基于数据扩充和故障特征优化的SCNGO-SVM-AdaBoost变压器故障诊断技术

作     者：姚翔曦 张英 张国治 刘君 王明伟 

作者机构：贵州大学电气工程学院 贵州电网有限责任公司电力科学研究院 新能源及电网装备安全监测湖北省工程研究中心(湖北工业大学) 

出 版 物：《南方电网技术》 (Southern Power System Technology)

年 卷 期：2024年

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] 08[工学] 081104[工学-模式识别与智能系统] 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：国家自然科学基金重点资助项目(52107144) 

主　　题：油浸式变压器故障诊断 数据扩充 特征优选 支持向量机 SCNGO优化算法 AdaBoost算法 

摘      要：针对传统油中溶解气体分析（dissolved gas analysis，DGA）在油浸变压器故障诊断过程中不能够有效的利用故障信息，以及变压器故障样本类型不平衡致使模型诊断结果较差的情况。提出了基于数据扩充和故障特征优化SCNGO-SVM-AdaBoost变压器故障诊断技术。首先，针对不平衡样本利用安全级别过采样算法（Safe-Level SMOTE）对原始的变压器故障样本集进行了数据扩充，然后利用核主成分分析（K-PCA）对比值化后的油色谱数据进行故障特征优化提取。其次在北方苍鹰算法（NGO）中融合了正余弦和折射反向学习策略，利用测试函数验证该算法的稳定性和寻优能力，并利用SCNGO优化算法对支持向量机（SVM）中的惩罚因子和和核参数进行寻优，以提高诊断算法的全局寻优能力，然后将SCNGO-SVM引入集成算法的多个弱分类器的寻优过程中，利用AdaBoost集成学习模型框架对原始模型进行强化。通过实际的对未扩充样本诊断和其他方法诊断进行对比分析，结果证明该方法能够有效的提高变压器故障诊断的性能。