近邻成分分析和k近邻学习融合的变压器不平衡样本故障诊断

作     者：李雅欣 侯慧娟 张立静 胥明凯 盛戈皞 江秀臣 LI Yaxin;HOU Huijuan;ZHANG Lijing;XU Mingkai;SHENG Gehao;JIANG Xiuchen

作者机构：上海交通大学电气工程系上海200240 国网山东省电力公司济南250002 

出 版 物：《高电压技术》 (High Voltage Engineering)

年 卷 期：2021年第47卷第2期

页      面：472-479页

核心收录：

学科分类：12[管理学] 080801[工学-电机与电器] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0808[工学-电气工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 081104[工学-模式识别与智能系统] 0807[工学-动力工程及工程热物理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金(51477100) 上海交通大学新进青年教师启动计划基金(基于人工智能的电力设备故障诊断) 

主　　题：故障诊断 近邻成分分析 度量学习 k近邻 贝叶斯优化 变压器 

摘      要：在基于机器学习的电力变压器故障诊断方法中,各故障类别间案例数量不平衡会导致诊断准确率降低。为了提升电力变压器故障诊断模型的准确率及运行效率,构建了融合引入修正因子的近邻成分分析和k近邻学习的故障诊断模型。首先,通过对近邻成分分析算法(neighborhood component analysis,NCA)目标函数引入修正因子减少样本不均衡对模型训练的影响,结合油色谱故障数据通过关联规则得到样本参量相关性量化矩阵,作为NCA算法训练度量矩阵的初值;然后,利用训练得到的度量矩阵对k近邻(k-nearest neighbors,k NN)分类器的输入数据结果进行映射变换,使同类型样本间的距离减小,进而使k NN分类性能提高;最后,用贝叶斯优化算法对模型进行超参数调优,获得能使测试集准确率最高的模型参数集。以变压器故障案例库为对象的算例分析结果表明,提出的模型与传统的机器学习诊断模型相比,用时节省了近一半,且所提模型对少数样本类的诊断准确率相比于其它模型提升了至少15%。论文研究可为电力变压器的故障诊断提供参考。