集成学习框架与知识蒸馏技术及其变压器故障识别的应用OACSTPCD

准确并快速地识别牵引变压器的故障类型是智能化运维的关键技术。针对目前传统算法中存在单一模型偏差以及复杂模型的迭代速率与部署计算资源之间的约束等问题,提出了一种基于Stacking集成学习框架的牵引变压器故障诊断模型,并融入知识蒸馏技术以压缩模型迭代时间来提高模型的计算性能。首先构造了由变压器油中气体指标组成的评估特征向量,然后基于Stacking集成学习框架将单一的Bagging与Boost⁃ing框架算法组合起来,并融入知识蒸馏技术实现对特征向量与故障类型的有效映射。在DGA数据样本中的实际泛化效果表明该方法解决了传统集成模型存在的偏差与方差问题,加快了集成模型的迭代速度,证明了模型的工程应用价值。