结合AdaBoost和代价敏感的变压器故障诊断方法

数据集类别分布非均衡极大制约了人工智能技术在电力变压器故障诊断领域中的应用。为克服数据非均衡导致自适应算法(adaptive boosting, AdaBoost)分类精度提升有限的缺陷，研究提出了一种结合AdaBoost和代价敏感的Adacost算法，以有效提升诊断模型的综合分类性能。首先，确定专家打分和混淆矩阵结合的代价敏感矩阵以保证模型的合理性和客观性；然后，构建基于Adacost算法的电力变压器故障诊断模型，并以油中溶解气体无编码比值作为诊断模型的输入特征参量；最后进行算例仿真，同时选用准确率、F1度量以及G-mean作为诊断模型的评价指标。研究结果显示，相较于决策树和AdaBoost分类器，Adacost模型的各评价指标均有大幅提升，其中F1度量分别提升了22.03%、10.07%,表明所提方法有效提升了非均衡数据集下诊断模型的故障识别性能。