基于AdaBoost多分类算法变压器故障诊断

摘要：

油中溶解气体分析（Dissolved Gas Analysis ，DGA ）技术可以有效发现充油变压器内部的早期潜伏性故障，是对充油设备进行诊断的常用方法．k‐最近邻（k‐Nearest Neighbor ，kNN）算法是一种惰性分类算法．为了满足实际工程中对变压器故障模式分类精度的要求，AdaBoost ．M2作为AdaBoost二分类算法的延伸，可将多个略好于随机猜测的弱分类器组合提升为分类精度更高的强分类器，完成多分类任务．针对单一算法往往不能满足实际工程对分类精度的需求且高精度算法难以获得的问题，利用AdaBoost的扩展算法AdaBoost ．M2对每个 kNN 分类器的权重根据误差不断调整，再通过加权投票将其组合提升为强分类器，提高了故障诊断精度．实验结果显示，运用该模型结合DG A技术对变压器故障进行诊断，相比于单一 kN N算法，诊断准确率整体提高了27.8％，表明该方法是可行的．

关键词：AdaBoost .M2、kNN分类、变压器

所属期刊栏目：30

分类号：TM762(输配电工程、电力网及电力系统)

资助基金：陕西省重点科技创新团队计划资助项目2014KCT-16

在线出版日期：2016-06-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：207-211