基于不均衡数据集成学习的大型电力变压器状态评价方法

• 作者: 韩笑 王新迎 韩帅 张玉天 王继业
• 来源期刊: 电网技术
• 关键词: 状态评价 状态评估 电力变压器 不均衡学习 集成学习 机器学习 人工智能
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 面向新一代电力系统和能源互联网的人工智能技术|Artificial Intelligence Technology Application in New Generation Power System and Energy Internet
• 页码范围: 107-114
• 页数: 8页
• 分类号: TM85
• 语种: 中文
• DOI: 10.13335/j.1000-3673.pst.2019.2180

摘要

大型电力变压器构造复杂,设备成本高,是电力系统的关键组成部分,其运行状态与电力系统的安全稳定密切相关,因此变压器状态评价已成为常态运维业务工作.然而目前状态评价工作严重依赖导则与专家经验,人力成本高,易受到主观影响:而已有模型往往直接应用标准算法,在实际生产环境中表现不佳.针对目前大型电力变压器状态评价在数据质量、样本分布、应用需求与模型表现等方面存在的问题,提出了一种新的评价模型.首先,剔除了无效样本并设计了一种交叉权重方法来标记有效样本;之后,按照数据完整程度区分状态量并对其进行特征提取和高维映射,再拆分数据集得到多个完备训练数据集;然后,应用SMOTE-BORDERLINE算法来合成正样本,得到多个完备均衡训练数据集;最后,并行化训练多个代价敏感修正的支持向量机(support vector machine, SVM)组件学习器,并通过权重投票法形成集成学习器.所提出的模型考虑了不均衡数据集与代价敏感所带来的影响,利用集成学习提高了模型的泛化能力,经过实际生产环境验证表现良好,与传统方法相比,显著降低了非正常状态样本的误判率与漏判率.