关键词:
油浸式变压器
故障诊断
平衡数据集
布谷鸟搜索
SMOTE
CatBoost
摘要:
针对油中溶解气体分析(dissolved gasses analysis, DGA)数据集小样本及不平衡特性导致故障诊断准确率不高的问题,提出一种布谷鸟搜索优化类别型特征提升算法(cuckoo search-categorical boosting, CS-CatBoost)和改进少数过采样技术(synthetic minority over-sampling technique, SMOTE)的油浸式变压器故障诊断方法。首先,使用中心偏移权重(center offset weight, COW)优化SMOTE增强不均衡故障样本,获得均衡数据集。然后,通过Cat Boost构建基于集成学习框架的基分类器,并针对Cat Boost模型分类性能受其初始参数影响大、参数选择不正确后易发生过拟合或欠拟合现象,引入CS优化其初始参数,进一步提高其分类性能。实验结果表明,在小样本不均衡条件下所提出的SMOTE-CS-Cat Boost模型相比其他方法故障诊断精度明显提升,可准确判别变压器故障信息。