基于溶解气体分析的混合堆叠与投票集成电力变压器故障诊断

《Engineering Science and Technology, an International Journal》：Fault diagnosis in power transformers based on dissolved gas analysis using hybrid stacking and voting ensembles

　　

摘要：尽管机器学习技术能够成功诊断电力变压器故障，但不恰当的合成少数类过采样技术（SMOTE）应用会导致数据泄漏和具有欺骗性的过拟合现象。在本研究中，提出了一种具有高泛化能力且不存在过拟合问题的电力变压器混合机器学习架构。为确保方法论可靠性，数据集被严格划分为经合成平衡处理的训练集（1120个样本）和模型在训练阶段完全未曾见过且完全独立的纯净测试集（280个样本）。基础算法（随机森林（RF）、梯度提升（GB）、极端梯度提升（XGBoost）、k近邻（k-NN）、支持向量机（SVM）和决策树（DT））通过超参数约束和正则化技术进行优化以防止记忆效应；随后将这些模型用于混合投票和混合堆叠方法。实验结果表明，所提出的混合堆叠（DT + k-NN + SVM）模型在完全独立的测试数据上达到了94.29%的高准确率。此外，模型训练性能与测试性能之间的差异仅为5.68%，这为其良好的泛化能力提供了证据，表明该系统未记忆合成数据，能够在真实现场数据中可靠地诊断故障。

基于溶解气体分析的电力变压器故障诊断混合堆叠与投票集成模型研究解读

一、研究背景与问题提出

能源消耗是衡量国家经济与社会发展的关键指标之一。随着能源需求持续增长，以低成本方式从可靠来源生产优质能源并降低生产、传输和分配环节的损耗，成为寻求可持续能源基础设施国家的重要政策方向。在这一过程中，电力变压器作为能量传输中的关键设备，其作用至关重要。电力变压器是一种在不改变交流电频率的情况下转换电流-电压幅值的电气设备，变压器在输电过程中的任何故障都会破坏能源供应的可持续性并造成经济损失。因此，对变压器运行状态进行监测，预防或减少因意外故障导致的停机时间，并在故障发生前进行检测和预防性维护，对于降低重大损失潜力具有重要意义。

油中溶解气体分析（Dissolved Gas Analysis, DGA）是变压器预测性维护中最重要的状态评估方法之一。当电力变压器内部发生故障时，根据故障类型和严重程度不同，变压器油中会生成一氧化碳（CO）、乙烷（C?H?）、乙烯（C?H?）、乙炔（C?H?）、甲烷（CH?）和氢气（H?）等气体。通过对这些气体进行正确分析，可以获得变压器寿命和运行状态的有用信息。传统上，DGA数据通过杜瓦尔三角形法、IEC气体比值法、罗杰斯比值法等方法进行解释，但这些经典方法普遍存在一个共同的局限：比值有时会偏离预期范围或无法得出结果。机器学习算法为DGA数据解读提供了更高精度的替代方案。然而，现有研究在方法论上存在一个重要问题：许多研究在划分训练集和测试集之前就对全部数据应用SMOTE等合成过采样技术，导致数据泄漏和具有欺骗性的过拟合。基于这一背景，本研究旨在通过严格的数据隔离协议和混合集成学习架构，开发一种具有高泛化能力、不受过拟合问题影响的电力变压器故障诊断模型。相关研究成果发表于《Engineering Science and Technology, an International Journal》期刊。

二、主要技术方法概述

本研究利用从实际变压器采集的497个DGA测量数据，涵盖七种故障类别（正常（NL）、局部放电（PD）、低能放电（D1）、高能放电（D2）、低温热故障（T1）、中温热故障（T2）、高温热故障（T3）），每个样本包含九种气体的浓度值（ppm），气体种类包括C?H?、C?H?、C?H?、CH?、CO、CO?、H?、N?、O?。研究严格遵循数据隔离协议，在合成数据生成之前先将原始数据划分为训练集（217个样本）和独立原始测试集（280个样本）。SMOTE仅应用于217个训练样本，将训练集扩展为每个故障类别160个样本，共1120个样本；测试集280个样本（每类40个）保持完全纯净。基础算法包括随机森林（RF）、梯度提升（GB）、极端梯度提升（XGBoost）、决策树（DT）、k近邻（k-NN）和支持向量机（SVM），这些算法通过5折交叉验证（仅在训练数据上）和超参数约束、正则化技术进行优化。随后构建了两种混合投票和两种混合堆叠集成模型，以逻辑回归作为堆叠架构的元学习器。

三、研究结果分析

（一）基础算法与混合架构的性能对比

通过使用精确率、F1分数、训练准确率、测试准确率以及训练-测试准确率差距等评估指标，在完全独立的280个样本测试集上对模型进行综合评价。实验结果表明，单个基础算法的性能表现高度不稳定：k-NN达到93.93%的准确率，而SVM和RF分别仅为51.43%和61.07%，显示出较弱的分类能力。基于树的混合堆叠（RF + GB + XGBoost）模型达到92.86%的准确率，显著提升了RF的基础性能。值得注意的是，混合堆叠（DT + k-NN + SVM）模型成功弥补了DT和SVM各自的弱点，达到了94.29%的最高测试准确率和94.25%的F1分数。

（二）泛化能力与过拟合控制

混合堆叠（DT + k-NN + SVM）模型在训练集上达到近乎完美的99.97%准确率，同时在完全独立的测试集上保持了94.29%的诊断准确率。训练与测试之间的5.68%准确率差距证明严格数据隔离方法的有效性；堆叠架构也将这一差距限制在5.71%。通过重复十次不同模拟的训练过程并绘制带有误差棒的学习曲线，验证了模型性能并非源自随机数据划分。随着训练样本数量增加，所有模型的训练与测试准确率差距缩小，误差棒趋于收紧，表明模型稳定性增强。与表现不佳的SVM和高过拟合倾向的k-NN相比，混合投票和堆叠架构的误差棒明显更小，表明这些混合架构确实有效弥合了训练与测试之间的差距。

（三）混淆矩阵与分类行为分析

四种混合集成设计的混淆矩阵表明，所有模型均具有良好的分类能力。表现最佳的混合堆叠（DT + k-NN + SVM）模型在局部放电（PD）类别中40个测试样本中正确预测39个，在正常（NL）状态下同样正确预测39个，展现了区分健康变压器和作为早期预警信号的局部放电事件的能力。错误分类主要集中在热故障（T1、T2、T3）和低能量放电（D1、D2）的过渡边界附近。这一现象并非算法错误，而是DGA化学特性的物理现实所致：随着变压器绝缘油温度升高，乙烯和甲烷等碳氢化合物的排放特征逐渐趋同，在故障过渡区域出现化学重叠。

（四）多类别ROC曲线验证

采用One-vs-Rest策略计算的多类别ROC曲线表明，所有四种混合架构在所有故障类别上均获得了0.96至1.00之间的极高AUC值。在局部放电（PD）和正常（NL）类别中，几乎所有模型都达到0.99或1.00的AUC值。相比之下，低能放电（D1）和低温热故障（T1）类别中相对较低的AUC值（0.96-0.98）进一步证实了此前混淆矩阵中识别的物理气体排放重叠现象。这些高AUC值从数学上证明，经SMOTE隔离训练的混合模型并未表现出基于记忆的方法，而是深入且一致地学习了每种故障类型的多维化学边界。

四、讨论与结论总结

讨论部分强调，单一的机器学习算法难以捕捉DGA数据中的多维非线性模式，而混合堆叠架构能够有效整合不同算法的互补优势。本研究的一大贡献在于方法论严谨性：在SMOTE处理之前严格保留280个原始现场样本用于最终测试，报告的测试性能完全来自未经合成处理且未参与模型训练或超参数调整的真实现场观测数据。研究还存在一些局限性：测试集规模相对有限（这是电力工程领域固有挑战）；所有样本均来自土耳其特定运行条件下的单一实验室；缺乏详细变压器元数据（特别是额定功率和应用类型），因此无法进行不同变压器功率等级和应用场景的类别特定分析。

研究结论指出，本研究探讨了基于DGA的电力变压器故障诊断混合集成学习模型，特别关注数据隔离和模型泛化问题。为防止合成样本影响最终评估，原始现场数据集在数据平衡之前进行划分，SMOTE仅应用于训练集；模型最终性能使用未参与训练或合成数据生成的280个独立现场样本进行评估。在所有评估模型中，结合DT、k-NN和SVM的混合堆叠架构取得了最佳整体性能，测试准确率为94.29%，F1分数为94.25%。研究结果强调，在评估使用SMOTE开发的机器学习模型时，明确区分合成训练数据与原始测试数据至关重要；同时表明通过堆叠方式组合不同分类器能够为DGA数据集提供有效的故障分类方案。