基于优化Focal-XGBoost的变压器状态声振识别模型

受数据样本难以区分和数据平衡性不佳影响,采用声振信号的变压器状态识别模型往往准确率低下。针对这一问题,引入了Focal损失,根据样本训练过程的准确度动态反馈权重,从而构成了Focal-XGBoost优化模型。先通过一组贴合变压器频谱的滤波器充分提取声振信号有效信息,再作XGBoost-PCA筛选降低样本维度。然后采用Focal损失优化原模型中的Softmax目标函数形成Focal-XGBoost模型,并在输入上述样本后根据准确率波动作Focal的超参数优化,进而输出变压器状态识别结果。10 kV和110 kV变压器的试验结果表明,相较传统SVM、KNN等学习模型,Focal-XGBoost减少了XGBoost测试样本中难分样本的误分量44.7%,从而使模型识别准确率更高;此外,非均匀提取在平均精度损失低于0.5%的基础上压缩50%样本空间,进一步降低了模型训练成本。

基于声振特征区分的SMA优化SVM变压器机械松动识别方法

基于梅尔频率倒谱系数(MFCC)提取的声振特征无法清晰描述变压器信号本身能量分布,应用于变压器机械松动识别时存在准确率不高的局限性,因此提出一种优先进行声振特征区分的变压器故障识别方法。首先依据XGBoost贡献指标化结合粗糙集分析区分MFCC特征显隐性:显性特征对状态识别贡献更高;其次,建立以Focal损失为目标的SMA优化模型,并按显隐性为SVM输入设置权重范围;最后,利用优化后的SVM对变压器实测样本进行训练分析。结果表明,该识别方法平均准确率达98.83%,较仅参数优化SVM的识别准确率提高2.48%,且变异波动小。相比PSO、WOA和GOA算法,SMA算法在特征全局优化和损失收敛性上更突出。此外,该方法还具有一定鲁棒性,引入5%干扰样本后准确率下降在0.3%以内,从而在变压器实际运行环境中具有抗干扰价值。