电力变压器故障诊断的k值自适应加权KNN算法研究

摘要

为对变压器故障进行更有效的诊断,针对变压器故障数据数值范围广且分布不均的特点,提出了k值自适应加权K近邻算法.首先,为避免离群样本对分类结果造成影响,利用局部异常因子对样本数据进行了离群点检测,并剔除了显著离群的样本;其次,为弥补传统KNN算法k值固定的缺陷,提出根据待测样本近邻点单位面积密度来对k进行自适应取值;最后,在对待测样本进行分类时,综合考虑各近邻点到待测样本之间的欧式距离,以及待测样本与各类别样本的分布相似度来确定各近邻点权重,并应用到最终的变压器故障分类决策之中.实验结果表明:研究提出的k值自适应加权KNN算法能对变压器故障进行有效诊断,诊断准确率达91.7％,相比改良三比值法以及BPNN、SVM和传统KNN三种分类器分别提高了19.7％、12.1％、6.5％和7.4％.