变压器不平衡样本故障诊断的过采样和代价敏感算法北大核心CSCD

基于神经网络的变压器故障诊断方法是评估变压器状态的重要方法,然而该方法在处理各状态类别间样本数量不平衡的数据集时,各类型状态识别效果差距较大,识别结果更多偏向多数类样本。文中基于过采样方法和代价敏感算法,针对最大不平衡度为266∶19的油色谱数据集,构建了一种用于变压器故障诊断的BPNN模型。首先,基于SMOTE算法对样本数据集进行有选择的扩充,该算法结合了近邻分析和线性插值的思想,减少了样本扩充所导致的模型训练的过拟合现象。然后,构建五层神经网络,并引入Focal Loss函数取代交叉熵函数作为本模型的代价损失函数,从而更关注于少数类样本的识别和区分。实验结果表明,文中模型相比于原始BPNN模型在总体准确率上提升了6.48%,各少数类样本类别的F1分数分别提高了25.7%、11.4%、3%、26.1%、1.8%、15.3%和33.3%,并且算法收敛更快。在和传统机器学习方法的对比中,文中模型比基于KNN算法和随机森林算法模型的整体准确率分别提高了16.53%和7.98%。     

考虑不平衡案例样本的电力变压器故障诊断方法

针对电力变压器各故障类别间案例数量不平衡导致的神经网络等传统机器学习诊断方法准确率较低,及各故障类型之间识别效果差距大的问题,基于层次分类和集成学习的思想,构造了一种多级层次变压器故障诊断模型。该方法根据每级类别样本的不平衡程度分级建立相应的分类器,逐级深入进行诊断。第1级分类器选取神经网络,提取正常、放电故障和过热故障3种广义特征标签,并与原始参量输入进行特征融合,以引导DL/T722—2014中采用的9种更细致的状态类型分类;第2级分类器采用EasyEnsemble集成学习方法,通过欠采样生成多个数据平衡的训练子集,充分平衡了多数类和少数类故障信息,再通过并行训练子分类器合成最终分类器,避免了欠采样丢失数据信息的问题。实验结果表明:与传统诊断方法相比,所提出的方法提升了少数类故障的泛化特性,使总体准确率提升了7%,具有更准确和更平衡的电力变压器故障诊断效果。     

不对称样本下基于支持向量机的变压器故障诊断

为解决基于支持向量机(SVM)的变压器故障诊断中因样本不对称导致诊断准确率降低的问题,提出了一种改进的向上采样策略和SVM结合的方法。首先通过K-近邻算法提取少数类样本数据中的边界数据集并生成新的少数类随机样本,在此基础上向少数类样本中添加人工生成的随机新样本使得两类样本数量达到基本均衡。对比均衡样本和不对称样本下的SVM分类模型的性能,结果表明:该方法能够有效降低SVM分类平面的偏移程度,进一步提高了SVM变压器故障诊断的准确率。     

基于SVM SMOTE的电力变压器故障样本均衡化方法

在变压器故障诊断领域,数据集不平衡性带来的极端值、噪声等问题严重影响了分类算法的故障识别能力。为此,提出了一种基于支持向量机(supportvectormachine,SVM)合成少数类过采样(syntheticminority over-samplingtechnique,SMOTE)算法的电力变压器故障样本均衡化方法,并结合机器学习进行故障诊断,以解决不平衡数据集下变压器故障诊断整体精度低的问题。首先,从原理、特点、应用等方面对传统SMOTE算法和SVM SMOTE算法进行了大量研究和分析;然后,以变压器油中溶解气体为样本集,构建了基于故障样本均衡化的变压器故障诊断模型;最后,对所提方法进行了算例仿真。结果显示:相较于传统变压器故障诊断算法,采用SVMSMOTE算法对故障样本进行均衡化后,各评价指标均有大幅提升,其中整体分类准确度αmacro-F1提升了18.9%。研究结果证明所提方法可以有效解决不平衡数据集下变压器故障样本漏判率高的问题,并在其分类上具有更高的精度。     

不平衡数据集下基于CVAE-CNN模型的智能电表故障多分类方法

提高智能电表故障不平衡多分类准确率对用电采集系统的可靠运行具有重要意义。传统机器学习中以合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法及其变体为代表的过采样方法,较少考虑数据全局分布,而后续采用的分类算法难以从数据中获取更深层特征信息。基于深度学习思想,提出一种基于条件变分自编码器-卷积神经网络(conditionalvariationalautoencoder-convolutional neuralnetwork,CVAE-CNN)模型的不平衡多分类方法,将类别标签作为约束条件,搭建由全连接层构成的CVAE网络生成少数类样本,根据变分下界对服从多维且各维度为独立高斯分布的隐变量建模,学习各类分布特点和数据集全局特征,提高生成数据质量。平衡后的数据采用卷积神经网络进行分类,设计一维卷积层提取数据中潜藏的复杂特征,构造最大池化方法提高模型容错率,依据各类分布特点进行分类处理,提高对少数类别的识别率。以15个KEEL公开数据集和近年采集的智能电表故障数据作为实际算例,所提模型与典型的过采样方法和分类方法进行对比,实验结果表明具有更高的分类精度。     

基于模型自适应选择融合的智能电表故障多分类方法

智能电表故障的准确分类能大幅提高用电采集系统运维能力。融合多个分类模型的机器学习算法是解决该问题的有效手段,但现有方法无法解决输出分别为样本所属各类别概率值和类别标签的两个基分类模型融合问题。提出一种基于模型自适应选择融合的智能电表故障多分类方法。首先,分别取各基分类模型对各类样本分类准确率最大值,将其与阈值系数的乘积作为该类样本准确率阈值,实现阈值自适应调整;然后对各类样本分别计算基分类模型的准确率差值,与阈值进行比较设置样本融合标记;最后根据该标记选择参与融合的基分类模型,结合输出为概率值的基分类模型的Top-N分类标签集,得到模型融合结果。在10组KEEL公共数据集上验证了所提融合方法的有效性,且融合后准确率较基分类模型均有稳定提升,最大提升4.62%;以近年采集的智能电表故障数据为基础,对比实验表明,所提算法能够明显提高故障分类准确率。     

一种基于SMOTE和XGBoost的窃电检测方案

用户侧窃电行为造成的非技术损失不仅增加了电网的运营成本,还会干扰电力系统稳态。现有的检测方案忽略了用电数据的时序性及正负样本 分布不均、维度高的问题,这将极大地影响检测的准确率。因此,提出了一种基于SMOTE和XGBoost的窃电检测方案。针对电力数据的时序性和类不平 衡的特点,利用SMOTE算法进行过采样解决了数据不平衡的问题,并构造时序特征挖掘用户用电模式;再使用XGBoost执行用电数据的特征提取和分类 过程。实验表明,通过SMOTE算法可以提高不平衡数据分类的有效性,对比于传统的检测模型,XGBoost算法在窃电检测场景的多项评价指标下均取得 了更好的效果,其中准确率提升至92.45%。     

基于XGBoost算法的配网台区低压跳闸概率预测

针对配网台区在夏季频繁出现低压跳闸故障的问题,提出基于机器学习的台区低压跳闸预警模型。首先,采用孤立森林和改进的合成少数类过采样技术（synthetic minority oversampling technique-nominal continuous,SMOTE-NC）算法的组合方法进行数据处理,在实现离群值分离的基础上,对包含多种数值类型的故障样本进行过采样,以解决样本不平衡问题。其次,利用优化的数据集训练极端梯度提升算法（extreme gradient boosting,XGBoost）分类器模型,对目标台区的低压跳闸故障概率进行预测。最后,以广州某地区的实测数据对算法的有效性进行验证,结果显示所提模型具有良好的应用效果。     

极端条件下基于改进深度森林的行星齿轮箱故障诊断方法

齿轮箱是风电机组重要且易出现故障的设备,早期故障威胁系统运行安全。在极端条件中高效、准确的齿轮箱故障诊断对风电机组的安全稳定运行至关重要,因此提出了基于改进深度森林的行星齿轮箱故障诊断方法。为了实现不平衡小样本与强噪声的极端条件下行星齿轮箱故障的高效诊断,首先针对旋转机械振动数据样本较少与不平衡的情况,在Wasserstein生成对抗网络中引入梯度惩罚,生成样本补充原始数据集。然后利用多粒度扫描处理振动信号数据点之间的联系,增强数据中的故障特征。最后在级联森林内部引入新的基学习器并运用量子粒子群算法优化参数,获得具有高诊断精度的模型结构进行故障分类,输出诊断结果。经与其他智能诊断方法在多场景下进行的对比实验,证实了所提方法在极端条件下的分类效果较好,能有效提高齿轮箱故障诊断的准确性。     

基于改进BP-Bagging算法的光伏电站故障诊断方法

针对基于机器学习算法的光伏电站故障诊断方法存在的样本数据失衡问题,提出一种基于改进BP-Bagging算法的光伏电站故障诊断方法。首先,基于BP神经网络构建光伏数据与光伏故障类型的映射关系,实现光伏故障诊断;然后,基于随机欠采样方法改进Bagging算法,解决样本的类不平衡问题;接着,针对BP网络存在的过拟合问题,提出基于改进BP-Bagging算法的光伏电站故障诊断模型,并行训练多个BP网络,根据投票法得出故障诊断结果;最后,设置不同算法对照实验,计算出关于模型准确率的评价指标,证明所提方法具有较高的综合性能,在一定程度上能够解决光伏电站故障诊断中的样本类不平衡问题,提高光伏电站故障诊断的准确率。     

基于XGBoost与LSTM的风力发电机绕组温度预测

发电机定子绕组温度是风力发电机健康状态的重要表征。实时预测绕组超温将有助于及时制定运维计划并排查故障源。提出基于极端梯度提升树（extreme gradient boosting）与长短时记忆网络（long short-term memory,LSTM）加权融合的组合模型,进行风力发电机定子绕组温度预测,运用模型结构的差异性提升融合预测结果的准确性。经过风电机组SCADA数据集验证,结果表明：该方法能够有效预测绕组超温情况,具有较好的工程应用价值。     

基于XGBoost与Stacking模型融合的短期母线负荷预测

母线负荷预测对于电网安全稳定调度具有重要意义,但母线负荷随机波动性较强,其负荷类型因供电区域的差异而不同。为此,提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型,组合构成Stacking模型融合的元模型层,连接一个XGBoost模型对元模型进行融合,整体构成综合预测系统,并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析,验证了所提方法的有效性与适用性。     

基于Wide & Deep-XGB2LSTM模型的超短期光伏功率预测

为了充分利用电网自身的海量历史数据进行光伏功率预测,提出一种宽度&深度(Wide&Deep)框架下融合极限梯度提升(XGBoost)算法和长短时记忆网络(LSTM)的Wide&Deep-XGB2LSTM超短期光伏功率预测模型.对历史数据进行特征提取,获得时间、辐照度、温度等原始特征,在此基础上进行特征重构,通过交叉组合和挖掘统计特征构造辐照度×辐照度、均值、标准差等组合特征,并通过Filter法和Embedded法进行特征选择.在TensorFlow框架下通过算例对比验证了所提模型及特征工程工作对光伏功率预测性能的提升效果.     

基于遗传算法优化XGBoost的油浸式变压器故障诊断方法

为了提高油浸式变压器故障诊断的精度及可靠性,研究了一种基于遗传算法优化极端梯度提升(XGBoost)的油浸式变压器故障诊断方法.首先,以油中溶解气体分析(DGA)为依据,采用无编码比值方法提取油浸式变压器的9维故障特征,并对数据样本进行归一化处理;以归一化样本为输入建立基于XGBoost的故障诊断模型,并采用遗传算法对模型中的多个超参数同时进行优化.在算例部分,收集547例故障类型确定的DGA数据进行对比实验,结果表明与现有传统方法相比,所提方法的诊断精度和稳定性有显著提升;同时验证了遗传算法对故障诊断模型的优化提升效果.     

业务与硬件融合的智能电网调度控制系统健康度综合评价

为及时掌握智能电网调度控制系统的实时运行状态,针对其业务繁多、业务层级关系复杂、业务与硬件紧密耦合、工作方式特殊的特点,提出了一种多业务与硬件融合的健康度分层优先评价方法。首先,在对调度控制系统的业务层级关系进行梳理的基础上,结合优先级分层原则构建了系统定向指标框架;其次,以数据采集与监控(SCADA)系统核心应用为例,建立了一套融合业务健康度、硬件健康度、一主多备工作机制的系统层次化评价指标体系;然后,采用层次分析法并结合专家经验确定指标权重、制定评价标准;最后,采用加权平均和并接系统计算两种方法,实现系统健康度的综合评价。以现场实时采集数据为基础,通过实例验证表明,所提出的评价指标体系及方法易于实现,能较为全面、准确地反映智能电网调度控制系统的实时运行状态。     

基于XGBoost-EE的电力系统暂态稳定评估方法

深度学习在暂态稳定评估中发挥着越来越重要的作用,然而电网规模逐渐扩大导致数据出现维数灾难,这对模型的性能提出了更高的要求.目前,暂态稳定特征构建需要依靠人工经验,具有主观性;深度学习的模型在设计和训练上耗时、耗力.针对以上两点,结合极限梯度提升(XGBoost)算法和实体嵌入(EE)网络,提出了一种基于XGBoost-EE的电力系统暂态稳定评估方法.首先通过XGBoost算法的路径规则生成类别特征,将原始特征进行降维.然后采用EE网络对新的特征进行分类,从而完成快速、精准的暂态稳定评估.该方法充分利用了机器学习算法处理速度快和神经网络评估精度高的优点,能够直接面向底层量测数据.最后,在IEEE新英格兰10机39节点和IEEE 50机145节点系统的仿真结果表明,所提方法相比于其他方法具有更高的预测精度和更好的抗噪性能,且在训练时不容易过拟合.     

基于XGBoost算法的电力系统暂态稳定评估

针对暂态稳定评估问题的特点,在改进极限梯度提升(XGBoost)算法的基础上进行暂态稳定评估。根据电网物理特点,定义能够反映电力系统稳态运行状态的特征集;研究XGBoost算法用于暂态稳定评估的过程:针对暂态稳定预测中2类错误严重程度不同的特点,定义包含注意力系数的对数损失函数,使得模型对不稳定样本的误预测情况减少;使用Logistic函数将模型输出概率化,用于衡量XGBoost模型输出的可靠程度,预防部分误预测;给出针对任意系统随机产生样本集的方法。IEEE 39节点系统仿真结果表明,XGBoost算法在准确率上均高于其他几类常用机器学习算法,优化后的损失函数降低了不稳定样本错误分类的可能性,使该算法的召回率较优于其他方法,且概率化输出的形式有助于评估模型输出的可靠程度,降低了误预测的概率。     

基于同步相量数据幅频特征的次超同步振荡模式辨识

随着可再生能源和高压直流输电的快速发展,次超同步振荡事故频发,对现有电力系统振荡的在线监测提出了更高要求。为此,提出了一种基于同步相量数据幅频特征的次超同步振荡模式辨识方法。首先分析了次同步振荡和超同步振荡对同步相量测量装置(phasor measurement unit, PMU)数据的影响机制,结果表明,PMU数据的正负频谱与次超同步振荡的模态线性相关。其次利用多点PMU数据相干谱判别振荡与噪声,有效减少了噪声引起的误判断。然后对次超同步振荡下的PMU数据开展频谱分析,建立了4个幅频特征量,并将振荡数据的特征集合作为输入训练并优化极限梯度提升树(extreme gradient boosting, XGBoost)模型,建立幅频特征与振荡模式的映射关系。所提方法利用振荡环境下PMU数据的固有幅频特征以及XGBoost算法强大的泛化性与计算效率,实现了噪声环境下次超同步振荡模式的快速、准确辨识。最后,利用仿真数据和实测数据验证了所提方法的有效性和实用性。     

基于人工智能的暂态稳定裕度精细化预测

人工智能算法在暂态稳定评估中得到了很好的应用.然而,电力系统是时变大系统,训练数据无法涵盖所有工况,模型需要在有限时间内更新;电力系统中稳定样本数远大于失稳样本数,导致模型对失稳样本学习不足.针对以上2点,提出了基于人工智能的暂态稳定裕度精细化预测方法.该方法将改进的极限梯度提升(XGBoost)树与双XGBoost回归树集成,平衡了2类样本数量差异对模型的影响,并实现了裕度预测.当运行工况变化较大时,结合增量学习技术,以较少的样本和较短的时间对模型进行有效更新.在2套IEEE系统上的实验结果表明所提方法可应用于暂态稳定评估.     

基于边界强化混合采样的两阶段电力系统暂态稳定评估

受制于样本固有的不平衡性,基于数据挖掘的暂态稳定预测方法不易用于工程实践,为此,提出一种基于边界强化混合采样的两阶段暂态稳定评估模型。在第1阶段,利用预训练的级联卷积神经网络模型确定边界和非边界样本集,利用条件生成对抗网络合成边界集失稳样本,并对非边界集稳定样本进行欠采样,以实现边界强化;在第2阶段,利用混合采样后的重构样本集再训练卷积神经网络模型,以更好地挖掘失稳样本的隐含特征,并采用改进后的焦点损失函数加强模型对边界集样本的学习能力。新英格兰39节点系统与南方某省级电网的仿真结果表明,所建模型有效降低了对失稳样本的漏判率,提高了整体预测精度,在样本极不平衡的情况下仍有良好的评估性能。