基于mRMR-RF特征选择和逆距离加权KNN模型的变压器绕组故障诊断新方法

《Algorithms》：A New Method for Diagnosing Transformer Winding Faults Based on mRMR-RF Feature Selection and an Inverse Distance Weighted KNN Model Chenyang Wang, Huan Peng, Zirui Liu, Song Wang, Danyu Li, Fei Xie and Jian Yang

　　

准确提取反映绕组变形状态的频率响应曲线偏差特征，并选择适当的机器学习算法，是基于频率响应分析（FRA）实现绕组变形精确量化诊断的关键。针对变压器绕组故障诊断现存的挑战，包括频率响应数据缺乏系统性特征评估框架以及机器学习模型识别精度有限，研究人员开发了一种新颖的混合特征选择与诊断框架。首先，从实验FRA曲线中提取包含25个数值指标的高维特征池。为消除特征冗余和任意选择，研究人员开发了一种集成最大相关最小冗余（mRMR）与随机森林（RF）的混合机制，以动态构建任务特定的最优特征子集。此外，研究人员引入逆距离加权K近邻（IKNN）模型，通过考虑特征空间距离变化来增强诊断灵敏度。实验室绕组模型获得的实验结果表明，所提出的mRMR-RF-IKNN模型在多项宏观评价指标上显著优于传统和优化基准模型。该研究提供了一种系统化的智能筛选机制，确保了对电力变压器故障类型和严重程度的高精度识别。

**研究背景与问题**
变压器在电力系统中负责电能转换与传输，其可靠运行对电网稳定性至关重要。绕组作为变压器核心部件，易受机械变形影响，是设备故障的主要诱因。频率响应分析（FRA）因其高灵敏度、操作简便和结果可重复性，已成为检测绕组变形的全球公认诊断技术。现有研究可分为两类：一是开发FRA曲线解释算法以增强可解释性，但此类方法无法实现量化诊断；二是通过分析故障前后FRA曲线的特征变化进行故障诊断，例如使用相关系数、欧氏距离等数值指标，或采用人工神经网络（ANN）、支持向量机（SVM）等机器学习模型。然而，现有研究存在以下问题：缺乏对不同数值指标相关性与冗余性的定量分析，导致特征选取任意；研究人员常对不同诊断任务采用统一特征集，忽略了任务特异性，影响分类精度。为此，研究人员将最大相关最小冗余（mRMR）与随机森林（RF）融合，并引入逆距离加权K近邻（IKNN）模型，开发了mRMR-RF-IKNN诊断框架，旨在实现变压器绕组故障类型与严重程度的精确量化诊断。该论文发表于《Algorithms》。

**主要关键技术方法**
研究人员在实验室绕组模型上模拟了四种典型故障（轴向位移AD、自由屈曲FB、盘间距变化DSV、盘间短路SC），并开展FRA测试，构建包含558个样本的数据集。主要技术方法包括：（1）从FRA曲线提取25个常用数值指标（如欧氏距离ED、相关系数CC等）作为高维特征池，并采用最小-最大归一化消除量纲差异；（2）提出mRMR-RF混合特征选择：mRMR算法基于互信息最大化相关性与最小化冗余度，RF算法通过袋外数据（OOB）的平均精度下降（MDA）评估特征重要性，两者经Z-score标准化融合排序，动态生成任务最优特征子集；（3）采用逆距离加权K近邻（IKNN）分类器，对邻近样本按距离倒数赋予权重，增强对样本不平衡问题的鲁棒性，通过十折交叉验证联合优化K值、距离函数及特征数量。

**研究结果**
**2.5.1 基于交叉验证的参数选择**
通过网格搜索与十折交叉验证优化参数。结果显示，对于故障类型识别，采用标准欧氏距离、K=5、前5个最优特征时，mRMR-RF-IKNN模型准确率达98.31%；对于FB故障严重程度诊断，采用曼哈顿距离、K=3、前5个特征时准确率达95.89%。对比传统KNN，mRMR-RF-IKNN在K值变化时更稳健，且特征数量达到一定阈值后准确率趋于稳定，验证了最优特征子集的必要性。不同诊断任务所选特征类型与数量不同（见表3），证明了任务特异性特征选择的必要性。

**2.5.2 故障诊断结果与评估**
在一次测试中，mRMR-RF-IKNN对故障类型识别（AD、FB、DSV、SC）仅错分1个样本；对FB严重程度诊断同样仅错分1个样本，表明模型具有高准确率与稳定性。50次十折交叉验证的平均准确率（表4）显示：DSV严重程度诊断达99.80%，AD达99.13%，故障类型识别与SC诊断均超过97%，FB为95.89%。

**2.5.3 模型性能评估**
采用宏平均精确率、宏平均召回率与宏平均F1-score进行综合评价（表5），三项指标均呈现高值，表明模型在各类别上的分类覆盖度与准确率均衡，整体性能优异。

**2.5.4 与其他算法的比较**
与RF、SSA-RF、KNN、SVM、PSO-SVM等算法（基于相同数据集）比较（表6），mRMR-RF-IKNN在各项诊断任务中准确率均最高。与仅使用mRMR或RF单独进行特征选择的IKNN模型比较（表7），mRMR-RF融合策略在全部五项任务中准确率更高，t检验与Wilcoxon符号秩检验均证实差异具有统计显著性（p<0.01），验证了混合特征选择的有效性。

**总结讨论与结论翻译**
讨论部分指出，尽管所提方法在实验室模型上实现了高精度鲁棒诊断，但其在实际运行变压器上的准确性仍需进一步验证；实验室环境下FRA测量条件受控，而现场测量易受测试引线、接地、铁芯剩磁等因素干扰。未来研究将聚焦于从真实故障变压器绕组收集并构建FRA数据集，并评估不同内外部条件对方法的影响，以及在不同结构和类型变压器上的适用性。

结论：本文提出了一种基于FRA的集成mRMR-RF特征选择与IKNN算法的变压器绕组故障诊断新框架，用于量化识别绕组故障类型与严重程度。该框架避免了特征选取的任意性及对不同诊断目标使用相同特征集的不合理做法，显著减少了冗余特征输入，提高了诊断模型精度。基于实验室绕组模型的实验结果表明，所提模型仅使用少量特征即可获得优越诊断性能。与KNN、SVM、RF、PSO-SVM和SSA-RF相比，所提模型在故障类型识别与严重程度诊断中均获得更高准确率：FB严重程度诊断准确率为95.89%；故障类型分类与SC严重程度诊断准确率均高于97%；AD与DSV严重程度诊断准确率高于99.10%，展现出相对于其他机器学习算法的优势。此外，多项宏平均指标评估结果也表明，该模型在识别绕组故障类型和严重程度时表现卓越。