《Computers and Electrical Engineering》：Power transformer health index assessment: An explainable LightGBM based minority aware learning using SMOTE-ENN hybrid resampling
编辑推荐：
电力变压器是电力系统中昂贵且关键的核心设备。变压器状态的可靠评估是预防性维护策略的基础。变压器状态主要取决于其油绝缘性能，通过在不损害设备完整性或中断运行的情况下采集测试数据，对绝缘进行有效评估可实现早期故障识别、变压器状态评估及可靠性提升。此类数据集通常呈现
电力变压器是电力系统中昂贵且关键的核心设备。变压器状态的可靠评估是预防性维护策略的基础。变压器状态主要取决于其油绝缘性能，通过在不损害设备完整性或中断运行的情况下采集测试数据，对绝缘进行有效评估可实现早期故障识别、变压器状态评估及可靠性提升。此类数据集通常呈现严重的类别不平衡（class imbalance），某些健康状态的代表样本严重不足。该类别不平衡问题导致传统机器学习模型的决策偏向多数类，同时削弱其在早期阶段检测少数类健康状态的能力。为克服上述问题，本研究提出一种面向少数类感知的可解释电力变压器健康指数（Health Index, HI）分类框架，采用LightGBM（Light Gradient Boosting Machine，轻量级梯度提升机）结合混合SMOTE-ENN（Synthetic Minority Oversampling Technique-Edited Nearest Neighbors，合成少数类过采样-编辑最近邻）重采样技术。研究进一步考察了六种重采样方法，包括随机过采样（Random Oversampling）、SMOTE、Borderline-SMOTE、K-Means-SMOTE、CTGAN（Conditional Tabular Generative Adversarial Network，条件表格生成对抗网络）及SMOTE-ENN，以验证其在提升少数类学习方面的有效性。通过应用多种分类模型对各重采样技术生成的数据集进行评估，并采用类别级精确率（precision）、召回率（recall）、F1分数（F1-score）及总体准确率（accuracy）以有效衡量少数类行为。实验结果验证，相较于传统过采样方法，混合重采样通过平衡原始不平衡数据集并去除噪声样本，显著提升了少数类检测能力。应用于SMOTE-ENN生成数据集的LightGBM分类器取得最佳性能，在所有健康状态下达到99%的准确率并实现均衡分类，验证了噪声感知重采样与梯度提升在不平衡变压器数据集中的有效性。为提升透明度，研究进一步对最优LightGBM模型进行可解释性分析，识别关键影响特征，并为少数类检测模式提供清晰洞见。该框架整体上为健康指数评估提供了稳健且可解释的解决方案，支持改进维护规划与资产管理决策。
电力变压器健康指数评估的可解释少数类感知框架：研究背景、方法、结果与结论解读
一、研究背景与问题提出
电力变压器是现代电力系统中的关键且昂贵设备，承担着电压变换以及电能经济、安全传输与分配的重要职能，在发电、输电和配电网络的稳定运行中发挥着核心作用。在智能电网和可再生能源快速发展的背景下，变压器正面临新型负荷条件和环境应力，其运行可持续性成为重要考量因素。高可再生能源网络中变压器的故障可能引发电网停电、维护费用攀升、安全风险增加以及电力网络失稳等一系列严重后果。因此，对变压器进行早期监测和故障预防对于保障不间断供电和整体电网可靠性至关重要。
变压器健康状态的准确评估主要依赖于溶解气体分析（Dissolved Gas Analysis, DGA）和油质评估测试。DGA因其对绝缘系统内部演化故障的敏感性，已成为评估变压器运行期间溶解气体衰减状况的全球性方法；油质测试则用于确定反映绝缘老化和劣化状态的参数，对确定变压器生命周期和剩余使用寿命（Remaining Useful Life, RUL）至关重要。这些诊断手段共同用于计算一组变压器健康指数（Health Index, HI），以综合反映基于各项诊断测试结果的变压器整体健康状况。根据行业标准如IEEE或IEC，变压器通常被划分为不同健康状态等级，包括很好（Very Good, VG）、良好（Good, G）、注意（Caution, C）、较差（Poor, P）和很差（Very Poor, VP）五类。
传统上，变压器健康状态分类采用基于规则的评分方法，即利用专家定义的阈值和诊断参数的加权评分，将各项测试结果与状态分数进行比较，再通过预定义权重因子进行组合。这类方法易于解释和理解，但存在主观性强、依赖具体电力公司经验、难以揭示复杂情况下诊断参数间的非线性关系等局限。此外，传统健康指数方法无法适应大规模数据集和变化的运行条件，导致对不同变压器组的评估精度下降。
为应对上述问题，研究者日益转向基于机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）的分类模型，这类模型能够自动从历史状态监测数据中学习判别性模式，无需预先编程特定规则。然而，实际场景中变压器诊断数据集通常存在严重的类别不平衡问题，即多数健康状态样本占据主导地位，少数健康状态样本严重不足。这种不平衡反映了真实数据采集过程的特点，即数据记录主要来源于变压器维护调查或故障诊断过程。基于此类数据集的机器学习模型往往对多数类过拟合，从而损害少数类状态的检测和分类性能，导致难以及时采取预防措施，增加电力系统运行风险。
尽管近期研究在变压器健康指数评估方面取得了可喜成果，但多数研究主要聚焦于评估单一分类器，对系统性地将不平衡感知学习与可解释性相结合的统一流程关注有限。为填补这一研究空白，本研究提出一个统一框架，系统性地基准测试六种代表性重采样技术与十种ML/DL分类器的组合，以确定不平衡多类健康指数分类中最可靠的模型，并进行全面的可解释性分析以支持维护决策。
二、主要技术方法
研究人员构建了一个统一的不平衡感知多类变压器健康指数分类框架，核心方法包括：采用SMOTE-ENN混合重采样技术处理类别不平衡问题，该方法通过合成少数类过采样生成少数类合成样本，再利用编辑最近邻（ENN）算法作为清洗步骤，过滤与多数最近邻不一致的样本，从而去除重叠和错误标记样本；采用LightGBM分类器进行多类健康指数预测，该模型通过迭代最小化可微损失函数构建决策树加法集成，适合处理结构化诊断数据中的非线性依赖和复杂特征交互；同时系统性地对比六种重采样方法（随机过采样、SMOTE、Borderline-SMOTE、K-Means-SMOTE、CTGAN和SMOTE-ENN）与十种ML/DL分类器的组合性能；最后运用SHAP（Shapley Additive Explanations）分析、置换特征重要性（permutation feature importance）和决策树解释等技术进行可解释性分析，并开展判别分析（discrimination analysis）和收敛性分析（convergence analysis）以全面验证框架的稳健性。
三、研究结果
3.1 重采样方法对比评估
研究人员在统一实验流程下对六种重采样技术生成的数据集进行了系统评估，采用类别级精确率、召回率、F1分数和总体准确率等指标衡量各方法在改善少数类学习方面的有效性。实验结果表明，混合重采样方法SMOTE-ENN通过平衡原始不平衡数据集并去除噪声样本，相较于传统过采样方法显著提升了少数类检测能力。传统过采样方法虽然调整了类别比例，但可能引入噪声或造成数据丢失；而SMOTE-ENN在合成数据生成的基础上增加了噪声去除特性，减少了误分类并提高了类别可分性。
3.2 LightGBM分类性能
将LightGBM分类器应用于SMOTE-ENN生成的数据集后，取得了最佳性能，在所有健康状态下达到99%的准确率并实现均衡分类。这一结果验证了噪声感知重采样与梯度提升相结合在不平衡变压器数据集中的有效性。LightGBM因其对特征异质性的鲁棒性和高效的学习能力，在与其他分类模型的比较中表现突出。
3.3 可解释性分析
为提升模型透明度，研究人员对最优LightGBM模型进行了可解释性分析，通过SHAP分析、置换特征重要性和决策树解释等技术，识别出对健康指数预测贡献最大的关键变压器诊断参数，为少数类检测模式提供了清晰洞见。该分析将模型从黑盒分类扩展为可解释的证据支持决策工具，增强了模型在变压器状态评估和维护决策中的实际适用性。
3.4 判别分析与收敛性分析
除常规分类指标外，研究人员还进行了判别分析和收敛性评估。判别分析检验了不同健康指数类别的可分性，收敛性分析则检查了模型训练期间的学习行为，以确保模型的稳定性和可靠性。这些分析共同增强了对所提方法在真实变压器健康监测中稳健性、稳定性和实用性的信心。
四、讨论与结论
本研究的核心贡献在于开发了一个统一的不平衡感知多类变压器健康指数分类框架，系统性地整合了不平衡感知学习、分类器基准比较和可解释性分析。该框架通过SMOTE-ENN与LightGBM的组合，有效解决了真实变压器数据集中严重的类别不平衡和低可解释性两大挑战。研究不仅关注常规分类指标，还通过类别级指标和判别分析确保模型评估的均衡性和应用导向性，增强了模型在变压器资产健康评估中的实际可靠性。可解释性分析的融入使模型从黑盒分类转变为可解释的决策支持工具，为维护规划和资产管理决策提供了透明依据。
研究结论表明，混合重采样技术SMOTE-ENN结合LightGBM分类器为不平衡变压器健康指数分类提供了稳健且可解释的解决方案。该框架在少数类健康状态检测方面表现优异，达到了99%的准确率，同时通过可解释性分析识别了关键影响特征，为变压器状态评估和预防性维护策略提供了有力支持。该研究为电力变压器健康管理领域提供了一种兼顾性能与可解释性的创新方法，对提升电力系统运行可靠性和优化资产管理决策具有重要意义。
