基于随机森林的变压器多源局部放电诊断-中国电机工程学报.PDFVIP

第38 卷 第17 期 中 国 电 机 工 程 学 报 Vol.38 No.17 Sep. 5, 2018 5246 2018 年9 月5 日 Proceedings of the CSEE ©2018 Chin.Soc.for Elec.Eng. DOI ：10.13334/j.0258-8013.pcsee.171469 文章编号：0258-8013 (2018) 17-5246-11 中图分类号：TM 855 基于随机森林的变压器多源局部放电诊断 程养春，张振亮 (新能源电力系统国家重点实验室(华北电力大学) ，北京市 昌平区 102206) Multi-source Partial Discharge Diagnosis of Transformer Based on Random Forest CHENG Yangchun, ZHANG Zhenliang (State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources (North China Electric Power University), Changping District, Beijing 102206, China) ABSTRACT: At present, the main diagnosis method of 制约着该方法的实用性，且该方法对信号采集器的采样率有 multi-source partial discharge of transformer is separating the 很高的要求。针对上述缺陷，在实验室条件下模拟匝间模型、 discharge pulse and then diagnosing the separated pulse group. 油楔模型和针板模型3 种放电模型，将多个单源放电数据与 However, the problem of determining clustering number of the 噪声融合，生成多源放电数据，用于研究多源放电诊断方法。 cluster algorithm restricts the practicability of the method. 局部放电模式识别领域中常用的分类器算法包括神经网络、 Besides, this method has high requirements on the sampling 支持向量机(support vector machine ，SVM) 和 K 邻近 rate of the signal acquisition device. In order to solve the above (K-nearest neighbor，KNN)等。随机森林(random forest，RF) problems, the inter-turn model, the oil wedge model and the 算法具有无需特征选择、不易过度拟合的优点，但在局部放 needle plate model were simulated under the laboratory 电模式识别领域中应用较少。利用神经网络、SVM、KNN conditions, and the multi-source discharge data was generated 以及RF 算法对多源放电中有、无某种放电模式的数据进行 by combining multiple single-source discharge data and white 学习，从而跳过脉冲分离环节。结果表明：在一定幅值范围 noise. In the fiel