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。