一种基于Adaboost算法的变压器故障诊断方法
【专利摘要】本发明涉及一种基于Adaboost算法的变压器故障诊断方法，包括：通过所述训练样本集对弱分类器进行训练；经过循环训练与权值调整后将弱分类器集成为更高分类精度的强分类器；将所述测试样本作为强分类器的输入，从而得出相应的故障类型。本发明通过集成弱分类器，解决了强分类器难以获得的问题，另外，本发明操作简单，对变压器故障模式进行分类识别具有较好的实用性。
【专利说明】
一种基于Adaboost算法的变压器故障诊断方法
技术领域
[0001] 本发明属于变压器故障在线监测技术领域，特指根据变压器故障时产生的气体对 变压器进行故障诊断，具体涉及一种基于Adaboost算法的变压器故障诊断方法。
【背景技术】
[0002] 随着电网建设的高速发展，我国电网已从城市孤立电网，发展成为大区电网，西电 东送，南北互供，全国联网的格局正在形成。电力系统是一个由众多发、送、输、配、用电设备 连接而成的大系统，这些设备的可靠性及运行状况直接决定整个系统的稳定和安全，也决 定着供电质量和供电可靠性，随着电力系统向高电压、大容量、互联网发展，以及各用电部 门要求的提高，对电力系统的安全可靠性指标的要求也越来越高。电力变压器是电力系统 重要的组成部分，其正常可靠运行是保证整个电网稳定运行的主要原因之一。几十年来形 成的预防性维修体系，对提高电网运行的可靠性起了非常重要的作用，但这不能及时发现 设备内部的绝缘隐患。
[0003] 另外，预防性维修的费用也高。随着电网向高度自动化方向发展和国计民生对供 电可靠性的要求越来越高，迫切需要对现行的设备维修体系进行变革，以在线监测及故障 诊断技术为基础的状态维修体系逐渐取代预防性维修体系或用来追踪监视故障的发展趋 势已经明确。因此如何及时可靠的对变压器潜在的故障进行诊断具有十分重要的意义。
[0004] 目前变压器故障诊断算法有很多种，例如:BP神经网络为变压器的故障诊断问题 提供了一种比较好的结构体系，但存在着训练收敛速度慢、容易陷入局部极小点的缺点；专 家系统能够有效地模拟故障诊断人类专家来完成故障诊断过程，但也存在着知识获取困 难、不确定性推理以及自学习困难等许多技术问题;模糊控制能够用精确的数学工具将模 糊的概念或自然语言清晰化，从而对故障现象能够合理的加以量化等，但其模糊隶属度函 数需要专家经验或反复试验才能确定。
[0005] 为了解决上述问题，本发明提出了一种基于Adaboost算法的变压器故障诊断方 法。
【发明内容】
[0006] 针对上述问题的不足，本发明提出一种基于Adaboost算法的变压器故障诊断方 法。本发明的一个目的是解决至少一个上述问题或缺陷，并提供至少一个后面将说明的优 点。
[0007] 本发明还有一个目的是提供了一种基于Adaboost算法的变压器故障诊断方法，通 过利用AdaBoost对所述径向基函数神经网络分类器不断训练，根据误差不断调整，再通过 加权投票将其组合提升为最终强分类器，提高了故障诊断精度。
[0008] 本发明还有一个目的是提供了一种基于Adaboost算法的变压器故障诊断方法，其 把变压器在线监测系统实时监测的现场气体数据作为样本集数据，根据这些变压器故障特 征气体的浓度变化，预测出变压器故障模式类型。
[0009] 本发明还有一个目的是提供了一种基于Adaboost算法的变压器故障诊断方法，其 将AdaBoost算法应用在变压器故障诊断分析上，根据现场气体的浓度变化预测变压器故 障。
[0010] 本发明还有一个目的是提供了一种基于Adaboost算法的变压器故障诊断方法，其 大大减小了计算复杂度和计算量，更适合在线快速诊断。
[0011] 为了实现根据本发明的这些目的和其它优点，本发明提供了一种基于Adaboost算 法的变压器故障诊断方法，包括以下步骤：
[0012] 步骤一，采集多种变压器故障特征气体的浓度值，将多种所述浓度值归一化后作 为样本集的样本，同时编码变压器的故障模式类型，将对应变压器的故障模式类型的目标 输出编码作为所述样本集中属性值对应的类标签，将一部分样本集作为训练样本集，而另 一部分样本集作为测试样本集；
[0013] 其中，所述训练样本集中的每一个训练样本具有相等的初始权重；
[0014] 步骤二，采用径向基函数神经网络作为弱分类器，将所述训练样本集中的所有样 本设为所述径向基函数神经网络的中心；
[0015] 步骤三，通过所述训练样本集对所述径向基函数神经网络进行循环训练，直至得 到预测函数；
[0016] 步骤四，根据所述预测函数的预测效果，来赋予所述预测函数与所述初始权重不 同的权重，采用带权重的投票法产生最终预测函数序列组合；
[0017] 步骤五，将所述步骤一中的所述测试样本集输入所述最终预测函数序列组合中， 经所述最终预测函数序列组合判断识别后，通过匹配所述类标签，得出所述故障模式类型， 完成诊断。
[0018] Adaboost算法只需寻找若干个分类准确率比随机分类准确率略高（即正确率略大 于50%)的弱分类器，本发明选择所述径向基函数神经网络，通过对其训练产生预测函数序 列，并采用加权投票机制产生所述最终预测函数，即为最终强分类器。从而，可以将弱分类 器有机的集成为一个分类精度更高的所述最终强分类器。利用此方法对变压器故障模式类 型进行分类识别具有较好的实用性。本发明通过做对比实验发现，采用单一径向基神经网 络算法的分类准确率约为81.25%，而采用基于Adaboost算法的变压器故障诊断方法方法 的分类准确率为93.75 %，整体准确率提升了 12.5 %。
[0019]优选的是，所述步骤一中，同时编码变压器的故障类型具体如下：
[0020] 将正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电六类故障模式 分别编码为阿拉伯数字1、2、3、4、5和6，作为所述样本集中属性值所对应的类标签。
[0021] 本发明将Adaboost算法应用在变压器故障模式类型识别的实际应用中，提高了变 压器故障识别精度。
[0022]优选的是，所述变压器故障特征气体为氢气、甲烷、乙烷、乙烯及乙炔。
[0023]本发明的数据来源于变压器在线监测系统实时监测的现场气体数据，不仅监测变 压器出现故障时产生的氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳等信息，并根据这 些气体的浓度变化大致预测出变压器故障。
[0024]优选的是，在所述步骤一中，通过初始化所述训练样本集中的每一个训练样本的 权重系数，使得每一个所述样本具有相等的初始权重。
[0025]优选的是，所述步骤二中，采用径向基函数神经网络作为弱分类器，需通过格林激 活函数进行激活。
[0026]优选的是，所述步骤三中，通过所述训练样本集对所述径向基函数神经网络进行 循环训练，直至得到预测函数的具体步骤如下：
[0027]基于K-均值聚类方法求所述径向基函数神经网络的最终基函数中心；
[0028]根据所述训练样本与所述最终基函数中心之间的最大距离，得到方差值；
[0029] 通过所述最终基函数中心和所述方差值，得到所述径向基神经网络中的隐含层到 输出层之间的连接权值；
[0030] 将所述连接权值结合所述径向基神经网络的结构，得到所述径向基神经网络的实 际输出，所述实际输出与目标输出的正负差值在预定范围内，则训练结束，得到预测函数， 所述正负差值不在所述预定范围内，则重复以上步骤；
[0031] 其中，所述实际输出为对应变压器故障模式类型的实际输出编码，所述目标输出 为对应变压器故障模式类型的目标输出编码。
[0032] 优选的是，基于K-均值聚类方法求所述径向基函数神经网络的最终基函数中心包 括以下步骤：
[0033] A、选取所述训练样本集中的n个训练样本作为聚类中心，按照输入样本与所述聚 类中心之间的欧式距离，将所述输入样本分配到各个聚类集合中；计算各个所述聚类集合 中训练样本的平均值，得到新聚类中心，判断所述新聚类中心是否发生变化来决定是否进 行下一轮的中心求解;是，则执行步骤B，否，则执行步骤C;
[0034] B、上述步骤的所述新聚类中心即为径向基函数神经网络的最终基函数中心；
[0035] C、重新选取n个所述训练样本作为聚类中心，进入下一轮的所述聚类中心的求解；
[0036] 其中，输入样本为所述训练样本集中的样本，所述输入样本是根据与中心之间的 欧式距离进行的归类。
[0037] 优选的是，所述步骤四中，根据所述预测函数序的预测效果来赋予其与所述初始 权重不同的权重，采用带权重的投票法产生最终预测函数序列组合的具体步骤如下：
[0038] 计算所述预测函数的权重训练误差，得到所述预测函数的预测效果；
[0039] 根据所述预测效果，赋予所述预测函数序第一权重，并对所述第一权重进行更新， 得到第二权重；
[0040] 第二权重进行归一化，且对归一化的相应权重进行加和，通过投票法产生最终预 测函数序列组合。
[0041] 当所述预测函数的预测效果（训练误差)大于0.5时，对所述最终预测函数的第二 权重进行归一化，且对归一化的相应权重进行加和，通过投票法产生最终预测函数序列组 合。
[0042] Adaboost算法只需寻找若干个分类准确率比随机分类准确率略高（即正确率略大 于50%)的弱分类器，通过训练产生预测函数序列，并采用加权投票机制产生最终预测函 数，从而可以将弱分类器有机的集成为一个分类精度更高的强分类器，即所述最终预测函 数，利用此方法对变压器故障模式进行分类识别具有较好的实用性，解决了强分类器难以 获得的问题，同时也可提高了识别精度。
[0043]优选的是，所述预定范围为0.01-0.05。
[0044] 预定范围一般设定在0-1之间，但本发明的所述预定范围更窄，使得本发明识别变 压器故障模式类型的误差小，准确度更高。
[0045] 本发明的有益效果：
[0046] 1、本发明提供的基于Adaboost算法的变压器故障诊断方法，对径向基函数神经网 络分类器进行训练，再通过加权投票将其组合提升为最终强分类器，提高了故障诊断精度。
[0047] 2、本发明提供的基于Adaboost算法的变压器故障诊断方法，在诊断变压器故障模 式类型过程中，避免了人的主观因素的影响，使选择更客观，分类正确率更高。实验表明，本 发明诊断变压器故障模型类型的分类准确率为93.75%，比单一径向基神经网络算法的分 类准确率提升了 12.5%。
[0048] 3、本发明提供的基于Adaboost算法的变压器故障诊断方法，通过集成弱学习算 法，解决了强学习算法难以获得的问题，同时也可提高预测精度。
[0049] 4、本发明提供的基于Adaboost算法的变压器故障诊断方法，使用径向基神经网络 (RBF)作为弱分类器，RBF具有准确率高、结构自适应确定、输出和初始权值无关的优良特 性，使训练网络的时间远远小于其他的网络训练，缩短了诊断变压器故障模型类型的时间。
[0050] 5、本发明提供的基于Adaboost算法的变压器故障诊断方法，该分析方法的样本数 据来源于变压器在线监测系统实时监测的变压器故障特征气体，不仅监测变压器出现故障 时产生的氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳等浓度信息，并根据这些气体的 浓度变化大致预测出变压器故障。
[0051 ] 6、本发明提供的基于Adaboost算法的变压器故障诊断方法，其可大大减小计算成 本，满足在线快速分类诊断的要求。
【附图说明】
[0052]图1为本发明所述的径向基神经网络结构示意；
[0053]图2为所述基于Adaboost算法的变压器故障诊断方法的结构图；
[0054]图3为所述基于Adaboost算法的变压器故障诊断方法的流程图。
【具体实施方式】
[0055] 下面结合附图和【具体实施方式】对本发明做进一步的描述。
[0056] 本发明的流程图如附图3所示，包括以下步骤：
[0057]步骤一，采集多种变压器故障特征气体的浓度值，将多种所述浓度值归一化后作 为样本集的样本，同时编码变压器的故障模式类型，将正常状态、中温过热、高温过热、局部 放电、火花放电及电弧放电六类故障模式分别编码为阿拉伯数字1、2、3、4、5和6,作为所述 样本集中属性值所对应的类标签，将一部分样本集作为训练样本集，而另一部分样本集作 为测试样本集；
[0058]其中，所述变压器故障特征气体为氢气、甲烷、乙烷、乙烯及乙炔，也可以为氢气、 甲烷、乙烷、乙烯、乙炔、一氧化碳及二氧化碳的组合；
[0059]得到归一化后的训练样本S= {(xl，yl)，（x2，y2)，......，（xn，yn)}，其中，xi GX， (xi为变压器故障时5种特征气体的浓度），yi G Y= {1，2,……，k}，对应变压器的故障类 型。同时初始化每一个样本的权重系数#15 = 1 /?，i = 1，2，……，n。即每一个样本具有相等 的初始权重。
[0060] 该分析方法的样本数据来源于变压器在线监测系统实时监测的变压器故障特征 气体，不仅监测变压器出现故障时产生的氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳 等浓度信息，并根据这些气体的浓度变化大致预测出变压器故障。
[0061] 步骤二，采用径向基函数神经网络作为弱分类器，将所述训练样本集中的所有样 本设为所述径向基函数神经网络的中心；
[0062]采用径向基函数神经网络RBFNN作为弱分类器，先构造 RBF神经网络。选取隐节点 数等于输入样本数，隐节点的激活函数为Green函数，具体函数式为：
[0064]式中，| |xn-ci| |为欧式范数，c为格林函数的中心，〇为格林函数的方差。同时将所 有输入样本设为径向基函数的中心，各径向基函数取统一的扩展常数。网络结构如图1所 不。
[0065]使用径向基神经网络(RBF)作为弱分类器，RBF具有准确率高、结构自适应确定、输 出和初始权值无关的优良特性，使训练网络的时间远远小于其他的网络训练，缩短了诊断 变压器故障模型类型的时间。
[0066] 步骤三，通过所述训练样本集对所述径向基函数神经网络进行循环训练，直至得 到预测函数具体如下：
[0067]基于K-均值聚类方法求所述径向基函数神经网络的最终基函数中心;选取所给的 n个训练样本作为聚类中心ci(i = l，2,......,n);按照xp与中心为ci之间的欧式距离将xp分 配到输入样本的各个聚类集合卟化=1，2，一，？）中；计算各个聚类集合卟中训练样本的平 均值，即新的聚类中心ci，如果新的聚类中心不再发生变化，则所得的ci即为RBF神经网络 最终的基函数中心，否则重新分配训练样本集合，进入下一轮的中心求解。
[0068]根据所述训练样本与所述最终基函数中心之间的最大距离，得到方差值，求解方 差〇i，公式如下
[0070] 式中，cmax为所选中心之间的最大距离，i = l，2,…，n
[0071]通过所述最终基函数中心和所述方差值，得到所述径向基神经网络中的隐含层到 输出层之间的连接权值，计算隐含层和输出层之间的权值的公式如下：
L0073J 其中，n = l，2，."，n;i = l，2，."，n
[0074]将所述连接权值结合所述径向基神经网络的结构，得到所述径向基神经网络的实 际输出5^，所述实际输出与目标输出的正负差值在预定范围内，则训练结束，得到预测函 数，所述正负差值不在所述预定范围内，则重复以上步骤;所述实际输出的公式如下：
[0076] 其中，j = l，2,…，n式中，义.=(x1"，x;V"，x:)1'为第n个输入样本，n=l，2,…，N，N表 示样本总数，ci为网络隐含层结点的中心，coij为隐含层到输出层的连接权值，i = l，2,…， n为隐含层的结点数。
[0077] 其中，所述实际输出为对应变压器故障模式类型的实际输出编码，所述目标输出 为对应变压器故障模式类型的目标输出编码。
[0078]其中，本发明所规定的所述预定范围为0.01-0.05。
[0079] 本发明提供的基于Adaboost算法的变压器故障诊断方法，其可大大减小计算成 本，满足在线快速分类诊断的要求。
[0080] 步骤四，根据所述预测函数的预测效果，来赋予所述预测函数与所述初始权重不 同的权重，采用带权重的投票法产生最终预测函数序列组合具体如下：
[0081] 计算所述预测函数的权重训练误差，得到所述预测函数的预测效果;计算ht的权 重训练误差，即就是错分率，公式如下：
[0082] ￡K，)I
[0083] 其中，若yi#ht(Xi)，贝ljl = l;否则，1 = 0。
[0084] 根据所述预测效果，赋予所述预测函数序列第一权重a(t)，并对所述第一权重进行 更新，得到第二权重；
[0085]其中，所述第一权重的公式如下：
[0087]并按上式进行第一权重的更新，更新系数的公式为：
[0089] 其中，Zt为归一化系数，可使得|>广=1。 如1
[0090] 当预测函数的训练误差大于0.5时，对所述最终得到预测函数的第二权重进行归 一化，得到强分类器：
[0091 ] //(X) = arg max k t：=i
[0092] 当ht(x)=k时，对相应的权值进行加和，通过投票法产生最终预测函数序列组合：
[0093] Y(x) = signiT^a.hXx)) ./
[0094]其中，arg max g(t)，表达的是定义域的一个子集，该子集中任一元素都可使函数 g( ?)取最大值。
[0095]本发明提供的基于Adaboost算法的变压器故障诊断方法，对径向基函数神经网络 分类器进行训练，再通过加权投票将其组合提升为最终强分类器，提高了故障诊断精度，也 就是说通过集成弱学习算法，解决了强学习算法难以获得的问题，同时也可提高预测精度。 [0096]步骤五，将所述步骤一中的所述测试样本集输入所述最终预测函数序列组合中， 经所述最终预测函数序列组合判断识别后，通过匹配所述类标签，得出所述故障模式类型， 完成诊断。
[0097] 本发明提供的基于Adaboost算法的变压器故障诊断方法，对径向基函数神经网络 分类器进行训练，再通过加权投票将其组合提升为最终强分类器，提高了故障诊断精度。
[0098] 另一方面，本发明可大大减小计算成本，满足在线快速分类诊断的要求。
[0099] 本发明提供的一个实施例，选取氢气(H2)、甲烷(CH4)、乙烷(C2H6)、乙烯(C2H4)、 乙炔(C2H2)这五种典型特征气体的组分作为原始属性数据，首先将溶解气体组分含量进行 归一化处理，使其都在[-1，1 ]的范围内，作为样本集中的属性值。
[0100] 然后对变压器故障类型进行编码，把正常状态、中温过热、高温过热、局部放电、火 花放电、电弧放电分别编码为1、2、3、4、5、6，作为样本集中属性值所对应的类标签。
[0101] 采用已确定故障类型的305组变压器油中溶解气体组分作为训练与测试样本。在 训练样本集中，每个故障类型有35组样本数据，其余95组作为模型的测试样本。利用210组 数据对本专利提出Adaboost算法的变压器故障诊断方法分析模型的进行训练，采用95组数 据进行测试，其中，部分所述测试样本集为16组，如表1所示。
[0102]表1部分所述测试样本集16组数据
[0104] 为了验证本发明的有效性和准确性，以及与单一径向基神经网络算法的分类相比 性能优劣，进行了一组对比实验，两种分类方法的正确率如表2。
[0105] 表2本发明与单一径向基神经网络算法分类正确率的比较结果
[0107]由表2可以得出，实验发现采用单一径向基神经网络算法的分类准确率约为 81.25%，而采用Adaboost算法的变压器故障诊断方法分析模型分类准确率为93.75 %，本 发明所述方法与单一径向基神经网络算法相比，分类准确率提高了 12.5%。
[0108]本发明使用基于Adaboost算法的变压器故障指数损失函数的Adaboost算法。 Adaboost是一种实现简单，应用也很简单的算法，并且不会过拟合。另外，基于指数损失函 数的Adaboost算法该算法大大降低对弱分类器的精度要求，算法简单明了，可直接求解多 类分类问题，大大减小计算复杂度和计算量，是一种适合应用于变压器故障诊断的算法。
[0109 ]本发明在此还有其他实施例的数据，就不一一列举。
[0110]尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列 运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地 实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限 于特定的细节和这里示出与描述的图例。
【主权项】
1. 一种基于Adaboost算法的变压器故障诊断方法，其特征在于，包括以下步骤： 步骤一，采集多种变压器故障特征气体的浓度值，将多种所述浓度值归一化后作为样 本集的样本，同时编码变压器的故障模式类型，将对应变压器的故障模式类型的目标输出 编码作为所述样本集中属性值对应的类标签，将一部分样本集作为训练样本集，而另一部 分样本集作为测试样本集； 其中，所述训练样本集中的每一个训练样本具有相等的初始权重； 步骤二，采用径向基函数神经网络作为弱分类器，将所述训练样本集中的所有样本设 为所述径向基函数神经网络的中心； 步骤三，通过所述训练样本集对所述径向基函数神经网络进行循环训练，直至得到预 测函数； 步骤四，根据所述预测函数的预测效果，来赋予所述预测函数与所述初始权重不同的 权重，采用带权重的投票法产生最终预测函数序列组合； 步骤五，将所述步骤一中的所述测试样本集输入所述最终预测函数序列组合中，经所 述最终预测函数序列组合判断识别后，通过匹配所述类标签，得出所述故障模式类型，完成 诊断。2. 根据权利要求1所述的基于Adaboost算法的变压器故障诊断方法，其特征在于，所述 步骤一中，同时编码变压器的故障类型具体如下： 将正常状态、中温过热、高温过热、局部放电、火花放电及电弧放电六类故障模式分别 编码为阿拉伯数字1、2、3、4、5和6，作为所述样本集中属性值所对应的类标签。3. 根据权利要求1所述的基于Adaboost算法的变压器故障诊断方法，其特征在于，多种 所述变压器故障特征气体为氢气、甲烷、乙烷、乙烯及乙炔。4. 根据权利要求1所述的基于Adaboost算法的变压器故障诊断方法，其特征在于，在所 述步骤一中，通过初始化所述训练样本集中的每一个训练样本的权重系数，使得每一个所 述训练样本具有相等的初始权重。5. 根据权利要求2至4中任意一项所述的基于Adaboost算法的变压器故障诊断方法，其 特征在于，所述步骤二中，采用径向基函数神经网络作为弱分类器，需通过格林激活函数进 行激活。6. 根据权利要求1所述的基于Adaboost算法的变压器故障诊断方法，其特征在于，所述 步骤三中，通过所述训练样本集对所述径向基函数神经网络进行循环训练，直至得到预测 函数的具体步骤如下： 基于K-均值聚类方法求所述径向基函数神经网络的最终基函数中心； 根据所述训练样本与所述最终基函数中心之间的最大距离，得到方差值； 通过所述最终基函数中心和所述方差值，得到所述径向基神经网络中的隐含层到输出 层之间的连接权值； 将所述连接权值结合所述径向基神经网络的结构，得到所述径向基神经网络的实际输 出，所述实际输出与目标输出的正负差值在预定范围内，则训练结束，得到预测函数，所述 正负差值不在所述预定范围内，则重复以上步骤； 其中，所述实际输出为对应变压器故障模式类型的实际输出编码，所述目标输出为对 应变压器故障模式类型的目标输出编码。7. 根据权利要求6所述的基于Adaboost算法的变压器故障诊断方法，其特征在于，基于 K-均值聚类方法求所述径向基函数神经网络的最终基函数中心包括以下步骤： A、选取所述训练样本集中的η个训练样本作为聚类中心，按照输入样本与所述聚类中 心之间的欧式距离，将所述输入样本分配到各个聚类集合中；计算各个所述聚类集合中训 练样本的平均值，得到新聚类中心，判断所述新聚类中心是否发生变化来决定是否进行下 一轮的中心求解;是，则执行步骤B，否，则执行步骤C; Β、上述步骤的所述新聚类中心即为所述径向基函数神经网络的最终基函数中心； C、重新选取η个所述训练样本作为聚类中心，进入下一轮的所述聚类中心的求解。8. 根据权利要求1所述的基于Adaboost算法的变压器故障诊断方法，其特征在于，所述 步骤四中，根据所述预测函数的预测效果来赋予其与所述初始权重不同的权重，采用带权 重的投票法产生最终预测函数序列组合的具体步骤如下： 计算所述预测函数的权重训练误差，得到所述预测函数的预测效果； 根据所述预测效果，赋予所述预测函数第一权重，并对所述第一权重进行更新，得到第 二权重； 对所述第二权重进行归一化，且对归一化的相应权重进行加和，通过投票法产生最终 预测函数序列组合。9. 根据权利要求6中所述的基于Adaboost算法的变压器故障诊断方法，其特征在于，所 述预定范围为0.01-0.05。
【文档编号】G06K9/62GK105930861SQ201610227946
【公开日】2016年9月7日
【申请日】2016年4月13日
【发明人】赵新, 黄新波, 耿庆庆
【申请人】西安西拓电气股份有限公司