【好文推荐】考虑样本类内不平衡的CHPOA-DBN变压器故障诊断方法

引

引文信息

王爽, 罗倩, 唐波, 等. 考虑样本类内不平衡的CHPOA-DBN变压器故障诊断方法[J]. 中国电力, 2023, 56(10): 133-144.

WANG Shuang, LUO Qian, TANG Bo, et al. CHPOA-DBN transformer fault diagnosis method considering sample within-class imbalance[J]. Electric Power, 2023, 56(10): 133-144.

摘要

为解决变压器故障样本类内不平衡与人为确定深度信念网络（deep belief network，DBN）的网络参数导致故障诊断精度低的问题，提出一种基于样本均衡和改进DBN的变压器故障诊断方法。首先，针对合成少数类过采样算法（synthesis minority oversampling technique，SMOTE）生成样本加剧类内不平衡的问题，提出基于改进K均值（improved K-means，IK-means）的IK-means SMOTE算法，据此得到类间、类内均衡的故障样本；其次，利用Tent混沌映射改进的鹈鹕优化算法（chaotic hybrid pelican optimization algorithm，CHPOA）对DBN的隐含层节点数、反向微调学习率寻优，构建CHPOA-DBN变压器故障诊断模型；最后，基于实验数据，分别将经典过采样算法、经典故障诊断模型与所提方法进行对比分析，结果表明：所提方法故障诊断准确率达到96.25%，可以为变压器故障样本不均衡条件下的故障智能诊断提供重要参考。

结论

为解决变压器DGA样本的类间、类内不平衡以及变压器故障诊断模型性能差导致的故障诊断准确率低等问题，本文提出一种基于IK-means SMOTE和CHPOA-DBN的变压器故障诊断方法，并通过实验研究，得到如下结论。1）IK-means解决了K-means选取初始聚类中心盲目随机和对样本特征尺度敏感的问题，相较于K-means具有更好的聚类效果，且根据4种聚类指标确定IK-means SMOTE的最优K值为7。2）IK-means SMOTE算法在更精确的过采样区域生成样本，使得生成样本具有多样性、合理性。相较于SMOTE、Borderline-SMOTE、ADASYN、SVM SMOTE和K-means SMOTE过采样算法，IK-means SMOTE均衡样本后对模型的故障诊断性能提升最大。3）2次寻优能力测试中，CHPOA的收敛速度和寻优精度明显优于PSO、TSO、SSA、POA，表明POA经Tent混沌优化后，全局搜索能力得到有效提升。相较于POA-DBN，无论样本均衡前后，CHPOA-DBN的故障诊断精度均更高，表明利用Tent混沌改进后的CHPOA优化模型，能有效提升变压器故障诊断精度。4）与原不平衡样本相比，样本经IK-means SMOTE算法均衡后，改良三比值法、DBN、1D-CNN、POA-DBN和CHPOA-DBN的故障诊断性能均得到提升，表明IK-means SMOTE生成的DGA样本不受限于某一种分类器，具有普遍适用性。

本文所提方法能有效提升变压器故障诊断的准确性，可为DGA样本不均衡条件下的变压器故障智能诊断提供重要参考。

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

策划：蒋东方

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。