基于多维特征融合与自适应合成过采样结合经验交换策略优化最小二乘支持向量机的变压器故障诊断方法

《Energies》：Transformer Fault Diagnosis Method Based on Multidimensional Feature Fusion and Self-Adaptive Synthetic Over-Sampling Using a Least Squares Support Vector Machine Optimized by Experience Exchange Strategy

　　

作为电力系统中的关键设备，电力变压器的可靠运行直接关系到电网的整体安全。传统的基于油中溶解气体分析（Dissolved Gas Analysis, DGA）的故障诊断方法通常依赖于单一气体特征，这不可避免地会导致误判，并且精度不足。本文提出了一种将多维特征与智能算法相结合的变压器故障诊断模型。该模型采用油中溶解气体分析中的五种关键气体的体积分数作为基础特征，并进一步引入了由这五种气体导出的三比值编码特征。这两类特征被联合构建成一个多维输入向量。在方法设计上，首先，采用自适应合成过采样（Self-Adaptive Synthetic Over-Sampling, SASYNO）方法来处理样本不平衡问题；其次，利用经验交换策略（Experience Exchange Strategy, EES）优化最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM），从而提升模型的分类性能。实验结果表明，基于多维特征构建的诊断模型在准确性上显著优于传统方法，从而为变压器故障诊断提供了一种有效的新途径。

论文解读文章

研究背景、现存问题与研究意义

电力变压器作为电力系统的核心设备，其稳定运行对整个电网的安全至关重要。然而，长期运行、人为干预及外部环境因素等影响，使得变压器易发生各类故障，可能导致大规模停电甚至安全事故。因此，精确诊断变压器故障具有重要的现实意义。

当前，油中溶解气体分析（Dissolved Gas Analysis, DGA）是评估油浸式变压器运行状态的主流方法。尽管基于DGA的IEC三比值法、罗杰斯比值法等技术在一定程度上提升了诊断精度，但仍面临三大关键问题：第一，依赖单一的DGA数据源难以全面捕捉复杂的故障状态，导致诊断精度的提升遇到瓶颈；第二，实际场景中故障样本分布不均，限制了模型在实际应用中的诊断能力；第三，未经优化的分类算法因参数设置不当，容易在偏差和方差之间失衡，导致模型欠拟合或过拟合，显著降低了对未知样本的故障诊断能力。

为解决上述问题，本研究旨在开发一种集成多维特征融合、样本平衡技术和先进优化算法的变压器故障诊断新方法，以提高诊断的准确性和可靠性，确保电力系统的稳定运行。

主要关键技术方法

研究人员提出了一种基于多维特征融合、自适应合成过采样（Self-Adaptive Synthetic Over-Sampling, SASYNO）和经验交换策略（Experience Exchange Strategy, EES）优化最小二乘支持向量机（Least Squares Support Vector Machine, LSSVM）的变压器故障诊断模型。主要技术方法包括：

1. 1.
   多维特征融合：除了采用五种特征气体（H₂, CH₄, C₂H₆, C₂H₄, C₂H₂）的体积分数外，还引入CH₄/H₂, C₂H₂/C₂H₄, C₂H₄/C₂H₆的三比值编码特征，共同构成八维输入向量。
2. 2.
   自适应合成过采样（SASYNO）：用于解决样本不平衡问题。该方法通过识别少数类样本中的邻近样本对、施加高斯扰动生成外推样本，再进行线性插值，自适应地生成合成样本，有效避免了过拟合和噪声放大。
3. 3.
   经验交换策略（EES）优化LSSVM：利用EES算法自动优化LSSVM的核函数参数g和惩罚因子c。EES通过经验匮乏阶段（ESC）、经验交叉阶段（ECR）和经验共享阶段（ESH）三个阶段动态调整搜索策略，以找到最优参数组合，提升模型性能。

本研究的现场监测数据来源于中国某国家电网变电站，包含952条变压器故障记录。数据预处理后，训练集761个样本，测试集191个样本。

研究结果

• •
  不同数据平衡方法的诊断结果比较
  研究人员将原始数据集与经SASYNO、SMOTE、ADASYN和K-means SMOTE四种算法平衡后的数据集分别输入EES-LSSVM模型进行比较。结果显示，使用原始不平衡数据时，模型诊断效果最差，准确率仅为85.34%。而采用SASYNO方法处理后，模型准确率提升至95.39%，优于其他三种平衡方法。
• •
  不同模型的准确率比较
  为评估所提方法的诊断准确率，研究人员在同一数据集上分别使用BP神经网络、LSSVM、金枪鱼群优化LSSVM（TSO-LSSVM）和EES-LSSVM四种模型进行故障诊断。结果表明，EES-LSSVM模型的测试准确率最高，达到95.29%，比BP神经网络（89.53%）、标准LSSVM（90.58%）和TSO-LSSVM（93.19%）分别高出5.76、4.71和2.1个百分点。五次重复的五折交叉验证实验也证实了EES-LSSVM具有最高的平均准确率和最小的标准差（95.39% ± 0.39%），证明了其优越的性能和稳定性。
• •
  适应度曲线比较
  通过对比四种模型在180次迭代后的适应度曲线，研究发现EES-LSSVM在第42次迭代时收敛到最小的适应度值0.0361，远低于BP神经网络（0.0522）、LSSVM（0.0472）和TSO-LSSVM（0.0490）。这表明EES优化策略具有更快的收敛速度和更高的优化精度。
• •
  混淆矩阵与模型评估
  研究人员通过混淆矩阵和精确率、召回率指标对模型进行了综合评估。结果显示，EES-LSSVM在所有七个故障类别上的召回率均超过90%，其中类别1和类别2达到了完美召回。在精确率方面，EES-LSSVM有五个类别超过90%，对于其他模型表现不佳的类别2、4和5，EES-LSSVM也分别取得了87.0%、87.5%和92.0%的较高精确率。这表明EES-LSSVM能更有效地提取故障特征，减少类间混淆，更好地平衡漏报和误报。

讨论与结论总结

在讨论部分，研究人员指出，该研究通过融合五气体浓度和三比值特征形成八维输入向量，增强了特征的鲁棒性和可解释性。引入SASYNO方法有效解决了样本不平衡问题，并通过其算法设计和LSSVM的正则化特性避免了过拟合风险。同时，研究人员也承认了研究的局限性，包括数据来源单一、未纳入其他比值系统、EES算法计算复杂度可能限制实时应用以及缺乏更精细的显著性检验等，并提出了未来工作方向，如跨区域数据集验证、探索更多样化的特征组合方案和轻量化优化策略等。

研究结论部分翻译如下：

为了解决变压器故障诊断与分类问题，本研究提出了一种基于EES-LSSVM的诊断方法，该方法融合了多维特征并采用了SASYNO样本平衡技术。主要结论总结如下：

(1) 为了提升变压器故障识别的诊断精度，在五种溶解气体浓度的基础上，引入了三比值特征，即CH₄/H₂, C₂H₂/C₂H₄和C₂H₄/C₂H₆。这些综合特征的整合显著提升了相较于仅依赖五种气体浓度的方案的故障识别性能，从而验证了所提出的特征增强方法的可行性与优越性。

(2) SASYNO方法通过邻域样本筛选、高斯扰动和线性插值生成合成样本。这一过程有效地扩展了少数类的决策区域，同时避免了与多数类样本的重叠，从而显著缓解了由数据不平衡引起的分类偏差。

(3) 与反向传播神经网络、标准LSSVM和TSO-LSSVM相比，所提出的EES-LSSVM在准确率上分别提高了5.76、4.71和2.1个百分点。这些结果证明了经验交换策略在参数优化方面的显著优势，并为实际的工程应用提供了有力支持。