基于随机森林模型的电力变压器故障诊断方法

摘要

本发明公开了一种基于随机森林模型的电力变压器故障诊断方法，采集变压器状态检修数据，利用变压器状态检修数据训练随机森林模型，并校验随机森林模型的灵敏度，以经训练校验后的随机森林模型来诊断变压器故障。本发明提供的方法适应能力强，具有良好的可解释性，利用k-means聚类方法，分离出了介于正常和故障之间的临界类，使系统获得了故障的早期预警能力。

说明书

技术领域

本发明涉及一种电力变压器故障诊断方法，特别是涉及一种基于随机森林模型的电力变压器故障诊断方法。

背景技术

电力变压器是电力系统的重要设备，由于变压器内部结构复杂，电场分布不均匀，且随着电压水平增高，事故率成上升趋势。据不完全统计，国内每年都有几次变压器的大事故发生，造成直接经济损失达上百万元。另外根据中国电力企业联合会电力可靠性管理中心发布的近几年全国电力可靠性统计分析结果来看，其故障率最大的部位是变压器的内绝缘，主要故障特点是变压器绝缘老化严重、运行环境恶劣、变压器制造质量有问题。作为电力系统的主要设备的变压器，其故障除给本身带来重大损失外，还对电力系统安全产生造成很大的影响。

目前电力变压器故障诊断的技术和方法, 主要有专家系统、人工神经网络、优化技术、Petri网络、模糊集理论、粗糙集理论等。

近年来出现的随机森林技术在图像识别、文本分类、基因表达谱分析、经济模式识别等许多领域得到了很多的成功应用。应用实践证明，随机森林具有速度快、抗噪声，可处理任意类型的数据，可输出因素的重要性等优点，但尚未在电力变压器故障诊断方面应用。

发明内容

本发明的目的是要提供一种基于随机森林模型的电力变压器故障诊断方法。

为了达到上述目的，本发明的技术方案是：一种基于随机森林模型的电力变压器故障诊断方法，采集变压器状态检修数据，利用变压器状态检修数据训练随机森林模型，并校验随机森林模型的灵敏度，以经训练校验后的随机森林模型来诊断变压器故障。

具体的讲，基于随机森林模型的电力变压器故障诊断方法包括以下步骤：

a、建立模型，根据变压器状态检测的历史数据训练随机森林，建立故障诊断的随机森林模型；随着新样本的不断增加，通过加入新样本进行训练，可以重新建模。

b、检验模型，选择起始时间和结束时间进行结果对比，得出预测效果。

c、故障诊断，选择起始时间和结束时间对待测状态数据进行测试。

d、影响因素重要性排序，利用随机森林可以计算变量重要性计算出各个指标的影响程度，并进行重要性排序。

e、扩展模型，利用k-means聚类方法，对实际数据进行聚类分析，把数据分成故障、临界和正常三个类；实际的故障诊断数据中，故障数据通常只占很小的一个比值，绝大多数的数据都为正常数据。考虑到正常数据中实际上有部分数据是处在正常与故障的临界状况，因此如把数据分成故障、临界和正常三个类，那么既可减弱原先两类数据不平衡的现象，又可通过对临界类的判断，提高故障诊断系统的可靠性和预警能力。

本发明的有益效果在于：

1、本发明取得了比其他诊断方法更好的性能；模型可根据数据的更新变化重新建模，适应能力强。

2、本发明可以给出影响变量的重要性排序，故障诊断结果具有良好的可解释性。

3、本发明利用k-mean聚类方法，分离出了介于正常和故障之间的临界类，使系统获得了故障的早期预警能力。

具体实施方式

下面结合实施例对本发明进行进一步说明。

基于随机森林模型的电力变压器故障诊断方法包括以下步骤：

a、建立模型，根据变压器状态检测的历史数据训练随机森林，建立故障诊断的随机森林模型，随着新样本的不断增加，通过加入新样本进行训练，可以重新建模；

b、检验模型，选择起始时间和结束时间进行结果对比，得出预测效果；

c、故障诊断，选择起始时间和结束时间对待测状态数据进行测试；

d、影响因素重要性排序，利用随机森林可以计算变量重要性计算出各个指标的影响程度，并进行重要性排序；

e、扩展模型，利用k-means算法，对实际数据进行聚类分析，把数据分成故障、临界和正常三个类。

以上是对本发明做的示例性描述，凡在不脱离本发明核心的情况下做出的简单的变形或修改均落入本发明的保护范围。