一种基于夏普利值及油中溶解气体分析的可解释变压器故障诊断方法

相比于三比值等传统方法,基于机器学习算法的变压器故障诊断方法在诊断效率及准确性等方面具有一定的优势,但“黑箱模型”的本质属性决定了其决策过程及诊断结果的不可解释性。针对该问题,该文提出了一种基于油中溶解气体分析的可解释变压器故障诊断方法,采用树形夏普利加法解释(tree Shapely additive explanations,TreeSHAP)方法实现了基于树结构概率密度估计优化极端梯度提升(tree-structured parzen estimator-extreme gradient boosting,TPE-XGBoost)的变压器故障诊断模型的可解释性分析。首先,构建了涵盖油中溶解气体含量、比值及编码等多结构数据的24维故障特征集合,并筛选得到10个有效特征量。其次,提出了基于TPE-XGBoost算法的变压器故障诊断方法,采用树结构概率密度估计完成XGBoost模型的多参数同步优化,实现对故障类型的准确判断。最后,引入TreeSHAP理论开展变压器故障诊断模型的可解释性分析,实现了故障诊断决策过程及其影响因素的可视化,并获取了不同故障类型的关键特征量。研究表明,该文所述变压器故障诊断方法的平均准确率为90.23%,同时可反映特征量对模型决策的影响过程及程度。该方法具有较好的准确性、鲁棒性及可解释性,可为变压器运维检修提供针对性的指导建议。

基于DTW算法和遗传算法的三相不平衡负荷调整

传统的人工调相大多依靠经验和瞬时检测电流进行,存在调相后台区三相平衡不可持续的问题。为此,文中提出了一种基于DTW算法和遗传算法的三相不平衡负荷调整方法。首先,基于电流历史数据用DTW算法计算分析低压台区三相电流之间的相似度,并根据相似度优选适合人工调相的台区;然后,以三相负荷用电量不平衡度最小和负荷调整次数最少为目标函数,建立多目标优化模型,采用向量编码遗传算法求解该模型,得到负荷调整策略;最后,采用文中方法对江西省28个三相不平衡低压台区进行优选,并对优选台区的电流和电量历史数据进行测试,结果表明,负荷调整后的台区三相不平衡时长占比降低了70.68%,可以有效地解决台区三相不平衡问题。