基于混合集成方法的溶解气体分析在电力变压器故障诊断中的应用：结合SMOTE和GBDT技术

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：A Hybrid Ensemble Approach for Dissolved Gas Analysis-Based Power Transformer Fault Diagnosis Using SMOTE and GBDT

油浸式变压器面临放电-热故障等复杂故障检测难题，传统DGA方法和AI模型因数据不平衡（如罕见故障样本占比<0.3%）导致性能不足。本研究创新性融合SMOTE优化（基于5NN平衡极端不平衡数据，如DT故障仅8组样本）与梯度提升决策树，将2974样本扩展至5152平衡样本，训练/测试准确率达98.56%/98.53%，显著提升复杂故障诊断精度与变压器可靠性。

　　

摘要

油浸式变压器是电力系统中的关键组件；然而，它们面临着诸如放电-热（DT）条件等复杂故障的严重风险，这些故障会威胁到电力系统的安全。溶解气体分析（DGA）通过分析绝缘油中的气体异常来有效检测故障；然而，传统方法（例如Rogers、Duval Triangle）在处理复杂故障模式时表现不佳，而传统的人工智能模型由于数据集不平衡（例如，罕见故障仅出现在不到0.3%的样本中）而存在过拟合和偏差问题。本研究提出了一种混合集成方法，该方法结合了合成少数类过采样技术（SMOTE），并通过使用最近邻算法优化来平衡极端不平衡情况（例如，仅有8个DGA样本的DT故障），以及梯度提升决策树来进行故障分类。与ADASYN和Borderline-SMOTE相比，SMOTE将不平衡的2974个DGA样本数据集扩展到了5152个平衡样本。该方法在5152个平衡样本中的504个验证样本上进行评估，并在独立的409个测试样本数据集上进行了测试，取得了98.56%的训练准确率和98.53%的测试准确率。该方法在诊断复杂故障、减少误诊以及提高变压器可靠性方面表现出色，从而为提升电力系统的维护和可靠性提供了实用的工具。