基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法
【專利摘要】本發(fā)明公開了一種基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，具體按照以下步驟實(shí)施：步驟1，對(duì)利用DGA技術(shù)獲得的五種變壓器油中溶解氣體進(jìn)行數(shù)據(jù)預(yù)處理，并構(gòu)建輸入樣本集，步驟2，利用訓(xùn)練樣本集D’對(duì)Bagging?CART算法進(jìn)行訓(xùn)練，得到一系列CART基分類器，同時(shí)對(duì)待分類樣本進(jìn)行分類，步驟3，采用遺傳算法對(duì)得到的全部E個(gè)CART基分類器進(jìn)行選擇，由于全部CART基分類器中存在相似甚至相同，以及分類性能不好的基分類器，采用遺傳算法選擇出部分性能優(yōu)越，差異性大的基分類器，步驟4，得到待分類樣本的最終分類結(jié)果，即變壓器故障類別。本發(fā)明的方法能以此來(lái)對(duì)變壓器故障狀態(tài)進(jìn)行更為精確有效的判定。
【專利說明】
基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于變壓器在線監(jiān)測(cè)與故障診斷技術(shù)領(lǐng)域，具體設(shè)及一種基于遺傳算法優(yōu) 化裝袋算法的電力變壓器故障診斷方法。
【背景技術(shù)】
[0002] 電力系統(tǒng)是一個(gè)復(fù)雜且聯(lián)系緊密的系統(tǒng)，各個(gè)環(huán)節(jié)相互依存，互相影響。油浸式大 型變壓器是目前電力系統(tǒng)應(yīng)用最為廣泛的變壓器，是重要的樞紐設(shè)備，在變電和配電環(huán)節(jié) 扮演著重要角色，承擔(dān)著轉(zhuǎn)換電壓等級(jí)、變換交流電能的作用。但由于變壓器內(nèi)部構(gòu)造十分 復(fù)雜，在運(yùn)行過程中，內(nèi)部故障、外部因素 W及老化等都會(huì)造成絕緣油裂解乃至材質(zhì)劣化， 造成變壓器擁痕，給電網(wǎng)運(yùn)行造成嚴(yán)重后果。油浸式變壓器在運(yùn)行時(shí)，絕緣油紙會(huì)裂解產(chǎn)生 各種氣體，運(yùn)些氣體和變壓器狀態(tài)有著相當(dāng)緊密的聯(lián)系。油中溶解氣體分析(Dissolved Gas Analysis,簡(jiǎn)稱DGA)技術(shù)因其科學(xué)合理性成為充油設(shè)備最常用的監(jiān)測(cè)方法，該技術(shù)可 為變壓器故障診斷提供了數(shù)據(jù)基礎(chǔ)。在該技術(shù)的基礎(chǔ)上，衍生出一系列故障診斷方法。目 前，傳統(tǒng)變壓器故障診斷方法存在編碼不全，編碼區(qū)間劃分過于硬性，應(yīng)用時(shí)需要豐富的工 作經(jīng)驗(yàn)等缺陷。而單一智能故障診斷方法存在初始參數(shù)設(shè)定困難，泛化能力較差等問題，審U 約了故障診斷準(zhǔn)確率的提升。因此，對(duì)電力變壓器進(jìn)行深入的故障診斷研究，對(duì)指導(dǎo)變壓器 的運(yùn)行維護(hù)和狀態(tài)檢修具有重要的理論和實(shí)際意義。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是提供一種基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方 法，W此來(lái)對(duì)變壓器故障狀態(tài)進(jìn)行更為精確有效的判定。
[0004] 本發(fā)明所采用的技術(shù)方案是，
[0005] 基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，具體按照W下步驟實(shí) 施：
[0006] 步驟1，對(duì)利用DGA技術(shù)獲得的五種變壓器油中溶解氣體進(jìn)行數(shù)據(jù)預(yù)處理，并構(gòu)建 輸入樣本集，
[0007] 步驟2,利用訓(xùn)練樣本集D'對(duì)Bagging-CART算法進(jìn)行訓(xùn)練，得到一系列CART基分類 器，同時(shí)對(duì)待分類樣本進(jìn)行分類，
[000引步驟3，采用遺傳算法對(duì)步驟2中的到的全部E個(gè)CART基分類器進(jìn)行選擇，由于全部 CART基分類器中存在相似甚至相同，W及分類性能不好的基分類器，采用遺傳算法選擇出 部分性能優(yōu)越，差異性大的基分類器，
[0009] 步驟4,得到待分類樣本的最終分類結(jié)果，即變壓器故障類別。
[0010] 本發(fā)明的特征還在于：
[0011] 步驟1具體按照W下步驟實(shí)施：
[0012] 步驟1.1，將氨氣、甲燒、乙燒、乙締、乙烘運(yùn)五種典型特征氣體的原始含量作為屬 性數(shù)據(jù)，分別記為41、42、43、44、45，心~45都是由多個(gè)屬性值組成的向量，假設(shè)采集了4次數(shù) 據(jù)，貝ljAi= {an ,日21,,aii,,aki}，A2= (ai2,日22,,ai2,,ak2}，A3= (ai3 ,日23,,ai3,, 曰k3 } , A4 二{曰14 ,日24 ,...,化4 ,...,曰k4 } , A己二{曰]_己,a化,...,曰i己,...,曰kS },
[001 ；3 ]設(shè)Xi = {ail, ai2, ai3, ai4，ai日訪其中第i個(gè)樣本中的屬性集，
[0014] 則相對(duì)應(yīng)的變壓器故障類型記為yi，yieY=化，Υ2，···，Υη}，
[001引那么原始樣本集為D={(xi,yl) ,(X2，y2)，...，（Xi，yi)，...，（Xk，yk)}，其中（Xi，yi)代 表一個(gè)樣本.
[0016]步驟1.2,對(duì)原始屬性數(shù)據(jù)XI按式（1)進(jìn)行最小最大規(guī)范化處理，將原始屬性值映 射到[(U]區(qū)間，
[001 7] dnew二（dor-cUin)/(cUax-cUin) (1)
[0018]其中，cU是原始數(shù)據(jù)，dmin是原始數(shù)據(jù)中的最小值，cUx是原始數(shù)據(jù)中的最大值，dnew 為歸一化后的數(shù)據(jù)，經(jīng)歸一化后的屬性集為Bi = {bil,bi2，bi3，bi4，bi5};
[0019] 步驟1.3,對(duì)歸一化后的屬性數(shù)據(jù)Xi'進(jìn)行維規(guī)約處理，使Cii = bi2/bii，Ci2 = bi4/ bi3，Ci3 = bi日/bi4使原始數(shù)據(jù)由5維降至3維，Ci = kii，Ci2，Ci3 }為經(jīng)步驟1 .巧P步驟1.2兩步數(shù) 據(jù)預(yù)處理后的屬性集。
[0020] 貝ij算法的新樣本集知)' = {(Ci，yi)，（C2，y2)，...，（Ci，yi)，...，（Ck，yk)};
[0021] 步驟1.4，將新的樣本集D '作為算法的訓(xùn)練樣本集，X = {ai，日2，日3，日4，日日}為經(jīng)過步 驟1.2和步驟1.3處理后的待分類樣本。
[0022] 步驟2具體按照W下步驟實(shí)施：
[0023] 步驟2.1，Bagging算法參數(shù)初始化，Bagging算法只有一個(gè)參數(shù)需要事先設(shè)定，即 迭代次數(shù)。設(shè)迭代次數(shù)為E化為正整數(shù)），初始化迭代次數(shù)t = l;
[0024] 步驟2.2，由D '經(jīng)重采樣技術(shù)得到第t次迭代所需的訓(xùn)練樣本集dt; t表示第t次迭 代；
[0025] 步驟2.3,采用dt構(gòu)建一個(gè)CART基分類器h(t)，具體步驟如下：
[00%]步驟2.4，判斷迭代次數(shù)t是否小于E，
[0027] 若*祐，則t = t+1，重復(fù)步驟2.2和步驟2.3;
[002引若。E，則停止迭代，得至化個(gè)CART基分類器{Ii，12，…，It，…，Ie}。
[0029] 步驟2.5，采用E個(gè)CART基分類器對(duì)待分類樣本X = {ai，日2，日3，日4，日日}進(jìn)行分類。
[0030] 步驟2.3具體按照W下步驟實(shí)施，
[0031 ]步驟2.3.1，設(shè)訓(xùn)練樣本集dt包含m個(gè)類別，即m個(gè)變壓器的狀態(tài)類型，則Gini指數(shù) 的計(jì)算式為：
[0032]
(2)
[0033] 其中，表示節(jié)點(diǎn)N處屬于類別j(jem)的樣本數(shù)占總樣本數(shù)的比重；
[0034] 步驟2.3.2，Gini指數(shù)需要考慮Ai~As每個(gè)屬性的二元?jiǎng)澐?，假定某個(gè)屬性A的二元 劃分將dt劃分成dtL和dtR，則此次在節(jié)點(diǎn)N處W某屬性A劃分樣本集dt的Gini指數(shù)改變量為：
[0035]
C3)
[0036] 其中，N是分裂節(jié)點(diǎn)；|dtL|/d康示節(jié)點(diǎn)N中左分支樣本數(shù)占總數(shù)的比例，|dtR|/d康 示節(jié)點(diǎn)N中右分支樣本數(shù)占總數(shù)的比例;G(化)和G(Nr)分別表示分裂后左右分支節(jié)點(diǎn)的Gini 指數(shù)。
[0037] 步驟2.3.3,對(duì)Ai~As每個(gè)屬性，考慮所有可能的二元?jiǎng)澐?，均按?2)和式(3)計(jì)算 Gini指數(shù)改變量，選擇Gini指數(shù)改變量最小的屬性Af (f = 1，2，3，4，5)作為節(jié)點(diǎn)N的分裂屬 性，產(chǎn)生最小Gini指數(shù)改變量的子集作為分裂子集。按照此規(guī)則，W訓(xùn)練樣本集dt作為根節(jié) 點(diǎn)，由上至下不斷分裂，在滿足下述條件之一時(shí)停止建樹:①所有葉節(jié)點(diǎn)中的樣本數(shù)為1;② 所有葉節(jié)點(diǎn)中的樣本屬于同一類。至此，整棵分類回歸樹生長(zhǎng)完成，得到一個(gè)CART基分類 器。
[0038] 步驟2.5具體按照W下步驟實(shí)施：
[0039] 步驟2.5.1，在待分類樣本X中的五個(gè)屬性ai~as中尋找和分類回歸樹的根節(jié)點(diǎn)屬 性相同的屬性；
[0040] 步驟2.5.2,按照已經(jīng)生成的分類回歸樹中的規(guī)則，尋找該屬性處同根節(jié)點(diǎn)相同的 屬性值，判斷待分類樣本屬于左右哪一分支子集，尋找到下一子節(jié)點(diǎn)，進(jìn)而繼續(xù)進(jìn)行屬性匹 配；
[0041] 步驟2.5.3,通過CART分類回歸樹自頂向下，逐層查找，得出最終的變壓器故障診 斷結(jié)果即得出故障類別；
[0042] 步驟2.5.4，重復(fù)進(jìn)行步驟2.5.1至步驟2.5.3，得到對(duì)應(yīng)于待分類樣本的E個(gè)故障 類別，設(shè)運(yùn)E個(gè)故障類別表示為F=化，f2，…，托}。
[0043] 步驟3具體按照W下步驟實(shí)施，
[0044] 步驟3.1，設(shè)置遺傳算法編碼長(zhǎng)度為固定值E，設(shè)定群體規(guī)模GpDp_size，交叉概率 Gcross_rate ? 變異概率Gmutate_rate，終止代數(shù)S ;
[0045] 步驟3.2,使用二進(jìn)制編碼方式全部基分類器進(jìn)行編碼，每個(gè)基分類器相當(dāng)于等位 基因，對(duì)應(yīng)編碼值0或者1，基因值為1表示該基分類器被選中，基因值為0表示基分類器未被 選中，不同的二進(jìn)制基因編碼串表示不同的個(gè)體，共有r = 2E個(gè)體組成群體Q={qi，q2，···， Qi，...，屯}
[0046] 步驟3.3,對(duì)個(gè)體qi進(jìn)行適應(yīng)度評(píng)價(jià)。由于需要選擇出一種基分類器組合使最終的 強(qiáng)分類器泛化性能最優(yōu)，因此，可W將最終的強(qiáng)分類器的十折交叉驗(yàn)證準(zhǔn)確度作為適應(yīng)度 評(píng)價(jià)函數(shù)，
[0047] 步驟3.4,對(duì)群體Q進(jìn)行選擇操作。采用輪盤賭算子進(jìn)行選擇運(yùn)算，使適應(yīng)性強(qiáng)的個(gè) 體W-個(gè)較高的概率為下一代貢獻(xiàn)1個(gè)或多個(gè)后代。但是由于運(yùn)種選擇具有隨機(jī)性，在選擇 的過程中可能會(huì)丟失比較好的個(gè)體，所W同時(shí)使用精英機(jī)制，將前代最優(yōu)個(gè)體直接選到下 一代中；
[0048] 步驟3.5,對(duì)群體Q進(jìn)行交叉操作。采用交叉算子產(chǎn)生新個(gè)體。本文采用單點(diǎn)交叉算 子將上述通過選擇運(yùn)算得到的個(gè)體W隨機(jī)方式配對(duì)，然后隨機(jī)選擇交叉位置，已配對(duì)的染 色體互相交換交叉位置W后二進(jìn)制基因串（包括交叉位置）。交叉運(yùn)算是產(chǎn)生新個(gè)體的主要 方法；
[0049] 步驟3.6,對(duì)群體Q進(jìn)行變異操作。利用變異算子產(chǎn)生新個(gè)體。本文采用單點(diǎn)變異算 子，隨機(jī)選擇變異個(gè)體，再隨機(jī)選擇變異位置，對(duì)該位置的二進(jìn)制數(shù)字進(jìn)行變異，也就是1變 成0，0變成1。變異運(yùn)算是產(chǎn)生新個(gè)體的輔助方法；
[0050] 步驟3.7，循環(huán)進(jìn)行步驟3.3至步驟3.6，直到達(dá)到預(yù)設(shè)的終止迭代數(shù)S;
[0051 ]步驟3.8，對(duì)群體Q中所有個(gè)體的適應(yīng)度值進(jìn)行排序，選擇適應(yīng)度值最大的個(gè)體作 為最優(yōu)個(gè)體qbest，即就是最佳基分類器組合。
[0052] 步驟3.3具體實(shí)施步驟如下：
[0053] 步驟3.3.1，將訓(xùn)練集D'平均分成10份，每一份都包含所有變壓器故障類別，運(yùn)10 份樣本集分別為D'i，D'2,…，D'lo;
[0054] 步驟3.3.2，把D ' 1，D ' 2，…，D ' 9作為適應(yīng)度評(píng)價(jià)階段的訓(xùn)練樣本集Dtr = {D ' 1，D ' 2，…，D ' 9 }，剩下的一份D ' 10作為適應(yīng)度評(píng)價(jià)階段的驗(yàn)證樣本集Dval = D ' 10 ;
[0055] 步驟3.3.3, WDtr代替步驟2中的D'執(zhí)行步驟2中的（1)~(4)，得到適應(yīng)度評(píng)價(jià)階段 Ega=E個(gè)CART基分類器{： Ji，J2，…，Jt，…，化};
[0化6] 步驟3.3.4,在Ega個(gè)基分類器中選擇出編碼為1的CART基分類器對(duì)驗(yàn)證樣本集Dval 進(jìn)行分類，并對(duì)分類結(jié)果進(jìn)行多數(shù)投票集成，最終的變壓器故障診斷結(jié)果為：
[0057]
(4)
[005引其中1( ·)是一個(gè)指標(biāo)函數(shù)，當(dāng)括號(hào)內(nèi)為真，則I為1，反之為0;h(t)為第t個(gè)基分類 器的分類結(jié)果；
[0059] 步驟3.3.5，再把D'9作為適應(yīng)度評(píng)價(jià)階段的驗(yàn)證樣本集Dval = D'9，剩下的九份作為 適應(yīng)度評(píng)價(jià)階段的訓(xùn)練樣本集Dvai = D'i〇,再次執(zhí)行步驟3.3.3至步驟3.3.4,循環(huán)10次，每份 樣本集輪流作為驗(yàn)證集。其實(shí)就是把D ' 1到D ' 9輪流執(zhí)行一次步驟3.3.3和3.3.4;
[0060] 步驟3.3.6,對(duì)當(dāng)前個(gè)體qi進(jìn)行適應(yīng)度評(píng)價(jià)，W最終的強(qiáng)分類器的十折交叉驗(yàn)證準(zhǔn) 確度作為適應(yīng)度評(píng)價(jià)函數(shù)，定義如下：
[0061 ]
(5)
[0062] 其中，e為交叉驗(yàn)證時(shí)每份數(shù)據(jù)集所包含的樣本數(shù)，出神日5^分別為第j份樣本集中 第i個(gè)驗(yàn)證樣本的集成預(yù)測(cè)故障類別和實(shí)際變壓器故障類別。f表示個(gè)體qi的值。
[0063] 步驟4具體為：
[0064] 根據(jù)最優(yōu)個(gè)體qbest的編碼，選出和編碼值1相對(duì)應(yīng)的部分CART基分類器進(jìn)行集成， 得到最終的強(qiáng)分類器并對(duì)待分類樣本進(jìn)行故障類別判斷。根據(jù)選出的最優(yōu)個(gè)體qbest的二進(jìn) 制編碼串，選擇出編碼為1的CART基分類器，對(duì)應(yīng)步驟2中的2.5.4的待分類樣本分類結(jié)果F = {fl，f2，…，托}，將選擇出的基分類器的對(duì)應(yīng)分類結(jié)果G={G(l)，G(2)，…，G(z-l)，G(z)} eF進(jìn)行最終的集成，集成方式仍采用式(3)所示的多數(shù)投票方式，得到待分類樣本的最終 分類結(jié)果，即變壓器故障類別。
[0065] 本發(fā)明的有益效果是：本發(fā)明的方法考慮到變壓器故障診斷的實(shí)質(zhì)是多分類問 題，W油中溶解氣體分析(Dissolved Gas Analysis,簡(jiǎn)稱DGA)技術(shù)為基礎(chǔ)，由于單一分類 回歸樹(Classification and Regression Trees,簡(jiǎn)稱CART)算法的故障診斷準(zhǔn)確度不高， 將CART算法作為基分類器，采用裝袋(Bagging)算法對(duì)CART算法進(jìn)行集成，從而提高單一 CART算法的準(zhǔn)確度。但是考慮到在集成過程中會(huì)產(chǎn)生相似甚至相同的基分類器，降低了基 分類器之間的差異性，影響最終強(qiáng)分類器的泛化能力，故進(jìn)一步采用遺傳算法(Genetic Algorithm,簡(jiǎn)稱GA)作為一種全局尋優(yōu)算法，從全部基分類器中選擇出最優(yōu)的部分基分類 器進(jìn)行集成，即選擇性集成，w此提高變壓器的故障診斷準(zhǔn)確度。
【附圖說明】
[0066] 圖1是本發(fā)明基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法的整體流程 圖；
[0067] 圖2是本發(fā)明的基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法中 Bagging-CART算法流程圖；
[0068] 圖3是本發(fā)明的基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法中使用的 CART基分類器模型示意圖。
【具體實(shí)施方式】
[0069] 下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明進(jìn)行詳細(xì)說明。
[0070] 本發(fā)明基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，W油中溶解氣體 分析(Dissolved Gas AnalysiS，簡(jiǎn)稱DGA)技術(shù)獲得的五種油中溶解氣體:氨氣化2)、甲燒 (CH4 )、乙燒（C2H6 )、乙締（C2H4)、乙烘（C2H2)作為方法的輸入屬性，將分類回歸樹 (Classification and Regression Trees,簡(jiǎn)稱CART)算法作為基分類器，采用裝袋 (Bagging)算法對(duì)CART算法進(jìn)行集成，得到裝袋分類回歸樹組合(Bagging-CART)算法，再采 用遺傳算法(Genetic Algorithm,簡(jiǎn)稱GA)對(duì)Bagging-CART算法進(jìn)行優(yōu)化，GA優(yōu)化Bagging- CART算法變壓器故障診斷模型如附圖1，具體按照W下步驟實(shí)施：
[0071] 步驟1，對(duì)利用DGA技術(shù)獲得的五種變壓器油中溶解氣體進(jìn)行數(shù)據(jù)預(yù)處理，并構(gòu)建 輸入樣本集，具體步驟如下：
[00巧步驟1.1，將氨氣化）、甲燒(邸4)、乙燒(C2此）、乙締侶出）、乙烘(C2出)運(yùn)五種典型 特征氣體的原始含量作為屬性數(shù)據(jù)，分別記為41、42、43、44、45,41~45都是由多個(gè)屬性值組 成的向量，假設(shè)采集了k次數(shù)據(jù)，則Ai = {曰11，曰21，…，ail,…，aki}，A2 = {曰12，曰22,…，ai2,…， 曰 k2 } 'As二{曰13,日23,...,曰曰 k3 } ,A4 二{曰14,日24,...,曰曰 k*} ,As= {曰化,曰化,曰：?5,..., 祉已}，
[007；3]設(shè)Xi= {曰。沖2沖3，曰14，曰巧}為其中第：[個(gè)樣本中的屬性集，
[0074] 則相對(duì)應(yīng)的變壓器故障類型記為yi，yieY=化，Υ2，···，Υη}，
[007引那么原始樣本集為D= {(xi，yi)，（X2，y2)，…，（xi，yi)，…，（xk，yk)}，其中（xi，yi)代 表一個(gè)樣本.
[0076] 步驟1.2,對(duì)原始屬性數(shù)據(jù)XI按式（1)進(jìn)行最小最大規(guī)范化處理，將原始屬性值映 射到[(U]區(qū)間，
[0077] dnew二(dor-cUin)/(cUax-cUin) (1)
[0078] 其中，CU是原始數(shù)據(jù)，cUin是原始數(shù)據(jù)中的最小值，cUx是原始數(shù)據(jù)中的最大值，dnew 為歸一化后的數(shù)據(jù)，經(jīng)歸一化后的屬性集為Bi = {bil,bi2，bi3，bi4，bi5};
[0079] 步驟1.3,對(duì)歸一化后的屬性數(shù)據(jù)Xi'進(jìn)行維規(guī)約處理，使Cii = bi2/bii，Ci2 = bi4/ bi3，Ci3 = bi日/bi4使原始數(shù)據(jù)由5維降至3維，Ci = kii，Ci2，Ci3 }為經(jīng)步驟1 .巧P步驟1.2兩步數(shù) 據(jù)預(yù)處理后的屬性集。
[0080] 貝ij算法的新樣本集為D' = {(Ci，yi)，（C2，y2)，···，（Ci，yi)，…，（Ck，yk)};
[0081 ]步驟1.4，將新的樣本集D '作為算法的訓(xùn)練樣本集，X = {ai，日2，日3，日4，日日}為經(jīng)過步 驟1.2和步驟1.3處理后的待分類樣本。
[0082]步驟2,利用訓(xùn)練樣本集D'對(duì)Bagging-CART算法進(jìn)行訓(xùn)練，得到一系列CART基分類 器，同時(shí)對(duì)待分類樣本進(jìn)行分類，方法的流程圖如附圖2所示，具體實(shí)施步驟如下：
[0083]步驟2.1，Bagging算法參數(shù)初始化，Bagging算法只有一個(gè)參數(shù)需要事先設(shè)定，即 迭代次數(shù)。設(shè)迭代次數(shù)為E化為正整數(shù)），初始化迭代次數(shù)t = l;
[0084] 步驟2.2，由D '經(jīng)重采樣技術(shù)得到第t次迭代所需的訓(xùn)練樣本集dt; t表示第t次迭 代；
[0085] 步驟2.3，采用dt構(gòu)建一個(gè)CART基分類器h(t)，具體步驟如下：
[0086] 步驟2.3.1，設(shè)訓(xùn)練樣本集dt包含m個(gè)類別，即m個(gè)變壓器的狀態(tài)類型，則Gini指數(shù) 的計(jì)算式為：
[0087]
(2)
[008引其中嘶表示節(jié)點(diǎn)N處屬于類別j(jem)的樣本數(shù)占總樣本數(shù)的比重；
[0089] 步驟2.3.2，Gini指數(shù)需要考慮Ai~As每個(gè)屬性的二元?jiǎng)澐?，假定某個(gè)屬性A的二元 劃分將dt劃分成dtL和dtR，則此次在節(jié)點(diǎn)N處W某屬性A劃分樣本集dt的Gini指數(shù)改變量為：
[0090]
(3)
[0091] 其中，N是分裂節(jié)點(diǎn)；|dtL|/d康示節(jié)點(diǎn)N中左分支樣本數(shù)占總數(shù)的比例，|dtR|/d康 示節(jié)點(diǎn)N中右分支樣本數(shù)占總數(shù)的比例;G(化)和G(Nr)分別表示分裂后左右分支節(jié)點(diǎn)的Gini 指數(shù)。
[0092] 步驟2.3.3,對(duì)Ai~As每個(gè)屬性，考慮所有可能的二元?jiǎng)澐?，均按?2)和式(3)計(jì)算 Gini指數(shù)改變量，選擇Gini指數(shù)改變量最小的屬性Af(f= 1，2，3，4，5)作為節(jié)點(diǎn)N的分裂屬 性，產(chǎn)生最小Gini指數(shù)改變量的子集作為分裂子集。按照此規(guī)則，W訓(xùn)練樣本集dt作為根節(jié) 點(diǎn)，由上至下不斷分裂，在滿足下述條件之一時(shí)停止建樹:①所有葉節(jié)點(diǎn)中的樣本數(shù)為1;② 所有葉節(jié)點(diǎn)中的樣本屬于同一類。至此，整棵分類回歸樹生長(zhǎng)完成，得到一個(gè)CART基分類 器，CART基分類器模型如附圖3所示；
[0093] 步驟2.4，判斷迭代次數(shù)t是否小于E，
[0094] 若*祐，則t = t+1，重復(fù)步驟2.2和步驟2.3;
[009引若。E，則停止迭代，得至化個(gè)CART基分類器{Ii，12，…，It，…，Ie}。
[0096] 步驟2.5，采用E個(gè)CART基分類器對(duì)待分類樣本X = {ai，日2，日3，日4，日日}進(jìn)行分類，具體 按照W下步驟實(shí)施：
[0097] 步驟2.5.1，在待分類樣本X中的五個(gè)屬性ai~as中尋找和分類回歸樹的根節(jié)點(diǎn)屬 性相同的屬性；
[0098] 步驟2.5.2,按照已經(jīng)生成的分類回歸樹中的規(guī)則，尋找該屬性處同根節(jié)點(diǎn)相同的 屬性值，判斷待分類樣本屬于左右哪一分支子集，尋找到下一子節(jié)點(diǎn)，進(jìn)而繼續(xù)進(jìn)行屬性匹 配；
[0099] 步驟2.5.3,通過CART分類回歸樹自頂向下，逐層查找，得出最終的變壓器故障診 斷結(jié)果即得出故障類別；
[0100] 步驟2.5.4，重復(fù)進(jìn)行步驟2.5.1至步驟2.5.3，得到對(duì)應(yīng)于待分類樣本的E個(gè)故障 類別，設(shè)運(yùn)E個(gè)故障類別表示為F=化，f2，…，托};
[0101] 步驟3,采用遺傳算法對(duì)步驟2.4中的到的全部E個(gè)CART基分類器進(jìn)行選擇，由于全 部CART基分類器中存在相似甚至相同，W及分類性能不好的基分類器，采用遺傳算法選擇 出部分性能優(yōu)越，差異性大的基分類器，具體步驟如下：
[0102] 步驟3.1，設(shè)置遺傳算法編碼長(zhǎng)度為固定值E，設(shè)定群體規(guī)模GpDp_size，交叉概率 Gcross_rate ? 變異概率Gmutate_rate，終止代數(shù)S ;
[0103] 步驟3.2,使用二進(jìn)制編碼方式全部基分類器進(jìn)行編碼，每個(gè)基分類器相當(dāng)于等位 基因，對(duì)應(yīng)編碼值0或者1，基因值為1表示該基分類器被選中，基因值為0表示基分類器未被 選中，不同的二進(jìn)制基因編碼串表示不同的個(gè)體，共有r = 2E個(gè)體組成群體Q={qi，q2，···， Qi，...，屯}
[0104] 步驟3.3,對(duì)個(gè)體qi進(jìn)行適應(yīng)度評(píng)價(jià)。由于需要選擇出一種基分類器組合使最終的 強(qiáng)分類器泛化性能最優(yōu)，因此，可W將最終的強(qiáng)分類器的十折交叉驗(yàn)證準(zhǔn)確度作為適應(yīng)度 評(píng)價(jià)函數(shù)，具體實(shí)施步驟如下：
[0105] 步驟3.3.1，將訓(xùn)練集D'平均分成10份，每一份都包含所有變壓器故障類別，運(yùn)10 份樣本集分別為D'i，D'2,…，D'lo;
[0106] 步驟3.3.2，把D ' 1，D ' 2，…，D ' 9作為適應(yīng)度評(píng)價(jià)階段的訓(xùn)練樣本集Dtr = {D ' 1，D ' 2，…，D ' 9 }，剩下的一份D ' 10作為適應(yīng)度評(píng)價(jià)階段的驗(yàn)證樣本集Dval = D ' 10 ;
[0107] 步驟3.3.3, WDtr代替步驟2中的D'執(zhí)行步驟2中的（1)~(4)，得到適應(yīng)度評(píng)價(jià)階段 Ega=E個(gè)CART基分類器{： Ji，J2，…，Jt，…，化};
[0108] 步驟3.3.4,在Ega個(gè)基分類器中選擇出編碼為1的CART基分類器對(duì)驗(yàn)證樣本集Dval 進(jìn)行分類，并對(duì)分類結(jié)果進(jìn)行多數(shù)投票集成，最終的變壓器故障診斷結(jié)果為：
[0109]
(4)
[0110] 其中1( ·)是一個(gè)指標(biāo)函數(shù)，當(dāng)括號(hào)內(nèi)為真，則I為1，反之為0;h(t)為第t個(gè)基分類 器的分類結(jié)果。
[0111] 步驟3.3.5，再把D'9作為適應(yīng)度評(píng)價(jià)階段的驗(yàn)證樣本集Dval = D'9，剩下的九份作為 適應(yīng)度評(píng)價(jià)階段的訓(xùn)練樣本集Dval = D ' 10，再次執(zhí)行步驟3.3.3至步驟3.3.4，
[0112] 循環(huán)10次，每份樣本集輪流作為驗(yàn)證集。其實(shí)就是把D'l到D'9輪流執(zhí)行一次步驟 3.3.3和3.3.4
[0113] 步驟3.3.6，對(duì)當(dāng)前個(gè)體qi進(jìn)行適應(yīng)度評(píng)價(jià)，W最終的強(qiáng)分類器的十折交叉驗(yàn)證準(zhǔn) 確度作為適應(yīng)度評(píng)價(jià)函數(shù)，定義如下：
[0114]
巧）
[0115]其中，e為交叉驗(yàn)證時(shí)每份數(shù)據(jù)集所包含的樣本數(shù)，出j和5^分別為第j份樣本集中 第i個(gè)驗(yàn)證樣本的集成預(yù)測(cè)故障類別和實(shí)際變壓器故障類別。f表示個(gè)體qi的值。
[0116]步驟3.4，對(duì)群體Q進(jìn)行選擇操作。采用輪盤賭算子進(jìn)行選擇運(yùn)算，使適應(yīng)性強(qiáng)的個(gè) 體W-個(gè)較高的概率為下一代貢獻(xiàn)1個(gè)或多個(gè)后代。但是由于運(yùn)種選擇具有隨機(jī)性，在選擇 的過程中可能會(huì)丟失比較好的個(gè)體，所w同時(shí)使用精英機(jī)制，將前代最優(yōu)個(gè)體直接選到下 一代中。
[0117] 步驟3.5，對(duì)群體Q進(jìn)行交叉操作。采用交叉算子產(chǎn)生新個(gè)體。本文采用單點(diǎn)交叉算 子將上述通過選擇運(yùn)算得到的個(gè)體W隨機(jī)方式配對(duì)，然后隨機(jī)選擇交叉位置，已配對(duì)的染 色體互相交換交叉位置W后二進(jìn)制基因串（包括交叉位置）。交叉運(yùn)算是產(chǎn)生新個(gè)體的主要 方法。
[0118] 步驟3.6,對(duì)群體Q進(jìn)行變異操作。利用變異算子產(chǎn)生新個(gè)體。本文采用單點(diǎn)變異算 子，隨機(jī)選擇變異個(gè)體，再隨機(jī)選擇變異位置，對(duì)該位置的二進(jìn)制數(shù)字進(jìn)行變異，也就是1變 成0,0變成1。變異運(yùn)算是產(chǎn)生新個(gè)體的輔助方法。
[0119] 步驟3.7，循環(huán)進(jìn)行步驟3.3至步驟3.6，直到達(dá)到預(yù)設(shè)的終止迭代數(shù)S。
[0120] 步驟3.8，對(duì)群體Q中所有個(gè)體的適應(yīng)度值進(jìn)行排序，選擇適應(yīng)度值最大的個(gè)體作 為最優(yōu)個(gè)體qbest，即就是最佳基分類器組合，
[0121] 步驟4,根據(jù)最優(yōu)個(gè)體qbest的編碼，選出和編碼值1相對(duì)應(yīng)的部分CART基分類器進(jìn) 行集成，得到最終的強(qiáng)分類器并對(duì)待分類樣本進(jìn)行故障類別判斷。根據(jù)選出的最優(yōu)個(gè)體 qbest的二進(jìn)制編碼串，選擇出編碼為1的CART基分類器，對(duì)應(yīng)步驟2.5.4中的待分類樣本分 類結(jié)果F={fl，f2，…，fE}，將選擇出的基分類器的對(duì)應(yīng)分類結(jié)果G={Gα)，G(2)，…，G(z- l)，G(z)}eF進(jìn)行最終的集成，集成方式仍采用式(3)所示的多數(shù)投票方式，得到待分類樣 本的最終分類結(jié)果，即變壓器故障類別。
[0122] 本發(fā)明的有益效果是：
[0123] 針對(duì)油浸式電力變壓器故障樣本數(shù)據(jù)為連續(xù)性數(shù)值數(shù)據(jù)的特點(diǎn)，采用CART算法作 為基分類器，無(wú)需對(duì)原始數(shù)據(jù)進(jìn)行離散化，可很好地處理連續(xù)屬性數(shù)據(jù)。
[0124] 利用Bagging算法可W構(gòu)造出高精度的強(qiáng)分類器，其對(duì)基分類器的要求低，只需基 分類器的分類準(zhǔn)確率略大于50%，通過集成分類準(zhǔn)確率低的單一算法，解決了強(qiáng)分類算法 難W獲得的問題，實(shí)現(xiàn)應(yīng)用都相對(duì)簡(jiǎn)單，為工程變壓器故障診斷提供了一種新的思路。
[0125] 對(duì)于Bagging-CART算法中存在的不足，進(jìn)一步采用遺傳算法對(duì)Bagging-CART全集 成算法作選擇性集成優(yōu)化，建立變壓器故障診斷模型。該方法直接對(duì)編碼進(jìn)行操作，無(wú)需解 碼過程，所制定的適應(yīng)度函數(shù)易于理解，可W更好的完成變壓器故障診斷任務(wù)。
【主權(quán)項(xiàng)】
1. 基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，其特征在于，具體按照以 下步驟實(shí)施： 步驟1，對(duì)利用DGA技術(shù)獲得的五種變壓器油中溶解氣體進(jìn)行數(shù)據(jù)預(yù)處理，并構(gòu)建輸入 樣本集， 步驟2，利用訓(xùn)練樣本集D '對(duì)Bagging-CART算法進(jìn)行訓(xùn)練，得到一系列CART基分類器， 同時(shí)對(duì)待分類樣本進(jìn)行分類， 步驟3,采用遺傳算法對(duì)步驟2中的到的全部E個(gè)CART基分類器進(jìn)行選擇，由于全部CART 基分類器中存在相似甚至相同，以及分類性能不好的基分類器，采用遺傳算法選擇出部分 性能優(yōu)越，差異性大的基分類器， 步驟4,得到待分類樣本的最終分類結(jié)果，即變壓器故障類別。2. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，其 特征在于，所述的步驟1具體按照以下步驟實(shí)施： 步驟1.1，將氫氣、甲烷、乙烷、乙烯、乙炔這五種典型特征氣體的原始含量作為屬性數(shù) 據(jù)，分別記為^、如、知^4、心，^~&都是由多個(gè)屬性值組成的向量，假設(shè)采集了1^欠數(shù)據(jù)，則 Ai = {an，a2i，…，aii，…，aki}，A2 = {ai2，a22，…，ai2，…，ak2}，A3 = {ai3，a23，…，ai3，…，ak3}，A4 ={ai4, a24, · · ·, ai4, , ak4}, As = {ais, a25, · · ·, ai5, , ak5}, 設(shè)Xi = {an，ai2，ai3，ai4，ai5}為其中第i個(gè)樣本中的屬性集， 貝1J相對(duì)應(yīng)的變壓器故障類型記為· ·，Υη}， 那么原始樣本集為D={(xi，yi)，（X2，y2)，…，（xi，yi)，…，（xk，yk)}，其中（xi，yi)代表一 個(gè)樣本； 步驟1.2,對(duì)原始屬性數(shù)據(jù)^按式（1)進(jìn)行最小最大規(guī)范化處理，將原始屬性值映射到 [〇，1]區(qū)間， dnew-( dor-dmin )/( dmax-dmin ) ( 1 ) 其中，cU是原始數(shù)據(jù)，d_是原始數(shù)據(jù)中的最小值，dmax是原始數(shù)據(jù)中的最大值，cUw為歸 一化后的數(shù)據(jù)，經(jīng)歸一化后的屬性集為Bi = {bil，bi2，bi3，bi4，bi5}; 步驟1.3，對(duì)歸一化后的屬性數(shù)據(jù)Xi '進(jìn)行維規(guī)約處理，使Cil = bi2/bil，Ci2 = bi4/bi3，Ci3 = bl5/bl4使原始數(shù)據(jù)由5維降至3維，(：1={(311，(： 12，(313}為經(jīng)步驟1.1和步驟1.2兩步數(shù)據(jù)預(yù)處 理后的屬性集； 貝1J算法的新樣本集為D' = {(Ci，yi)，（C2，y2)，…，（Ci，yi)，…，（Ck，yk)}; 步驟1.4，將新的樣本集D '作為算法的訓(xùn)練樣本集，X = {ai，a2，a3，ε?4，as}為經(jīng)過步驟1.2 和步驟1.3處理后的待分類樣本。3. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，其 特征在于，所述的步驟2具體按照以下步驟實(shí)施： 步驟2.1，Bagging算法參數(shù)初始化，Bagging算法只有一個(gè)參數(shù)需要事先設(shè)定，即迭代 次數(shù)，設(shè)迭代次數(shù)為E(E為正整數(shù)），初始化迭代次數(shù)t = 1; 步驟2.2，由D '經(jīng)重采樣技術(shù)得到第t次迭代所需的訓(xùn)練樣本集dt; t表示第t次迭代； 步驟2.3，采用dt構(gòu)建一個(gè)CART基分類器h(t)，具體步驟如下： 步驟2.4,判斷迭代次數(shù)t是否小于E， 若t〈E，則t = t+Ι，重復(fù)步驟2.2和步驟2.3; 若t彡E，則停止迭代，得到E個(gè)CART基分類器{h，I2，…，It，…，IE}; 步驟2.5，采用E個(gè)CART基分類器對(duì)待分類樣本X = {m，a2，a3，iu，a5}進(jìn)行分類。4. 根據(jù)權(quán)利要求3所述的基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，其 特征在于，所述的步驟2.3具體按照以下步驟實(shí)施，步驟2.3.1，設(shè)訓(xùn)練樣本集dt包含m個(gè)類別，即m個(gè)變壓器的狀態(tài)類型，則Gini指數(shù)的計(jì)算 式為： (2) 其中，w表示節(jié)點(diǎn)N處屬于類別j(jem)的樣本數(shù)占總樣本數(shù)的比重； 步驟2.3.2，Gini指數(shù)需要考慮Αι~As每個(gè)屬性的二元?jiǎng)澐?，假定某個(gè)屬性A的二元?jiǎng)澐?將dt劃分成ck和dtR，則此次在節(jié)點(diǎn)N處以某屬性A劃分樣本集dt的Gini指數(shù)改變量為：(3) 其中，N是分裂節(jié)點(diǎn)；| dtL |/dt表示節(jié)點(diǎn)N中左分支樣本數(shù)占總數(shù)的比例，| dtR |/dt表示節(jié) 點(diǎn)N中右分支樣本數(shù)占總數(shù)的比例；G(Nl)和G(Nr)分別表示分裂后左右分支節(jié)點(diǎn)的Gini指 數(shù)； 步驟2.3.3，對(duì)心~六5每個(gè)屬性，考慮所有可能的二元?jiǎng)澐郑词?2)和式(3)計(jì)算Gin i 指數(shù)改變量，選擇Gini指數(shù)改變量最小的屬性Af (f=l，2,3,4,5)作為節(jié)點(diǎn)N的分裂屬性，產(chǎn) 生最小Gini指數(shù)改變量的子集作為分裂子集，按照此規(guī)則，以訓(xùn)練樣本集d t作為根節(jié)點(diǎn)，由 上至下不斷分裂，在滿足下述條件之一時(shí)停止建樹:①所有葉節(jié)點(diǎn)中的樣本數(shù)為1;②所有 葉節(jié)點(diǎn)中的樣本屬于同一類，至此，整棵分類回歸樹生長(zhǎng)完成，得到一個(gè)CART基分類器。5. 根據(jù)權(quán)利要求3所述的基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，其 特征在于，所述的步驟2.5具體按照以下步驟實(shí)施： 步驟2.5.1，在待分類樣本X中的五個(gè)屬性ai~a5中尋找和分類回歸樹的根節(jié)點(diǎn)屬性相 同的屬性； 步驟2.5.2,按照已經(jīng)生成的分類回歸樹中的規(guī)則，尋找該屬性處同根節(jié)點(diǎn)相同的屬性 值，判斷待分類樣本屬于左右哪一分支子集，尋找到下一子節(jié)點(diǎn)，進(jìn)而繼續(xù)進(jìn)行屬性匹配； 步驟2.5.3,通過CART分類回歸樹自頂向下，逐層查找，得出最終的變壓器故障診斷結(jié) 果即得出故障類別； 步驟2.5.4，重復(fù)進(jìn)行步驟2.5.1至步驟2.5.3，得到對(duì)應(yīng)于待分類樣本的E個(gè)故障類別， 設(shè)這E個(gè)故障類別表示為F = {f i，f 2，…，ft}。6. 根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，其 特征在于，所述的步驟3具體按照以下步驟實(shí)施， 步驟3.1，設(shè)置遺傳算法編碼長(zhǎng)度為固定值E，設(shè)定群體規(guī)模GPC1P_S1Z(3，交叉概率 Gcross_rate ? 變異概率G mutate_rate ? 終止代數(shù)s; 步驟3.2,使用二進(jìn)制編碼方式全部基分類器進(jìn)行編碼，每個(gè)基分類器相當(dāng)于等位基 因，對(duì)應(yīng)編碼值0或者1，基因值為1表示該基分類器被選中，基因值為0表示基分類器未被選 中，不同的二進(jìn)制基因編碼串表示不同的個(gè)體，共有r = 2E個(gè)體組成群體Q={qi，q2，···， qi,··· ,qr}； 步驟3.3,對(duì)個(gè)體^進(jìn)行適應(yīng)度評(píng)價(jià)，由于需要選擇出一種基分類器組合使最終的強(qiáng)分 類器泛化性能最優(yōu)，因此，可以將最終的強(qiáng)分類器的十折交叉驗(yàn)證準(zhǔn)確度作為適應(yīng)度評(píng)價(jià) 函數(shù)； 步驟3.4，對(duì)群體Q進(jìn)行選擇操作，采用輪盤賭算子進(jìn)行選擇運(yùn)算，使適應(yīng)性強(qiáng)的個(gè)體以 一個(gè)較高的概率為下一代貢獻(xiàn)1個(gè)或多個(gè)后代，但是由于這種選擇具有隨機(jī)性，在選擇的過 程中可能會(huì)丟失比較好的個(gè)體，所以同時(shí)使用精英機(jī)制，將前代最優(yōu)個(gè)體直接選到下一代 中； 步驟3.5，對(duì)群體Q進(jìn)行交叉操作，采用交叉算子產(chǎn)生新個(gè)體，本文采用單點(diǎn)交叉算子將 上述通過選擇運(yùn)算得到的個(gè)體以隨機(jī)方式配對(duì)，然后隨機(jī)選擇交叉位置，已配對(duì)的染色體 互相交換交叉位置以后二進(jìn)制基因串（包括交叉位置），交叉運(yùn)算是產(chǎn)生新個(gè)體的主要方 法； 步驟3.6，對(duì)群體Q進(jìn)行變異操作，利用變異算子產(chǎn)生新個(gè)體，本文采用單點(diǎn)變異算子， 隨機(jī)選擇變異個(gè)體，再隨機(jī)選擇變異位置，對(duì)該位置的二進(jìn)制數(shù)字進(jìn)行變異，也就是1變成 〇，〇變成1，變異運(yùn)算是產(chǎn)生新個(gè)體的輔助方法； 步驟3.7，循環(huán)進(jìn)行步驟3.3至步驟3.6，直到達(dá)到預(yù)設(shè)的終止迭代數(shù)S; 步驟3.8,對(duì)群體Q中所有個(gè)體的適應(yīng)度值進(jìn)行排序，選擇適應(yīng)度值最大的個(gè)體作為最 優(yōu)個(gè)體qbest，即就是最佳基分類器組合。7.根據(jù)權(quán)利要求6所述的基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，其 特征在于，所述的步驟3.3具體實(shí)施步驟如下： 步驟3.3.1，將訓(xùn)練集D'平均分成10份，每一份都包含所有變壓器故障類別，這10份樣 本集分別為D'^D'2,…，D'10; 步驟3.3.2，把D ' i，D ' 2，…，D ' 9作為適應(yīng)度評(píng)價(jià)階段的訓(xùn)練樣本集Dtr '9}，剩下的一份D'1Q作為適應(yīng)度評(píng)價(jià)階段的驗(yàn)證樣本集Dval = D'10; 步驟3.3.3,以Dtr代替步驟2中的D'執(zhí)行步驟2中的（1)~(4)，得到適應(yīng)度評(píng)價(jià)階段Eca= E個(gè)CART基分類器{Ji，J2，…，Jt，…，Je }; 步驟3.3.4,在Ega個(gè)基分類器中選擇出編碼為1的CART基分類器對(duì)驗(yàn)證樣本集Dval進(jìn)行 分類，并對(duì)分類結(jié)果進(jìn)行多數(shù)投票集成，最終的變壓器故障診斷結(jié)果為： ιΕ. II = argmax^/(/7(r) = j·) (4) ye￥ i=i 其中I( ·)是一個(gè)指標(biāo)函數(shù)，當(dāng)括號(hào)內(nèi)為真，則I為1，反之為〇;h(t)為第t個(gè)基分類器的 分類結(jié)果； 步驟3.3.5，再把1)'9作為適應(yīng)度評(píng)價(jià)階段的驗(yàn)證樣本集1)^ = 1)'9，剩下的九份作為適應(yīng) 度評(píng)價(jià)階段的訓(xùn)練樣本集Dval = D'1Q，再次執(zhí)行步驟3.3.3至步驟3.3.4,循環(huán)10次，每份樣本 集輪流作為驗(yàn)證集，其實(shí)就是把D ' ^IjD ' 9輪流執(zhí)行一次步驟3.3.3和3.3.4; 步驟3.3.6，對(duì)當(dāng)前個(gè)體^進(jìn)行適應(yīng)度評(píng)價(jià)，以最終的強(qiáng)分類器的十折交叉驗(yàn)證準(zhǔn)確度 作為適應(yīng)度評(píng)價(jià)函數(shù)，定義如下：及-I1，分".=·、'" 馬?〇:，其他 （5) 其中，e為交叉驗(yàn)證時(shí)每份數(shù)據(jù)集所包含的樣本數(shù)，Hij和yij分別為第j份樣本集中第i個(gè) 驗(yàn)證樣本的集成預(yù)測(cè)故障類別和實(shí)際變壓器故障類別，f表示個(gè)體9:的值。8.根據(jù)權(quán)利要求1所述的基于遺傳算法優(yōu)化裝袋算法的電力變壓器故障診斷方法，其 特征在于，所述的步驟4具體為： 根據(jù)最優(yōu)個(gè)體qbest的編碼，選出和編碼值1相對(duì)應(yīng)的部分CART基分類器進(jìn)行集成，得到 最終的強(qiáng)分類器并對(duì)待分類樣本進(jìn)行故障類別判斷，根據(jù)選出的最優(yōu)個(gè)體qbest的二進(jìn)制編 碼串，選擇出編碼為1的CART基分類器，對(duì)應(yīng)步驟2中的2.5.4的待分類樣本分類結(jié)果F = {&彳2,…，fE}，將選擇出的基分類器的對(duì)應(yīng)分類結(jié)果G= {G(l)，G(2)，…，G(z-l)，G(z)} eF 進(jìn)行最終的集成，集成方式仍采用式(3)所示的多數(shù)投票方式，得到待分類樣本的最終分類 結(jié)果，即變壓器故障類別。
【文檔編號(hào)】G06K9/62GK106067066SQ201610378057
【公開日】2016年11月2日
【申請(qǐng)日】2016年5月31日 公開號(hào)201610378057.4, CN 106067066 A, CN 106067066A, CN 201610378057, CN-A-106067066, CN106067066 A, CN106067066A, CN201610378057, CN201610378057.4
【發(fā)明人】黃新波, 李文君子, 魏雪倩, 徐冠華, 王玉鑫, 吳孟魁
【申請(qǐng)人】西安工程大學(xué)