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。

基于油中溶解气体特征量筛选的变压器故障诊断方法

油中溶解气体分析对变压器故障预警及诊断具有重要意义。针对油中溶解气体特征量种类众多、故障关联特征分析不足等问题,文中以油浸式变压器为研究对象,提出了基于油中溶解气体特征量筛选的变压器故障诊断方法。首先,对油中溶解气体的原始特征量进行特征衍生,通过随机森林(random forest,RF)计算特征量对故障诊断的重要度,筛选得到最佳特征组合。其次,采用树结构概率密度估计(tree-structured parzen estimator,TPE)实现RF模型的参数寻优,并形成TPE-RF诊断模型。同时,结合多种评价指标,证明所提方法能够对变压器作出准确的故障诊断。最后,提出TreeSAHP模型分析特征量对各故障的重要度,优选出各故障关联的主要特征量,并根据变压器运行案例,探讨了该方法在电力行业现场应用中的适用性,验证了该方法的有效性。

基于DGA与TPE-LightGBM的变压器故障诊断

油中溶解气体分析(dissolved gas analysis,DGA)对变压器故障的早期预警及诊断具有重要意义。为了提升变压器故障诊断的准确性及可靠性,提出一种基于树结构概率密度估计(tree-structured parzen estimator,TPE)算法优化轻量级梯度提升机(light gradient boosting machine,LightGBM)的变压器故障诊断方法。首先,建立包含油中气体比值、编码等16维DGA特征集合,采用最小绝对收缩和选择(least absolute shrinkage and selection opera-tor,LASSO)算法选择用于变压器故障诊断的有效特征量;其次,构建基于LightGBM的变压器故障诊断方法,并引入TPE算法对LightGBM诊断模型参数进行优化,形成最优故障诊断模型;最后,选用精确度、召回率和F1分数等评价指标对所提诊断模型性能进行评估。研究结果表明,TPE-LightGBM的平均准确率为90.23%,其诊断精度及鲁棒性均优于RF和XGBoost等算法。同时,与现场常用的三比值法进行对比,所提方法的准确性和可靠性均有显著提升。该方法可有效提升电力变压器的智能运维水平。

图像分割中空间一致性和无监督聚类算法应用

图像空间结构中的图像一致性和无监督聚类信息在图像分割过程中有着非常重要的作用,提出应用图像空间一致性和无监督聚类算法来达到快速执行图像分割的新算法.首先,利用概率树结构针对目标图像进行图像分割过程中形成的过分割区域,并使得这些区域能够达到理想边缘部分;然后,将用基于概率的无监督图像分割框架来处理分割区域.概率树结构结合了以往传统树结构的相关优点,能够更加自然地针对对象的相关边界进行框架建模.本文提出的算法不需要在每次迭代执行过程中更新相关自适应结构,从而可以大大减少计算所需要的时间.通过非参数密度估计技术结合传统的精确反馈框架,此类评价方法针对人类对象而言具有更为强大的边界不一致.

Hierarchical topic modeling with nested hierarchical Dirichlet process

This paper deals with the statistical modeling of latent topic hierarchies in text corpora. The height of the topic tree is assumed as fixed, while the number of topics on each level as unknown a priori and to be inferred from data. Taking a nonpara-metric Bayesian approach to this problem, we propose a new probabilistic generative model based on the nested hierarchical Dirichlet process (nHDP) and present a Markov chain Monte Carlo sampling algorithm for the inference of the topic tree structure as well as the word distribution of each topic and topic distribution of each document. Our theoretical analysis and experiment results show that this model can produce a more compact hierarchical topic structure and captures more fine-grained topic rela-tionships compared to the hierarchical latent Dirichlet allocation model.