基于不均衡数据集成学习的大型电力变压器状态评价方法

摘要：

大型电力变压器构造复杂,设备成本高,是电力系统的关键组成部分,其运行状态与电力系统的安全稳定密切相关,因此变压器状态评价已成为常态运维业务工作.然而目前状态评价工作严重依赖导则与专家经验,人力成本高,易受到主观影响:而已有模型往往直接应用标准算法,在实际生产环境中表现不佳.针对目前大型电力变压器状态评价在数据质量、样本分布、应用需求与模型表现等方面存在的问题,提出了一种新的评价模型.首先,剔除了无效样本并设计了一种交叉权重方法来标记有效样本;之后,按照数据完整程度区分状态量并对其进行特征提取和高维映射,再拆分数据集得到多个完备训练数据集;然后,应用SMOTE-BORDERLINE算法来合成正样本,得到多个完备均衡训练数据集;最后,并行化训练多个代价敏感修正的支持向量机(support vector machine, SVM)组件学习器,并通过权重投票法形成集成学习器.所提出的模型考虑了不均衡数据集与代价敏感所带来的影响,利用集成学习提高了模型的泛化能力,经过实际生产环境验证表现良好,与传统方法相比,显著降低了非正常状态样本的误判率与漏判率.

关键词：状态评价、状态评估、电力变压器、不均衡学习、集成学习、机器学习、人工智能

所属期刊栏目：45

分类号：TM85(高电压技术)

资助基金：国家自然科学基金61703379

在线出版日期：2021-02-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：107-114