基于集成SAO优化互相关熵极限学习机模型的变压器故障诊断方法OA北大核心CSTPCD
针对基于传统机器学习的变压器故障诊断方法在数据不平衡、训练数据集存在离群值等条件下稳健性弱和泛化能力不强等问题,提出一种稳健集成学习模型用于实现电力变压器的高精度故障诊断。首先针对离群值对模型稳健性的影响,将互相关熵损失(correntropy loss,CL)引入极限学习机(extreme learning machine,ELM)框架并应用梯度法获得最优解,以构建稳健学习模型CLELM,并利用雪消融优化器(snow ablation optimizer,SAO)优化CLELM的隐含层权重和偏差,以进一步改进其性能。其次,为了增强模型的泛化能力,将多个SAO-CLELM进行加权融合以构成稳健集成学习模型。最后,针对变压器故障数据集不平衡问题,采用合成少数类过采样技术对数据进行扩充,并应用平衡化后的数据训练集成SAO-CLELM模型以实现故障诊断。在两种故障测试集下对所提集成SAO-CLELM模型的故障诊断性能进行了验证,实验结果表明所提模型能获得准确的故障分类结果,说明其具有较高的稳健性和泛化性。
孙世明;岑红星;白建民;冯雪松;焦昆;马文涛;
南瑞集团有限公司(国网电力科学研究院有限公司),南京211106 国电南瑞南京控制系统有限公司,南京211106 国电南瑞科技股份有限公司,南京211106 电网运行风险防御技术与装备全国重点实验室,南京211106南瑞集团有限公司(国网电力科学研究院有限公司),南京211106 国电南瑞科技股份有限公司,南京211106西安理工大学电气工程学院,西安710054
动力与电气工程
电力变压器故障诊断集成学习极限学习机互相关熵损失雪消融优化器
《电测与仪表》 2024 (009)
P.56-64 / 9
国家自然科学基金资助项目(61976175);南瑞集团科技项目(524609220134)。
评论