基于融合少数类过采样均衡多分类数据的改进极限学习机的变压器故障诊断方法

作者：王艳; 李伟^*; 赵洪山; 申宗旺; 王寅初

来源：电网技术, 2023, 47(09): 3799-3807.

DOI：10.13335/j.1000-3673.pst.2022.1095

• 变压器
• 故障诊断
• 非均衡数据
• 合成少数类过采样
• 麻雀搜索算法
• 极限学习机

针对变压器小概率故障事件导致数据集不均衡时，严重影响故障识别能力的问题，提出一种基于融合少数类过采样(synthetic minority over-sampling technique,SMOTE)算法均衡多分类数据的改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化极限学习机(extreme learning machine,ELM)的变压器故障诊断方法。首先，利用K-means算法对样本空间进行聚类，基于不平衡度选择聚类中心，利用SMOTE算法向聚类簇合成新样本以增强类内特征的聚合性；其次，针对边界区的样本，利用基于不同策略的Borderline-SMOTE算法向聚类簇合成新样本以增大类间特征的差异性；最后，利用基于Tent混沌映射的麻雀搜索算法(sparrow search algorithm,SSA)对极限学习机(extreme learning machine,ELM)模型中的输入权值和隐藏层偏置进行优化，以提高算法的全局搜索能力和模型的诊断精度。基于变压器油色谱数据的故障诊断实验结果表明：所提基于融合SMOTE均衡多分类数据的ISSA-ELM变压器故障诊断方法能够有效改善诊断模型对多数类的偏向问题，进一步提升模型的诊断精度、收敛速度和稳定性，适用于变压器非均衡数据集的多分类故障诊断。

• 单位
  电子工程学院; 华北电力大学