基于Adaboost算法的变压器故障诊断

李文君子 王梦沈

摘 要：DGA技术能够及时探查到充油型设备在使用过程中不易发现的隐性问题，k近邻算法是一种惰性分类算法，但是单一故障诊断算法准确性无法满足实际工程需求。为了提高变压器故障诊断精确性，本文用Adaboost算法对k近邻算法进行提升，并对Adaboost算法进行延伸，从而发展出了Adaboost.M2-kNN算法，能够处理多类分类任务。试验发现利用Adaboost.M2-kNN算法能够有效提高变压器故障诊断的准确性，该方法逐步应用于工程实践中。

关键词：变压器；kNN算法；Adaboost算法；故障诊断；实例分析

DOI：10.16640/j.cnki.37-1222/t.2018.22.117

1 引言

在Boosting的基础上诞生了Adaboost算法，而Boosting的理論框架则是从机器学习模型PAC中发展而来到。由于Adaboost算法只能用来应对二分类的问题，因此本文利用Adaboost的扩展算法Adaboost.M2来解决多分类问题。

2 Adaboost.M2-kNN算法

2.1 Adaboost.M2的基本原理

Adaboost.M2属于软分类的一种形式，在输入样本（xi，yi）后，当y不等于yi时，ht弱分类器就会根据（k-1）的顺序进行询问，通过伪误差的方法来重新调整分类器。首先选择大小为m的训练集，S={（xi，yi），（x2，y2），...，（xm，ym）}进行输入，而x可以是训练空间中的任何训练例子，也可以由多种属性值组成。而y则是和x对称的类别标签。同时在每轮循环中，都要调整弱学习器，当循环到第t轮时，弱学习器就会针对训练样本D进行分类计算，从而得出弱假设ht，在进行t轮循环后，进行加权投票，能够在全部的弱假设h中得出最终结果hfin。

2.2 Adaboost.M2算法的误差

强分类器Adaboost.M2中的训练误差是：

在上列公式中，=0.5-。从公式中可以看出，当弱假设的准确率高于随机猜测时，训练的误差就会通过指数的方式快速降低，能够提升分类的准确性[1]。

2.3 Adaboost.M2-kNN算法的具体流程

以Adaboost.M2-kNN算法为基础的弱学习器，建立针对变压器故障问题的诊断模型。根据变压器的本来的数据衍生出数量为m的训练样本，Trs={（xi，yi），（x2，y2），...，（xm，ym）}，而x则是训练空间中的任意数据，由数个值组成。故障类别标签yi属于{1，2，...k}中的任意值，其中k是故障类型，而i则是样本代号，训练样本分布为定义D，弱学习器个数用T来显示，也就是迭代次数。

3 变压器故障实例诊断分析

3.1 参数选择

在变压器刚开始出现故障的时候会产生出一些气体，而这些气体和故障的性质联系较为密切[2]。为此首先需要选择原始属性数据，例如可以选择C2H2、C2H4、C2H6、CH4、H2这五种典型气体。由于不同成分之间的含量具有较大的差异性，因此要将溶解气体进行归一化处理，从而保证其数值都在[-1，1]内，从而充当样本中的属性值。同时为变压器的故障类别进行编号，将正常状态设置为1号，将中温设置为2号，将高温状态设置为3号，以此类推，包括局部放电、电弧放电以及火花放电，一直到6号。Adaboost.M2-kNN算法的循环次数最大值T可以取值100，将kNN当作弱分类器，参数k=1，在建立Adaboost.M2故障诊断模型。

Adaboost.M2-kNN算法中将T的最大循环次数设为100，其中弱分类器用kNN来代替，将k的参数设为1，随后建立相关模型。

3.2 实例分析

首先选择测试样本和训练样本，将288已知故障类型的变压器溶解气体数据作为Adaboost.M2模型中的测试样本与训练样本[3]。在训练样本中，每种故障中都有三十组数据，剩下的一百组数据作为测试样本。

实验结果分析，以288组数据为初始数据，在进行归一化后，通过一百组数据对Adaboost.M2模型操作训练，利用一百组数据操作测试，最终结果发现以单一kNN算法为基础进行计算的分类准确率是62%，同时利用Adaboost.M2算法进行诊断的正确率是89%，我们可以在分析后得到结果，发现正确率提高了27%左右。同时我们我们也可以发现，测试误差与训练误差在故障诊断样本中随着迭代次数的提高而出现降低的显示，随着迭代次数的提高，训练误差几乎趋近于零，同样测试误差也是如此[4]。测试误差虽然在下降过程中出现过上升趋势，但从整体来看，依然是以降低趋势为主。通过实验对比分析我们能够得出一下结果，在训练误差值为零时，发现测试误差呈现出整体上的降低趋势，这一现象也符合了Adaboost算法的关于泛化误差的相关研究结果。

目前在我国宁夏银川的一个交流变电站中已经开始使用了本文中所阐述的以Adaboost.M2为基础的模型，在这一模型之中，只需要设置迭代次数就可以，不需要拥有其他任何知识经验，其中算法会自动调整模型内部的运行参数。和传统故障诊断方式相比，Adaboost.M2模型的方法泛化能力更强一些，对于整体故障的识别率能够有效提升21%，检测效果较为精确[5]。

参考文献：

[1]魏雪倩，黄新波.基于AdaBoost多分类算法变压器故障诊断[J].西安工程大学学报，2016，30（02）：207-211.

[2]黄新波，李文君子.采用遗传算法优化装袋分类回归树组合算法的变压器故障诊断[J].高电压技术，2016，42（05）：1617-1623.

[3]刘景艳，王福忠.基于RBF神经网络和自适应遗传算法的变压器故障诊断[J].武汉大学学报（工学版），2016，49（01）：88-93.

[4]苑津莎，张利伟.基于互补免疫算法的变压器故障诊断[J].电工技术学报，2015，30（24）：67-75.

[5]吕忠，周强.基于遗传算法改进极限学习机的变压器故障诊断[J].高压电器，2015，51（08）：49-53.