宁夏电力有限公司电力科学研究院 | 一种变压器故障诊断方法、介质及*** |
| CN115577639A (zh) * | 2022-10-27 | 2023-01-06 | 南京邮电大学 | 基于麻雀搜索法优化支持向量机的变压器故障诊断方法 |
| CN115587329A (zh) * | 2022-09-28 | 2023-01-10 | 山东大学 | 基于卷积神经网络提取特征的配电网故障分类方法及*** |
| CN115905848A (zh) * | 2021-09-29 | 2023-04-04 | 中国石油化工股份有限公司 | 基于多模型融合的化工过程故障诊断方法及*** |
| CN116468181A (zh) * | 2023-04-26 | 2023-07-21 | 山东工商学院 | 一种基于改进鲸鱼优化方法 |
| CN116595445A (zh) * | 2023-04-17 | 2023-08-15 | 三峡大学 | 基于随机森林特征优选和改进支持向量机的变压器故障诊断方法 |
| CN116633589A (zh) * | 2023-04-10 | 2023-08-22 | 湖南大学 | 社交网络中恶意账户检测方法、设备及存储介质 |
| CN116755000A (zh) * | 2023-04-28 | 2023-09-15 | 山西潞安矿业集团慈林山煤业有限公司李村煤矿 | 一种变压器故障快速识别装置及方法 |
| CN116756939A (zh) * | 2023-05-26 | 2023-09-15 | 中国长江电力股份有限公司 | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 |
| CN116842337A (zh) * | 2023-06-13 | 2023-10-03 | 国网甘肃省电力公司 | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 |
-
2023
- 2023-10-27 CN CN202311404470.XA patent/CN117150374A/zh active Pending
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567739A (zh) * | 2012-01-09 | 2012-07-11 | 云南电力试验研究院（集团）有限公司电力研究院 | 基于变压器特征参量的状态评估方法 |
| CN105184392A (zh) * | 2015-08-21 | 2015-12-23 | 许昌许继软件技术有限公司 | 一种基于最小二乘支持向量机的光伏电站故障诊断方法 |
| CN107862114A (zh) * | 2017-10-25 | 2018-03-30 | 广西电网有限责任公司电力科学研究院 | 基于三比值特征量的小波pso‑svm变压器故障诊断方法 |
| CN110353694A (zh) * | 2019-07-18 | 2019-10-22 | 哈尔滨工业大学 | 一种基于特征选取的运动识别方法 |
| CN111814989A (zh) * | 2020-06-02 | 2020-10-23 | 西安工程大学 | 基于蝗虫算法优化孪生支持向量机的变压器故障诊断方法 |
| CN112564098A (zh) * | 2020-12-02 | 2021-03-26 | 国网浙江省电力有限公司电力科学研究院 | 基于时间卷积神经网络的高比例光伏配电网电压预测方法 |
| CN115905848A (zh) * | 2021-09-29 | 2023-04-04 | 中国石油化工股份有限公司 | 基于多模型融合的化工过程故障诊断方法及*** |
| CN114549233A (zh) * | 2022-01-25 | 2022-05-27 | 国网浙江义乌市供电有限公司 | 基于lgb算法与arima算法相结合的流动人口预测方法 |
| CN114997217A (zh) * | 2022-05-18 | 2022-09-02 | 合肥工业大学 | 一种基于rfid传感标签及igwo-elm的变压器故障诊断方法 |
| CN115358291A (zh) * | 2022-07-21 | 2022-11-18 | 国网宁夏电力有限公司电力科学研究院 | 一种变压器故障诊断方法、介质及*** |
| CN115327081A (zh) * | 2022-08-09 | 2022-11-11 | 长沙理工大学 | 一种改进樽海鞘群优化支持向量机的变压器故障诊断方法 |
| CN115587329A (zh) * | 2022-09-28 | 2023-01-10 | 山东大学 | 基于卷积神经网络提取特征的配电网故障分类方法及*** |
| CN115577639A (zh) * | 2022-10-27 | 2023-01-06 | 南京邮电大学 | 基于麻雀搜索法优化支持向量机的变压器故障诊断方法 |
| CN116633589A (zh) * | 2023-04-10 | 2023-08-22 | 湖南大学 | 社交网络中恶意账户检测方法、设备及存储介质 |
| CN116595445A (zh) * | 2023-04-17 | 2023-08-15 | 三峡大学 | 基于随机森林特征优选和改进支持向量机的变压器故障诊断方法 |
| CN116468181A (zh) * | 2023-04-26 | 2023-07-21 | 山东工商学院 | 一种基于改进鲸鱼优化方法 |
| CN116755000A (zh) * | 2023-04-28 | 2023-09-15 | 山西潞安矿业集团慈林山煤业有限公司李村煤矿 | 一种变压器故障快速识别装置及方法 |
| CN116756939A (zh) * | 2023-05-26 | 2023-09-15 | 中国长江电力股份有限公司 | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 |
| CN116842337A (zh) * | 2023-06-13 | 2023-10-03 | 国网甘肃省电力公司 | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 |
Non-Patent Citations (3)
| Title |
|---|
| MOHAMED ABDEL-BASSET 等: "Spider wasp optimizer: a novel meta-heuristic optimization algorithm", ARTIFICIAL INTELLIGENCE REVIEW, pages 122 - 126 * |
| 易灵芝 等: "基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究", 湖南电力, vol. 42, no. 6, pages 1 * |
| 李宪栋: "电力变压器状态检修实践探索", 黄河水利出版社, pages: 46 - 53 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Srinivasa et al. | A self-adaptive migration model genetic algorithm for data mining applications | |
| Drown et al. | Evolutionary sampling and software quality modeling of high-assurance systems | |
| CN106874963B (zh) | 一种基于大数据技术的配电网故障诊断方法及*** | |
| Bajaj et al. | Discrete cuckoo search algorithms for test case prioritization | |
| CN109813542A (zh) | 基于生成式对抗网络的空气处理机组的故障诊断方法 | |
| CN114925612A (zh) | 基于麻雀搜索算法优化混合核极限学习机的变压器故障诊断方法 | |
| Basiri et al. | A novel hybrid ACO-GA algorithm for text feature selection | |
| CN112862065A (zh) | 一种基于多任务图神经网络的电网支路参数辨识方法 | |
| Hatim et al. | Addressing challenges and demands of intelligent seasonal rainfall forecasting using artificial intelligence approach | |
| Strumberger et al. | Hybridized monarch butterfly algorithm for global optimization problems | |
| Kilinc et al. | Finding plausible optimal solutions in engineering problems using an adaptive genetic algorithm | |
| CN117786516A (zh) | 基于多源数据融合的油浸式变压器故障诊断方法 | |
| Zhao et al. | A Novel Modified Tree‐Seed Algorithm for High‐Dimensional Optimization Problems | |
| CN117150374A (zh) | 一种基于特征重要性排序的变压器故障辨识方法及*** | |
| CN117273516A (zh) | 一种基于注意力机制神经网络的绩效评估方法 | |
| Maashi | A Comprehensive Review of Software Testing Methodologies Based on Search-based Software Engineering | |
| CN115860044A (zh) | 基于改进松鼠搜索算法的短期电力负荷预测方法 | |
| Praczyk | Evolving co-adapted subcomponents in Assembler Encoding | |
| CN115408866A (zh) | 基于时变拓扑结构的星群在轨健康评估方法及终端 | |
| CN113448840A (zh) | 基于预测缺陷率和模糊综合评价模型的软件质量评价方法 | |
| Saroj et al. | A genetic algorithm with entropy based probabilistic initialization and memory for automated rule mining | |
| Khoshgoftaar et al. | Evolutionary data analysis for the class imbalance problem | |
| CN113420492A (zh) | 一种基于gan与gru神经网络的风光火耦合***频率响应模型建模方法 | |
| Huang et al. | Wine quality evaluation model based on artificial bee colony and BP neural network | |
| Zhao et al. | Particle swarm algorithm for classification rules generation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |