基于机器学习的变压器故障智能诊断研究.pdf

基于机器学习的变压器故障智能诊断研究

摘要

变压器是电力系统中承担电能转换的关键设备，其运行状态直接影响电力系统的

正常运行，一旦发生运行故障，可能对电力系统产生极大的威胁，造成巨大的经济损

失。随着智能电网建设不断推进，机器学习在变压器故障智能诊断方面表现出了强大

的泛化能力，为变压器故障诊断研究提供更加科学、可靠的发展途径和技术方案。本

文基于机器学习算法，对数据预处理、样本平衡处理、超参数优化进行重点研究，并

提出改进Stacking融合模型进行变压器故障智能诊断。

首先，针对原始数据特征表征能力不足问题，本文融入比值计算规则进行特征衍

生，增强机器学习算法的数据处理和推断能力。在此基础上，对数据进行归一化处理，

利用互信息计算样本特征与标签的相关性，验证特征衍生的可行性，筛选出重要特征，

减少模型的计算复杂度。由于变压器故障状态的分布特性，数据集中存在严重的类别

不平衡问题。本文设计条件生成对抗网络，进行数据平衡处理，改善传统采样算法噪

声干扰带来的缺陷，采用传统采样算法中的SMOTE、Borderline-SMOTE、ADASYN

进行对比实验，利用KS检验定量评估生成样本的质量。对比实验结果显示，条件生成

对抗网络能根据真实数据的多维特征生成高质量样本，具有较强的稳定性和可靠性。

其次，针对机器学习算法复杂的超参数问题，本文使用TPE超参数优化算法不断

搜索最优参数组合。将平衡后的训练集分别输入到随机森林、XGBoost、LightGBM、

CatBoost四种机器学习算法模型，进行变压器故障诊断。根据超参数的重要性排行分

析结果，设定更加科学的参数范围和空间，显著提高优化搜索效率。经过多轮迭代训

练后，计算出模型最佳性能时的超参数取值，大幅度提高了超参数的搜索效率和算法

模型的整体性能。对比实验结果显示，未优化前，随机森林、XGBoost、LightGBM、

CatBoost的故障诊断准确率分别为73.33%、82.15%、82.58%、82.37%。经TPE超参数

优化后，故障诊断准确率提升至80.22%、88.39%、88.60%、88.82%。

最后，针对单一算法模型容易陷入局部最优解、鲁棒性差的问题，本文采用四种

多模型算法融合策略进行对比实验。其中，Stacking融合表现最好，准确率为89.46%。

在Stacking融合的基础上，利用数据原始特性，本文设计改进Stacking融合模型，对

变压器故障逐级进行诊断。第一层Stacking分类器对正常、放电故障和过热故障三种

广义标签进行训练，将输出广义标签概率与原始输入进行特征融合，输入到下一层

哈尔滨工程大学专业学位硕士学位论文

Stacking分类器进行训练，并诊断出七种具体状态类型，准确率提升至92.26%。经多

组对比实验证明，本文所设计的改进Stacking融合模型性能有显著提升，为具有复杂

层次结构的变压器故障诊断问题提供了一种有效的解决方案。

关键词：电力变压器；故障诊断；机器学习；不平衡数据；模型融合

基于机器学习的变压器故障智能诊断研究

Abstract

Transformerisakeyequipmentinpowersystemthatundertakeselectricalenergy

conversion,anditsoperationstatusdirectlyaffectsthenormaloperationofpowersystem,

oncetheoperationfailureoccurs,itmayproducegreatthreattopowersystemandcausehuge

economicloss.Withthecontinuouspromotionofsmartgridconstruction,machinelearning

hasshownpowerfulgeneralizat