【技术实现步骤摘要】
故障诊断模型的确定方法、系统、程序产品及存储介质
[0001]本专利技术涉及人工智能领域,尤其涉及一种故障诊断模型的确定方法、系统、程序产品及存储介质。
技术介绍
[0002]变压器是电力系统正常工作的重要组成部分,故对变压器的故障进行及时准确的诊断极为重要。变压器故障诊断常用DGA(Dissolved Gas
‑
in
‑
oil Analysis,基于变压器油中溶解气体的分析)诊断方法,例如,基于H2、CH4、C2H4、C2H6以及C2H2等溶解气体的浓度而提出的改良三比值法、无编码比值法、Rogers比值法等,但这些方法存在判定边界过于绝对、编码不全和适应性差等问题。
[0003]随着机器学习、人工智能等
发展成熟,各种新兴的诊断方式逐渐被应用到变压器故障诊断领域,例如,支持向量机、极限学习机、人工神经网络等。运用上述智能诊断方式进行变压器故障诊断虽然有效的提高了故障诊断的正确率,但仍然存在着一些不足,例如,采用支持向量机的诊断效果易受不平衡数据集的影响,对少样本数据类别分类效果差;采用极限学习机的诊断未能考虑结构化风险,易出现过度拟合导致泛化能力差的问题;采用人工神经网络需要大量数据样本训练模型,学习成本高,对于变压器故障诊断存在训练不充分的问题。
[0004]另外,机器学习所选用的故障特征大部分从传统的DGA诊断方式中获取,即,所用的输入特征量是基于溶解气体的浓度以及相应的比值关系所构建的特征集合,但是,由于传统的IEC三比值法、无编码比值法以及Roge ...
【技术保护点】
【技术特征摘要】
1.一种故障诊断模型的确定方法,其特征在于,包括:预处理步骤:获取不同运行状态的多个变压器的气体数据,并通过对所述气体数据进行预处理来获取每个变压器的N1个气体特征,且根据每个变压器的运行状态及N1个气体特征,生成样本数据集,其中,N1为大于5的自然数;模型构建步骤:将所述样本数据集划分为训练集及测试集,并根据所述训练集构建初始的随机森林模型;模型优化步骤:使用所述训练集,对初始的随机森林模型的输入特征及模型参数进行优化,以获取更新后的随机森林模型,其中,所述输入特征的数量为N2,且N2<N1,所述模型参数包括决策树数量和最大特征数,且所述最大特征数小于N2;模型验证步骤:使用所述测试集,对更新后的随机森林模型进行验证,并在满足第一预设条件时,将所述更新后的随机森林模型作为变压器故障诊断模型。2.根据权利要求1所述的故障诊断模型的确定方法,其特征在于,所述通过对所述气体数据进行预处理来获取每个变压器的N1个气体特征的步骤,包括:获取每个变压器的变压器油中的五种气体的含量,其中,所述五种气体包括:H2、CH4、C2H4、C2H6、C2H2;使用三比值法,根据所述五种气体的含量构建三个比值;使用Rogers比值法,根据所述五种气体的含量构建四个比值;使用无编码比值法,根据所述五种气体的含量构建九个比值;分别对所述五种气体的含量、所述三个比值、所述四个比值、所述九个比值进行归一化处理,以获取每个变压器的21个气体特征。3.根据权利要求2所述的故障诊断模型的确定方法,其特征在于,根据以下步骤对初始的随机森林模型的输入特征进行优化:对GJO算法的初始参数进行设置,其中,所述GJO算法中初始种群数量设置为N3,所述GJO算法中的适应度函数设置为所述随机森林模型的分类正确率/错误率,其中,N3≥N1;使用所述GJO算法,确定出在所述随机森林模型的分类正确率/错误率满足第二预设条件时所对应的N2个气体特征,并将所述N2个气体特征作为所述输入特征。4.根据权利要求2所述的故障诊断模型的确定方法,其特征在于,根据以下步骤对初始的随机森林模型的模型参数进行优化:对AO算法的初始参数进行设置,其中,所述AO算法中初始种群数量设置为N4,所述AO算法中的适应度函数设置为所述随机森林模型的分类正确率/错误率,其中,N4≥N1;使用AO算法,确定出在所述随机森林模型的分类正确率/错误率满足第三预设条件时所对应的决策树数量及最大特征数,并将所确定的决策树数量作为最优决策树数量,将所确定的最大特征数作为最优最大特征数。5.根据权利要求1所述的故障诊断模型的确定方法,其特征在于,所述模型验证步骤包括:针对所述测试集中的每个变压器,将所述测试集中每个变压器的N2个气体特征输入至更新后的随机森林模型,并获取更新后的随机森林模型所输出的运行状态,且根据所输出的运行状态及所述测试集中的运行状态,判断该变压器的诊断结果是否正确;根据所述...
【专利技术属性】
技术研发人员:刘森,叶育林,张平,赵禹,柳强,许玮,景蕊春,谭芝,杨光,
申请(专利权)人:深圳中广核工程设计有限公司中国广核集团有限公司中国广核电力股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。