一种基于特征重要性排序的变压器故障辨识方法及系统与流程

本发明涉及变压器故障检测，具体为一种基于特征重要性排序的变压器故障辨识方法及系统。

背景技术：

1、电力系统中，变压器是一种至关重要的设备，它的主要功能是实现电压的变换和功率的传输，以此来保证电力系统的安全稳定运行；然而，在变压器的运行过程中，可能会出现各种故障，这些故障可能会导致变压器油和绝缘材料老化、分解，在这个过程中，变压器油中会溶解出不同种类和含量的气体，虽然这些气体可以反映变压器的故障类型，但是如何准确地辨识这些故障仍然是一个挑战；为了解决这个问题，研究人员提出了一种基于油中溶解气体分析（dissolved gas analysis，dga）的故障辨识方法，这种方法主要通过对变压器油中溶解的气体进行分析，来确定变压器的故障类型，如果不能及时准确地辨识出变压器的故障，那么不仅会影响变压器本身的性能和寿命，还可能危及电力系统的安全和可靠性，甚至引发严重的社会和经济后果；因此，变压器的故障辨识被视为电力系统监测和维护的重要任务。为了提高dga的辨识准确率，国内外的学者们对其进行了一系列的研究和改进，他们以dga为基础，提出了iec三比值法、rogers四比值法、无编码比值法、大卫三角形法等新的故障辨识方法；然而，这些方法也存在一些问题，例如，它们可能存在编码缺失、编码边界绝对以及临界值准则缺陷等，此外，即使在实际的工程实践中构建了故障辨识特征库，也常常包含一些冗余的特征，这会导致模型训练速度慢，且故障辨识准确率低，而且，人们往往忽略了变压器运行时长、变压器油温、变压器负载以及变压器周边环境对故障辨识的影响，因此，如何在实际应用中有效地筛选出有用的特征，成为了一个急需解决的问题。

2、目前，随着人工智能的不断进步，越来越多的研究人员和工程技术人员开始将人工智能与dga相结合，以便对变压器故障类型进行判断，这些方法包括bp神经网络、极限学习机(extreme learning machine,elm)、随机森林(random forest,rf)等；然而，这些方法都存在一些局限性，bp神经网络虽然具有较强的非线性拟合能力，但是其训练过程需要大量的样本数据和计算资源；elm和rf虽然具有较强的泛化能力，但是在处理大规模数据时，可能会出现过拟合的问题；支持向量机(support vector machine,svm)在处理小样本和非线性分类问题方面表现出色，这与变压器故障辨识问题相契合，然而，svm的分类性能与其惩罚因子和核参数的选择密切相关，仅仅依靠经验和人工尝试来选择超参数不仅费时费力，而且难以找到最优超参数，导致变压器故障辨识准确率较低，因此，研究如何寻找svm的最优超参数成为了当前的研究热点。

3、所以，如何设计一种基于特征重要性排序的变压器故障辨识方法及系统，成为我们当前需要解决的问题。

技术实现思路

1、针对现有技术的不足，本发明提供了一种基于特征重要性排序的变压器故障辨识方法，包括如下步骤：

2、步骤s1：构建变压器故障辨识特征库；

3、步骤s2：使用轻量梯度提升机对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征；

4、步骤s3：使用有效特征构建有效特征数据库，并将有效特征数据库划分为训练集和测试集，对训练集和测试集中的有效特征进行最大最小值归一化处理；

5、步骤s4：使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，设置改进蜘蛛蜂优化算法的种群数量、迭代次数、支持向量机的惩罚因子和核参数的上下界范围，设置支持向量机的目标函数为测试集的故障辨识的错误率，通过改进蜘蛛蜂优化算法不断迭代求得支持向量机的目标函数最小时的最优解，得到最优的故障辨识模型；

6、所述改进蜘蛛蜂优化算法由蜘蛛蜂优化算法采用tent 混沌映射初始化蜘蛛蜂种群得来，其表达式为：

7、；

8、式中，为介于0和1之间的参数；为第i只雌性蜘蛛蜂第j次映射的位置；为第i只雌性蜘蛛蜂第j+1次映射的位置；

9、步骤s5：使用归一化处理后的训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识，输出故障辨识准确率。

10、进一步的，所述步骤s2中特征重要性排序的公式如下：

11、；

12、式中，表示特征；是包含特征的所有树节点的集合；是节点的分裂增益；是特征在所有树中的总增益；分裂增益的计算公式与损失函数和正规化项有关，表达式为：

13、；

14、式中，是节点左子节点的梯度之和；是节点右子节点的梯度之和；是节点左子节点的二阶导数之和；是节点右子节点的二阶导数之和；是叶子权重的正规化系数；是叶子数量的正规化系数。

15、进一步的，所述步骤s3中，最大最小值归一化的公式为：

16、；

17、式中，为归一化后的有效特征；为有效特征；为有效特征最大值，为有效特征最小值。

18、进一步的，使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优过程为：

19、第1步，采用tent 混沌映射初始化蜘蛛蜂种群，并为初始化蜘蛛蜂种群每个个体分配随机支持向量机参数；

20、第2步，计算每个个体的适应度值，评估其对目标函数的优劣程度，将目标函数设为支持向量机的分类故障辨识的错误率，作为每个个体适应度值；

21、第3步，根据选择策略，选取部分个体作为父代个体；

22、第4步，通过交叉和变异操作，生成预设数量的子代个体；

23、第5步，计算子代个体的适应度值，并与父代个体的适应度值进行比较，如子代个体的适应度值大于父代个体的适应度值，则子代个体的解替换掉父代个体的解，形成新的种群；

24、第6步，判断是否达到终止条件，如达到预设迭代次数，则输出最优个体作为支持向量机的惩罚因子和核参数；如没达到预设迭代次数，则返回第2步继续迭代。

25、进一步的，所述步骤s5的具体过程为：将归一化处理后的训练集作为故障辨识模型的输入，再使用改进蜘蛛蜂优化算法对故障辨识模型的参数寻优，以测试集的故障辨识的错误率设为适应度函数；，其中，为诊断正确的样本个数；为测试集样本个数。

26、进一步的，所述步骤s1中构建变压器故障辨识特征库的具体过程为：利用变压器油中溶解气体中的氢气、甲烷、乙烷、乙烯、乙炔及其比值和变压器运行时长、变压器油温、变压器负载以及变压器周边环境数据构建变压器故障辨识特征库。

27、本发明公开了一种基于特征重要性排序的变压器故障辨识系统，包括：

28、构建单元，用以构建变压器故障辨识特征库；

29、特征筛选单元，用以使用轻量梯度提升机对变压器故障辨识特征库中的特征进行特征重要性排序，筛选出有效特征；

30、数据预处理单元，用以使用有效特征构建有效特征数据库，并将有效特征数据库划分为训练集和测试集，对训练集和测试集中的有效特征进行最大最小值归一化处理；

31、算法优化单元，用以使用改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，设置改进蜘蛛蜂优化算法的种群数量、迭代次数、支持向量机的惩罚因子和核参数的上下界范围，设置支持向量机的目标函数为测试集的故障辨识的错误率，通过改进蜘蛛蜂优化算法不断迭代求得支持向量机的目标函数最小时的最优解，得到最优的故障辨识模型；

32、故障辨识单元，用以使用归一化处理后的训练集对故障辨识模型进行训练，利用训练好的故障辨识模型对测试集进行故障辨识，输出故障辨识准确率。

33、与现有的技术相比，本发明具备以下有益效果：

34、（1）、本发明相较于35维特征直接输入支持向量机，基于轻量梯度提升机特征筛选提取有效特征后输入支持向量机使得准确率有所提高，同时也去除冗余特征，使得模型训练时间缩短。

35、（2）、本发明通过引入改进蜘蛛蜂优化算法对支持向量机的惩罚因子和核参数寻优，与蜘蛛蜂优化算法，麻雀搜索算法，哈里斯鹰优化算法，海鸥优化算法,粒子群算法，遗传算法寻优相比，改进蜘蛛蜂优化算法，且能够跳出局部最优。

36、（3）、本发明通过轻量梯度提升机特征筛选发现变压器运行时长、变压器油温、变压器负载、环境温度也对变压器故障辨识起到了很大作用，能够有效提高变压器故障辨识准确率。