基于集成SAO优化互相关熵极限学习机模型的变压器故障诊断方法

作     者：孙世明 岑红星 白建民 冯雪松 焦昆 马文涛 SUN Shiming;CEN Hongxing;BAI Jianmin;FENG Xuesong;JIAO Kun;MA Wentao

作者机构：南瑞集团有限公司(国网电力科学研究院有限公司)南京211106 国电南瑞南京控制系统有限公司南京211106 国电南瑞科技股份有限公司南京211106 电网运行风险防御技术与装备全国重点实验室南京211106 西安理工大学电气工程学院西安710054 

出 版 物：《电测与仪表》 (Electrical Measurement & Instrumentation)

年 卷 期：2024年第61卷第9期

页      面：56-64页

学科分类：080802[工学-电力系统及其自动化] 0808[工学-电气工程] 08[工学] 

基　　金：国家自然科学基金资助项目(61976175) 南瑞集团科技项目(524609220134) 

主　　题：电力变压器 故障诊断 集成学习 极限学习机 互相关熵损失 雪消融优化器 

摘      要：针对基于传统机器学习的变压器故障诊断方法在数据不平衡、训练数据集存在离群值等条件下稳健性弱和泛化能力不强等问题,提出一种稳健集成学习模型用于实现电力变压器的高精度故障诊断。首先针对离群值对模型稳健性的影响,将互相关熵损失(correntropy loss,CL)引入极限学习机(extreme learning machine,ELM)框架并应用梯度法获得最优解,以构建稳健学习模型CLELM,并利用雪消融优化器(snow ablation optimizer,SAO)优化CLELM的隐含层权重和偏差,以进一步改进其性能。其次,为了增强模型的泛化能力,将多个SAO-CLELM进行加权融合以构成稳健集成学习模型。最后,针对变压器故障数据集不平衡问题,采用合成少数类过采样技术对数据进行扩充,并应用平衡化后的数据训练集成SAO-CLELM模型以实现故障诊断。在两种故障测试集下对所提集成SAO-CLELM模型的故障诊断性能进行了验证,实验结果表明所提模型能获得准确的故障分类结果,说明其具有较高的稳健性和泛化性。