基于数据均衡化与改进鲸鱼算法优化核极限学习机的变压器故障诊断方法

针对不平衡数据对变压器故障诊断模型辨识精度的影响,提出一种基于自适应综合过采样(ADAptive SYNthetic,ADASYN)与改进鲸鱼算法优化核极限学习机的变压器故障诊断模型。首先,利用ADASYN算法优化变压器故障数据均衡化处理,解决变压器故障数据集类间不平衡给模型带来的偏倚问题。其次,通过多策略组合改进了鲸鱼优化算法(improved whale optimization algorithm,IWOA)的搜索速度、收敛能力和局部极值的逃逸能力。最后,改进鲸鱼算法对核极限学习机(kernel based extreme learning machine,KELM)正则化系数和核函数参数寻优,构建改进鲸鱼算法优化核极限学习机(IWOA-KELM)故障诊断模型。将模型应用于变压器故障诊断领域,用该模型与粒子群算法核极限学习机模型(PSO-KELM)、灰狼算法优化核极限学习机模型(GWO-KELM)和鲸鱼算法核极限学习机模型(WOA-KELM)的诊断精度对比,分别提升14.17%、12.5%和8.34%,这证明了所提故障诊断模型具有更高的精度和泛化能力。