基于电阻统计特征与机器学习的电气故障分类方法

《Scientific Reports》：A hybrid approach for early fault prediction based on resistance behavior and machine learning

　　

摘要

在电力系统的早期阶段进行故障检测，对于确保高运行效率、可靠性和成本效益至关重要，因为它能够防止系统出现意外故障。然而，仅基于原始电压和电流测量值的传统故障诊断技术可能对测量噪声和运行条件的变化较为敏感。为解决这一问题，本文提出了一种将基于电阻的统计特征工程框架与机器学习相结合的电气故障分类方法。利用从电压和电流测量值中推导出的分相电阻来提取统计特征，包括均值、最大值、最小值、标准差和范围。所提取的特征使用六种机器学习分类器进行评估：随机森林（RF）、极端梯度提升（XGBoost）、CatBoost、支持向量机（SVM）、逻辑回归（LR）和K近邻（KNN）。所提出的框架在两个数据集上进行了评估：来自Kaggle的电气故障检测与分类数据集和来自Mendeley Data的混合电气故障检测数据集（真实+合成）。采用80:20的训练-测试划分比例，随机森林在Kaggle数据集上取得了97.75%的最高准确率，在混合电气故障检测数据集上取得了95.82%的准确率。结果表明，基于电阻的统计特征提供了可解释且计算高效的表示方法，可在不同数据集上实现可靠的电气故障诊断。所提出的框架还进一步展示了其在预测性维护和智能电气故障监控方面的潜力。