考慮過采樣器與分類器參數(shù)優(yōu)化的變壓器故障診斷策略

栗 磊，王廷濤，赫嘉楠，牛 健，梁亞波，苗世洪

（1. 國網(wǎng)寧夏電力有限公司電力科學(xué)研究院，寧夏銀川 750002；2. 華中科技大學(xué)電氣與電子工程學(xué)院，湖北武漢 430074）

0 引言

電力變壓器作為連接不同電壓等級的關(guān)鍵設(shè)備，在電力系統(tǒng)的輸、變、配電過程中起到不可替代的作用。因此，準(zhǔn)確掌握變壓器的健康狀態(tài)，尤其是當(dāng)變壓器出現(xiàn)異常或故障后的及時(shí)診斷，對于保障電力系統(tǒng)的安全穩(wěn)定運(yùn)行具有重要意義。

電力變壓器按絕緣介質(zhì)可分為油浸式變壓器、干式變壓器和SF6氣體絕緣變壓器，其中以油浸式變壓器居多。針對油浸式變壓器的故障，傳統(tǒng)方法主要通過分析變壓器油中溶解氣體含量的比值特征進(jìn)行診斷，其代表為IEC 三比值法［1］、立體圖示法［1-2］、大衛(wèi)三角形法［3-4］等。此類方法簡便實(shí)用，但存在準(zhǔn)確率較低、判據(jù)過于絕對等問題。近年來，基于人工智能算法的變壓器故障診斷技術(shù)逐步發(fā)展起來。此類方法通常以變壓器油中溶解氣體含量等作為指標(biāo)，通過大量歷史故障樣本來訓(xùn)練神經(jīng)網(wǎng)絡(luò)［5-6］、極限學(xué)習(xí)機(jī)［7-8］、相關(guān)向量機(jī)［9-10］、支持向量機(jī)（support vector machine，SVM）［11-12］等人工智能模型，使其具有識別變壓器故障類型的能力。與傳統(tǒng)方法相比，人工智能方法在診斷準(zhǔn)確率方面有較大提升。然而，變壓器故障樣本通常具有類間樣本數(shù)量不平衡的問題［13］，當(dāng)采用人工智能方法對不平衡故障樣本進(jìn)行分類時(shí)，分類結(jié)果容易偏向多數(shù)類樣本。

為提高人工智能方法對不平衡樣本的分類性能，可以對樣本進(jìn)行均衡化處理，主要有欠采樣和過采樣2 種思路。……