近邻成分分析和 k 近邻学习融合的变压器不平衡样本故障诊断

在基于机器学习的电力变压器故障诊断方法中，各故障类别间案例数量不平衡会导致诊断准确率降低。为了提升电力变压器故障诊断模型的准确率及运行效率，构建了融合引入修正因子的近邻成分分析和k近邻学习的故障诊断模型。首先，通过对近邻成分分析算法(neighborhood component analysis, NCA)目标函数引入修正因子减少样本不均衡对模型训练的影响，结合油色谱故障数据通过关联规则得到样本参量相关性量化矩阵，作为NCA算法训练度量矩阵的初值；然后，利用训练得到的度量矩阵对k近邻(k-nearest neighbors, kNN)分类器的输入数据结果进行映射变换，使同类型样本间的距离减小，进而使kNN分类性能提高；最后，用贝叶斯优化算法对模型进行超参数调优，获得能使测试集准确率最高的模型参数集。以变压器故障案例库为对象的算例分析结果表明，提出的模型与传统的机器学习诊断模型相比，用时节省了近一半，且所提模型对少数样本类的诊断准确率相比于其它模型提升了至少15%。论文研究可为电力变压器的故障诊断提供参考。