近邻成分分析和k近邻学习融合的变压器不平衡样本故障诊断

• 作者: 李雅欣 侯慧娟 张立静 胥明凯 盛戈皞 江秀臣
• 来源期刊: 高电压技术
• 关键词: 故障诊断 近邻成分分析 度量学习 k近邻 贝叶斯优化 变压器
• 年，卷（期）: 2021,（2）
• 所属期刊栏目: 人工智能物联网技术在输配电领域的应用专题|Special Issue on Applications of Artificial Intelligence and the Internet of Things in Power Transmission and Distribution
• 页码范围: 472-479
• 页数: 8页
• 语种: 中文
• DOI: 10.13336/j.1003-6520.hve.20200373

摘要

在基于机器学习的电力变压器故障诊断方法中,各故障类别间案例数量不平衡会导致诊断准确率降低.为了提升电力变压器故障诊断模型的准确率及运行效率,构建了融合引入修正因子的近邻成分分析和k近邻学习的故障诊断模型.首先,通过对近邻成分分析算法(neighborhood component analysis,NCA)目标函数引入修正因子减少样本不均衡对模型训练的影响,结合油色谱故障数据通过关联规则得到样本参量相关性量化矩阵,作为NCA算法训练度量矩阵的初值;然后,利用训练得到的度量矩阵对k近邻(k-nearest neighbors,kNN)分类器的输入数据结果进行映射变换,使同类型样本间的距离减小,进而使kNN分类性能提高;最后,用贝叶斯优化算法对模型进行超参数调优,获得能使测试集准确率最高的模型参数集.以变压器故障案例库为对象的算例分析结果表明,提出的模型与传统的机器学习诊断模型相比,用时节省了近一半,且所提模型对少数样本类的诊断准确率相比于其它模型提升了至少15％.论文研究可为电力变压器的故障诊断提供参考.