基于集成树模型与SHAP解释的电力变压器溶解气体分析故障诊断研究

《Applied Sciences》：A Unified and Interpretable Benchmark of Classification Models for DGA-Based Power Transformer Fault Diagnosis

　　电力变压器是电力系统传输和分配系统中最关键的组件之一，意外故障会导致重大经济损失和长时间停电。溶解气体分析（DGA）是最常用于变压器故障诊断的技术，涉及对绝缘油中溶解气体的解读。然而，传统的解释方法，如Rogers比率、Doernenburg比率、IEC 60599比率法和Duval三角法，严重依赖专家知识，可能对同一油样产生不一致的诊断，在某些情况下可能无法提供诊断。在这项研究中，使用公开可用的电力变压器故障检测与诊断（FDD）及剩余使用寿命（RUL）数据集和统一的评估协议，对12个分类模型进行了评估。使用准确率、平衡准确率和宏平均F1分数来评估模型性能，同时通过Shapley加性解释（SHAP）分析研究模型的可解释性。结果表明，集成树方法取得了最佳的整体性能。LightGBM和随机森林都达到了0.969的准确率和0.924的宏平均F1分数，而LightGBM进一步取得了0.940的最高平衡准确率。XGBoost在交叉验证下表现出最稳定的性能。SHAP分析揭示，工程化的相对浓度特征，特别是CO/H₂比率和综合气体比率，是故障分类中影响最大的特征之一。这些发现表明，对于这种规模的数据集，结合精心设计的特征的集成树模型为不平衡的基于DGA的故障诊断提供了强大且可解释的性能，突出了基于特征的集成学习对于中小型数据集的有效性。