基于样本集成学习和SO-SVM的变压器故障诊断

针对变压器故障样本类别不平衡造成分类模型准确率偏低的问题,提出一种基于样本集成学习和蛇优化算法(SO)优化支持向量机(SVM)的变压器故障诊断模型。该模型先利用EasyEnsemble采样器对样本进行多次欠采样后生成类别平衡的多个子集;然后以Bagging策略训练SO优化关键参数后的SVM模型,综合各个分类器结果得到最终故障类型。通过算例对所提模型有效性进行验证,数据表明,SO-SVM的故障诊断相比于RF、SVM、KNN等模型,诊断准确率分别提高了3.44%、6.89%、10.92%,AUC值分别提高了0.026 4、0.042 5、0.081 2;在同一分类器下,SO-SVM模型相比于SMOTE和ADASYN样本平衡方法,诊断准确率分别提高了4.59%、2.87%,说明SO-SVM模型对不平衡样本的故障诊断能力更优。     

基于样本扩充和特征优选的IGWO优化SVM的变压器故障诊断技术

为了增强变压器故障诊断模型对不平衡样本的学习能力从而提高少数类故障样本的识别精度,提出了一种基于样本扩充和特征优选的融合多策略改进灰狼算法(improved grey wolf optimizer with multi-strategy, IGWO)优化支持向量机(support vector machine, SVM)的变压器故障诊断技术。首先,使用基于K最近邻过采样方法及核密度估计自适应样本合成算法的混合过采样技术对少数类样本进行扩充得到均衡数据集,并在此基础上采用方差分析对变压器候选比值征兆进行特征优选。然后,通过改进灰狼优化算法(grey wolf optimizer, GWO)初始化策略、参数及位置更新公式,并引入差分进化策略调整种群,提出了融合多策略的改进灰狼算法。最后,构建了一种基于混合过采样技术的IGWO优化SVM的变压器故障诊断模型,并通过多组对比实验验证了所提方法能够有效增强模型对少数类故障样本的识别能力,并提升模型的整体分类性能。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

基于混合采样与 IHBA-SVM 的变压器故障辨识方法

针对变压器故障数据的不平衡性弱化故障分类能力的问题,提出混合采样与改进蜜獾算法( IHBA)优化支持向量机 (SVM)的变压器故障诊断方法。 首先采用 K 近邻去噪、K 均值聚类(K-means)与合成少数类过采样(SMOTE)对数据进行混合 采样处理,以缓解诊断结果向多数类的偏移;然后使用 Tent 映射、轮盘赌随机搜索机制和最优个体扰动策略对传统蜜獾算法 (HBA)进行改进,并使用 IHBA 优化 SVM 参数,以进一步提升变压器故障辨识能力;最后对所提方法进行算例仿真,结果显示, 相较于传统的变压器故障辨识方法,采用 K 近邻去噪、K-means、SMOTE 混合采样与 IHBA-SVM 相结合的故障诊断模型获得了 最高的宏 F1 和微 F1 值,分别达到 0. 877 和 0. 886,表明提出模型不仅具有更高的整体分类能力,且更能兼顾对少数类故障的 辨识。     

基于策略梯度和生成式对抗网络的变压器油色谱案例扩充方法

油色谱数据的缺乏和不均衡会导致训练过拟合、模型缺乏代表性、测试集效果不理想等问题,从而难以对变压器的状态进行准确评价。针对该问题,将强化学习中的策略梯度算法引入生成式对抗网络GAN(Generative Adversarial Networks),提出了一种基于策略梯度和GAN的变压器油色谱案例生成方法。仿真结果表明,与传统的样本扩充算法相比,利用所提方法合成的样本质量较高。对包含9种故障状态共700组样本的变压器油色谱数据利用所提方法进行油色谱故障样本扩充,利用基于BP神经网络模型的变压器故障分类模型对将扩充后样本作为训练集训练得到的神经网络模型和仅用真实数据作为训练集训练得到的神经网络模型进行了对比,结果表明利用扩充的样本后,变压器故障分类准确率得到了提高。变压器故障诊断实例表明利用所提方法得到的结果与实际情况相符。     

基于ADASYN平衡化数据集的POA-SVM变压器故障诊断

基于机器学习的变压器故障诊断在特定样本数据下实现了高精度的故障诊断及分类,然而对于非均衡数据集容易导致一致性降低。提出了ADASYN-POA-SVM变压器故障诊断模型,该模型能够在保留少类样本数据特征的情况下对原始少类数据进行样本合成,使训练集中各类样本数达到均衡;鹈鹕优化（pelican optimization algorithm,POA）支持向量机（support vector machine,SVM）在实现SVM参数自动寻优的同时,还能提高整体的诊断准确度。将所提模型与反向传播（back propagation,BP）神经网络、随机森林（random forests,RF）以及SVM算法进行对比仿真实验,结果表明：经过ADASYN过采样方法处理后可以实现样本的均衡化;所提模型在迭代次数为10次时趋于收敛,相比于其他模型而言一致性最高,为99.32%,验证了所提模型在处理变压器不均衡数据时具有较高的优越性。     

考虑过采样器与分类器参数优化的变压器故障诊断策略

变压器故障样本的不平衡性使得故障诊断分类准确率低,且容易弱化少数类故障样本的分类效果。对此,采用过采样方法实现故障样本的均衡化,并提出一种考虑过采样器与分类器参数优化的变压器故障诊断策略。首先,搭建变压器故障诊断模型的整体结构,阐述故障诊断的实现过程。在此基础上,提出诊断模型中过采样器、分类器、参数优化器3种主要环节的算法实现：针对过采样器,提出一种基于近邻分布特性的改进合成少数过采样算法实现故障样本的均衡化;针对分类器,采用层次式有向无环图支持向量机算法实现故障样本的多标签分类;针对参数优化器,提出一种双层参数优化方法,上层采用层次搜索算法对过采样倍率寻优,下层采用改进哈里斯鹰算法对支持向量机参数寻优。最后,对所提策略进行算例分析,结果表明,所提策略能够合成质量更高的少数类故障样本,实现故障样本的准确分类。     

基于支持向量机算法的配电线路时变状态预测方法

配电线路状态准确预测是进行配电网调控的基础。提出了基于支持向量机（SVM）算法的配电线路时变状态预测方法。首先,分析影响配电线路状态变化的因素,构建基于Fokker-Planck的配电线路状态转移模型。其次,融合配电信息系统多源海量数据,采用基于相关度的最优特征子集筛选方法构建配电线路状态特征变量集,采用合成少数类过采样技术（SMOTE）算法解决线路故障状态样本数量少而带来的样本集类别不平衡问题。然后,考虑到线路状态二分类的特点,采用SVM算法进行线路运行工况的分类预测,形成了基于SMOTE-SVM算法的状态转移模型求解方法,可实现配电线路时变状态预测。最后,以某实际配电系统为算例验证了所提方法的有效性。     

基于SMOTE平衡数据集的BP神经网络变压器故障诊断

变压器是电力系统中的重要设备,快速准确识别变压器的不同类型故障对提高电力系统的稳定性具有重要意义.然而,故障样本不足会严重影响变压器故障诊断的准确性.为此从数据和算法两方面入手提出一种适用于不平衡数据集的变压器故障诊断方法.首先,提出了一种基于托梅克链接移除算法和合成少数类过采样技术相结合的样本均衡化方法,该方法能够在...     

考虑小波奇异信息与不平衡数据集的输电线路故障识别方法

鉴于输电线路故障识别中数据集的非均衡性问题,提出一种基于小波奇异信息和改进合成少数类过采样(synthetic minority over-sampling technique,SMOTE)算法的输电线路故障识别方法。首先,通过PSCAD/EMTDC仿真构造输电线路故障不平衡数据集,结合平稳小波变换(stationary wavelet transform,SWT)与奇异值分解(singular value decomposition,SVD)技术提取相电流及零序电流的故障分量的小波奇异值作为特征参数,然后采用改进SMOTE算法在少数类的样本中心邻域进行插值再抽样处理,调整数据集的不平衡度,利用优化后的数据集训练支持向量机(support vector machine,SVM)组合分类器,对不同故障工况下的10种输电线路故障类型进行分类识别。仿真结果表明,该文的方法能有效地提高分类算法在样本数据不平衡的情况下对少数类的识别能力和整体的识别准确率,具有较好的泛化性和较强的鲁棒性,并且对多种分类算法同样适用。     

基于多策略ISOA优化SVM的变压器故障诊断研究

针对由支持向量机（SVM）参数难以确定而导致的变压器故障诊断精度低及海鸥优化算法（SOA）易陷入局部寻优的问题,提出一种多策略改进海鸥优化算法（ISOA）优化SVM的变压器故障诊断方法。首先,提出一种多策略的改进方法来全方面提升SOA的寻优性能;然后,利用ISOA对SVM内部参数进行优化,构建基于ISOA-SVM的变压器故障诊断模型;最后,将油中气体溶解分析（DGA）数据的特征提取结果输入到ISOA-SVM模型中进行变压器故障诊断。实例分析表明,所提ISOA-SVM模型诊断精度更优。     

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。     

基于改进ACGAN样本增强的变压器故障诊断技术

基于深度学习算法的故障诊断需要足量的样本作为训练数据集.变压器故障数据匮乏将导致故障诊断准确率较低.对此,提出了一种基于辅助分类GAN的故障诊断方法.该方法引入自我注意机制,提取故障样本的全局特性,以提高生成样本的质量;并加入梯度惩罚,以提高模型收敛速度和训练稳定性.运用该方法对失衡样本进行增强扩充,并在变压器振动试验数据集上进行验证.仿真结果表明,该方法能够有效改善数据不平衡带来的影响,增强扩充后的故障诊断准确率提高了3.4％.     

基于SVM和Kriging模型的变压器故障诊断方法

为了保证变压器供电的可靠性,结合油中溶解气体分析法(DGA),提出了基于支持向量机(SVM)和Kriging模型的双级分类算法,实现变压器的潜伏性故障的预测。首先,以SVM作为初级分类器,将待测DGA数据分类为正常、放电故障或过热故障三种状态;其次,以Kriging模型作为次级分类器,对待测数据进行二次分类,完成精确诊断。为提高算法精度,应用改进的粒子群优化算法分别对SVM的核函数参数、惩罚系数以及Kriging模型的相关参数进行优化。所提方法集成了粒子群优化算法的快速寻优能力,SVM的分类能力与Kriging模型高精度拟合等优点,因此有效地提高了诊断精度。最后通过变压器故障诊断实例验证了文中方法的有效性。     

基于条件式Wasserstein生成对抗网络的电力变压器故障样本增强技术

数据非均衡问题是制约机器学习技术在电力变压器故障诊断领域中应用效果的关键因素。为克服传统过采样方法未考虑数据整体分布信息的缺陷,提出了一种基于深度学习的故障数据增强方法,以实现样本库的类别均衡化目标。首先,建立梯度惩罚优化的条件式Wasserstein生成对抗网络模型以指导多类别故障样本的生成过程,并克服了原始生成对抗网络模型的训练不稳定问题;然后,构建以油中溶解气体无编码比值为特征参量的栈式自编码器诊断模型,并进一步提出了基于数据增强方法的设备故障诊断技术框架;最后,选用由准确率、F1度量以及G-mean组成的评价指标体系对类别均衡化前后的模型诊断效果进行评估对比。算例研究结果表明,相较于传统过采样方法,提出的故障样本增强方法能够更为有效地改善诊断模型对于多数类的分类偏好问题,提升其整体分类性能,可作为电力变压器故障诊断的重要数据预处理环节。     

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%。     

基于 HHO参数优化的SVM 变压器故障诊断方法研究∗

为了提高变电信息系统中变压器故障诊断的准确率,针对变压器故障样本较少,采用类内类间距离的可分性测度和相关性分析法确定关键特征向量,将特征向量作为支持向量机的输入样本,建立 SVM 故障分类模型.分析了哈里斯鹰优化算法 (HHO)和粒子群算法 (PSO)的优缺点,提出了基于哈里斯鹰优化算法 HHO 优化支持向量机 SVM 模型的参数.最后,通过真实变压器故障数据进行实验仿真,结果表明所提出的变电站故障诊断方法能够有效识别故障类型,具有较高的准确率和收敛速度.     

基于SMOTE和决策树算法的电力变压器状态评估知识获取方法

提出基于合成少数过采样技术(SMOTE)算法和决策树算法的电力变压器状态评估知识获取方法,首先针对变压器非正常状态样本数量较少的情况,采用SMOTE算法补充非正常状态样本数量,解决了变压器样本集类别不平衡问题。然后将变压器状态评估过程视为分类过程,利用决策树模型为白箱模型的特点,将变压器状态评估知识获取问题转化为构建决策树的问题。最后采用C4.5决策树算法构建决策树,从中提取变压器状态评估知识,得到关键变压器状态量和评估规则。以某地市级供电公司110 kV电压等级油浸式变压器实际数据开展实例分析,结果表明所提出的方法能实现状态评估知识的自动化获取,可以为该地区110 kV油浸式变压器的状态评估工作提供决策支持。     

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.     

融合改进SMOTE与Stacking算法的输电通道树线放电因子风险状态评估

当前,对电力系统输电通道的风险评估手段以规则方法为主,往往对输电线路结构本身的特征考虑较少。基于KNN、决策树和SVM模型,提出了一种融合改进SMOTE与Stacking的机器学习算法,实现了对输电通道中树线放电因子的风险评估预测,该算法能较好地解决数据集没有明确正常样本数据,且异常样本类型分布不平衡的问题。通过与Bagging集成算法、融合SMOTE与Stacking算法对比,验证了所提算法的有效性与先进性,为后续输电通道其他因子基于机器学习的风险评估奠定了基础。