基于主成分分析的SSA-LightGBM油浸式变压器的故障诊断方法与流程

本发明涉及变压器故障诊断研究领域，具体地说，是一种基于主成分分析的ssa-lightgbm油浸式变压器的故障诊断方法。

背景技术：

1、变压器是电力系统的核心设备，及时发现潜在性故障对电力系统安全稳定有重要的作用。油浸式变压器因长时间运行导致绝缘油和固体绝缘的裂解，会产生氢气、甲烷、乙烯、乙炔、一氧化碳和二氧化碳等气体，当变压器发生不同类型的故障时，特定的气体成分会增加，变压器故障类型和气体成分变化密切相关，常用的方法就是油中溶解气体分析法(dissolvedcasesanalysis，dga)。基于dga的故障诊断方法通常有人工神经网络(ann)、支持向量机(svm)和模糊理论(ft)等算法，大大提高了故障诊断的准确率。然而这些方法存在一些缺陷，其中：模糊理论存在学习能力不足的问题；人工神经网络模型提高变压器故障诊断精度，但人工神经网络模型需要大量忘本数据进行训练，而实际工程中，能用于训练的故障数据十分有限，容易陷入局部最优；svm在小样本数据量小的情况下可以用于故障诊断，相比于人工神经网络能够较好的处理局部极小值且有较强的学习泛化能力，但参数取值不当会对诊断结果造成较大误差。

2、有鉴于此，提出一种基于主成分分析的ssa-lightgbm油浸式变压器故障诊断方法，所提方法能够加快训练速度、占据内存小、稳定的提升变压器故障诊断的准确率。

技术实现思路

1、本发明的目的在于提出一种基于主成分分析的ssa-lightgbm油浸式变压器的故障诊断方法，实现对变压器故障类型的精准判断。

2、本发明采用以下的技术方案实现：一种基于主成分分析ssa-lightgbm油浸式变压器的故障诊断方法，包括：

3、步骤1：采集变压器故障特征气体历史样本数据并确定变压器故障类型，采用无编码比值方法得到变压器实时运行的作为待测参数构建待测矩阵；

4、步骤2：对所述待测参数进行归一化预处理，利用主成分分析法提取所述待测矩阵的特征参数，并用所述特征参数构建特征样本矩阵；

5、步骤3：构建lightgbm模型并确定需要优化的超参数及参数选定范围，利用麻雀搜索算法对lightgbm模型超参数寻优，构建ssa-lightgbm故障诊断模型，将所述特征样本矩阵输入训练好的ssa-lightgbm故障诊断模型中进行分析，得到故障诊断结果。

6、优选地，采集变压器故障特征气体历史样本数据并确定变压器故障类型：

7、步骤1：所述变压器故障特征气体，包括：

8、h2、ch4、c2h2、c2h4、c2h6、co、co2；

9、步骤2：所述变压器故障类型，包括：高温热故障、低温热故障、中温热故障、高能放电、低能放电、局部放电和正常状态。

10、优选地，所述采用无编码比值方法得到变压器实时运行的作为待测参数构建待测矩阵，包括：

11、

12、将每一故障类型所测得的比值参量构建特征样本矩阵。

13、优选地，所述对所述待测参数进行归一化预处理，包括：

14、步骤1：计算所述待测参数的均值和标准差；

15、步骤2：依据所述待测参数的均值、标准差计算得到各所述待测参数的归一化值；

16、步骤3：以各所述待测参数的归一化值构建所述待测矩阵。

17、优选地，所述利用主成分分析法提取所述待测矩阵的特征参数，包括：

18、步骤1：计算所述待测矩阵中所述待测参数的协方差矩阵；

19、步骤2：计算所述协方差矩阵的特征值及相应的正交化单位特征向量；

20、步骤3：依据所述特征值也所述正交化单位特征向量选择主成分；

21、步骤4：计算所述主成分的载荷，并依据所述主成分的载荷得到所述特征参数构建特征矩阵。

22、优选地，构建lightgbm模型，包括：

23、步骤1：构建所述待测参数中的的数据集和类别特征，并计算初始梯度值；

24、步骤2：依据上述初始梯度值构建决策树，建立直方图；

25、步骤3：依据上述直方图计算分裂收益，选取最佳分裂特征得到分裂阈值；

26、步骤4：建立根节点，并重复上述步骤直到达到叶子数目限制或者所有叶子节点不能继续分割为止，更新树的梯度值完成所有树的构建。

27、优选地，确定需要优化的超参数及参数选定范围，包括：

28、步骤1：超参数学习率设定取值范围为区间[0.1,0.5,0.8]；

29、步骤2：超参数max_depth设定取值范围为区间[16,32,64]；

30、步骤3：超参数subsample设定取值范围为区间[0.1,1]；

31、步骤4：超参数colsample_bytree设定取值范围为区间[0,1,1]。

32、优选地，利用麻雀搜索算法对lightgbm模型超参数寻优，包括：

33、步骤1：提取故障数据的特征量作为模型的输入信号，输出为变压器的故障类型；

34、步骤2：初始化麻雀搜索算法与lightgbm相关超参数，设置种群规模与最大迭代次数；

35、步骤3：以交叉验证的准确率作为麻雀个体的适应度值；

36、步骤4：生成反向麻雀种群，对所有麻雀种群个体的适应度进行排序，较高适应度值的个体为发现者，其余为加入者；

37、步骤5：更新发现者的位置，处于安全状态时麻雀可以进行广泛搜索，若大于预警值种群会有反捕食行为；

38、步骤6：更新加入者的位置，根据排序原则，当时，个体适应度值比较低，加入者需要到其他位置进行搜索以提高个体适应度；

39、步骤7：判断所述适应度值是否满足终止条件，如果满足终止条件，退出循环麻雀寻优算法结束，得到最优参数。构建ssa-lightgbm故障诊断模型，否则返回上述步骤，最终满足终止条件，得到最优参数。

40、优选地，训练得到所述ssa-lightgbm故障诊断模型的方式，包括：

41、步骤1：采集变压器故障特征气体历史样本数据并确定变压器故障类型，采用无编码比值方法得到变压器实时运行的作为待测参数构建待测矩阵；

42、步骤2：对所述待测参数进行归一化预处理，利用主成分分析法提取所述待测矩阵的特征参数，并用所述特征参数构建特征样本矩阵；

43、步骤3：构建lightgbm模型并确定需要优化的超参数及参数选定范围，利用麻雀搜索算法对lightgbm模型超参数寻优，构建故障诊断模型，并用所述初始特征样本矩阵对所述故障诊断模型进行训练，得到ssa-lightgbm故障诊断模型。

44、优选地，将所述特征样本矩阵输入训练好的ssa-lightgbm故障诊断模型中进行分析，得到故障诊断结果，包括：

45、步骤1：采集最新变压器故障特征气体，采用无编码比值方法得到变压器实时运行的特征构建测试样本矩阵；

46、步骤2：对所述测试样本矩阵进行归一化预处理，并与上述利用主成分分析法降维后得到的特征样本矩阵相乘，得到测试特征矩阵；

47、步骤3：将测试特征矩阵输入到训练好的ssa-lightgbm故障诊断模型中进行分析，得到故障诊断结果。

48、本发明是一种基于主成分分析的ssa-lightgbm油浸式变压器的故障诊断方法，包括：采集变压器故障特征气体历史样本数据并确定变压器故障类型，采用无编码比值方法得到变压器实时运行的特征作为待测参数构建待测矩阵；利用主成分分析法提取所述待测矩阵的特征参数，并用所述特征参数构建特征样本矩阵；构建lightgbm模型并确定需要优化的超参数及参数选定范围，利用麻雀搜索算法对lightgbm模型超参数寻优，构建ssa-lightgbm故障诊断模型，将所述特征样本矩阵输入训练好的ssa-lightgbm故障诊断模型中进行分析，得到故障诊断结果。

49、可见，本技术所提供的变压器故障诊断模型，基于主成分分析法和lightgbm模型，利用主成分分析法对变压器油中的溶解气体参数进行特征提取，降低了特征维数，通过麻雀寻优算法对lightgbm模型超参数寻优构建ssa-lightgbm故障诊断模型，将训练样本输入模型中得到变压器故障结果。