基于蚁群算法优化随机森林的变压器故障检测方法与流程

本发明涉及变压器故障检测技术领域，特别是涉及一种基于蚁群算法优化随机森林的变压器故障检测方法。

背景技术：

随着经济的日益发展，电力系统发挥着不可替代的作用，其中电力变压器是电力系统的重要组成部分，变压器故障的有无直接关系着电力系统能否稳定运行。

目前，国内外也有不少关于电力变压器故障诊断的方法，传统的有三比值法、rogers法等，但是这些方法过于复杂且需要大量的数据。随着人工智能的兴起，相继有人提出了bp神经网络、支持向量机、贝叶斯网络、小波神经网络等方法应用电力变压器故障诊断系统中，并且取得了不错的效果。由于对电力系统运行的稳定性、故障诊断的效率以及精确度提出了更高的要求，因此如何高效地进行故障诊断是目前电力系统面临的主要问题之一。

技术实现要素：

本发明所要解决的技术问题是提供一种基于蚁群算法优化随机森林的变压器故障检测方法，有利于提高决策树随机森林的分类精度。

本发明解决其技术问题所采用的技术方案是：提供一种基于蚁群算法优化随机森林的变压器故障检测方法，包括以下步骤：

(1)将训练样本数据进行离散化处理，并计算随机森林特征重要性得分；

(2)将重要度得分作为启发信息，并生成启发距离，初始化蚁群算法参数；

(3)计算蚂蚁在节点之间的转移概率，构建特征子集的解空间，并将随机森林分类精度作为评价标准；

(4)更新信息素，进行特征选择获得最优特征子集或近似最优特征子集；

(5)满足终止条件，输出最优特征解进行故障诊断预测。

所述步骤(1)中采用等宽算法对训练样本数据进行离散化处理，即将区间分为k个，则每个区间长度w为w＝(max-min)/k，得到区间端点min,min+w,min+2w,...,min+(k-1)w，其中，min表示原始序列的最小值，max表示原始序列的最大值。

所述步骤(1)中采用基尼不纯度方法对变压器的某个属性进行特征重要性评估，计算方法为：其中，pi是数据集t中类i的概率，n表示故障分类的个数。

所述步骤(2)中的蚁群算法参数包括：蚁群中蚂蚁个数m、信息素启发因子α、信息素挥发因子ρ、启发函数重要程度因子β、信息素释放总量q、最大迭代次数为n，初始迭代次数为1、dij为第i节点到第j节点之间的距离、τij(t)为t时刻第i节点到第j点连接路径上的信息素浓度，且初始时刻τij(0)＝τ0。

所述步骤(3)具体为：在初始化中蚂蚁分随机布于不同的节点上，每个蚂蚁k会依据不同节点路径上的信息素浓度大小选择访问下一个节点，则在t时刻蚂蚁k从第i节点转移到第j节点的概率表示为：

其中，为启发函数，表示蚂蚁从第i节点转移到第j节点的期望、allowk(k＝1,2,...,m)为蚂蚁k所有访问节点的集合。

所述信息素启发因子α∈[0,5]，启发函数重要程度因子β∈[0,5]，信息素释放总量q∈[10,10000]，信息素挥发因子ρ∈[0.1,0.99]。

所述步骤(4)中当所有蚂蚁完成一次路径访问时，需要对各个节点之间的信息素浓度进行实时更新，第k只蚂蚁在节点i和节点j连接路径之间的信息素增量为：其中，lk为第k只蚂蚁在一次循环中所走过的路径长度；在每只蚂蚁走完一步或者完成对所有节点的遍历后，t+1时刻在路径上的信息量调整规则为：

所述步骤(5)具体为：从离散化处理后的训练集中使用bootstraping方法随机有放回地采样选出a个样本，共进行b次采样，生成b个训练集；对于b个训练集，分别训练b个决策树模型，对于单个决策树模型，假设训练样本特征的个数为c，那么每次分裂时根据基尼指数选择最好的特征进行分裂；每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类；将生成的多棵决策树组成随机森林，根据离散化后的特征向量与故障类型训练出决策树，按多棵树分类器投票决定最终分类结果；依据分类精度更新信息素直至获得最优特征子集并取得最小分类误差精度；用训练的决策树模型去预测变压器故障类型。

有益效果

由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明结合了蚁群算法的正反馈特性和随机森林泛化能力较强的特点，克服了随机森林分类精度不足的缺陷，使得对变压器故障的分类精度更高，便于油浸式变压器的维护与管理。

附图说明

图1是本发明的流程图；

图2是本发明中决策树的结构图。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

本发明的实施方式涉及一种基于蚁群算法优化随机森林的变压器故障检测方法，包括以下步骤：首先对初始训练样本离散化处理并计算随机森林特征重要度得分，其次将重要度得分作为启发信息，并生成启发距离，接着初始化蚁群算法参数，包括每只蚂蚁的节点以及节点特征，然后计算蚂蚁在节点之间的转移概率并构建特征子集的解空间，并将随机森林分类精度作为评价标准，在更新信息素的同时进行特征选择得到最优或者近似最优特征子集，最后满足停止条件，输出最优特征解，进行故障诊断分类。如图1所示，具体包括以下步骤：

(1)训练样本数据进行离散化处理，并计算特征重要性得分，将连续的输入变量适度的离散化处理能够简化算法复杂度提高运行效率，提高系统的分类聚类能力和抗噪声能力。无监督学习算法离散化一般分为等宽算法、等频算法、k-means算法，为简化运算量，本实施方式采用等宽算法离散化处理数据，此处区间个数为k，则每个区间长度w为：

w＝(max-min)/k

因此区间的端点为：

min,min+w,min+2w,...,min+(k-1)w

其中，min表示原始序列的最小值，max表示原始序列的最大值，k为区间个数。

本实施方式采用基尼(gini)不纯度的方法对某个属性进行特征重要性评估，计算方法如下：

其中，pi是数据集t中类i的概率，n表示故障分类的个数。

(2)初始化蚁群算法参数，其中需要初始化的参数包括蚁群中蚂蚁个数m、信息素启发因子α、信息素挥发因子ρ、启发函数重要程度因子β、信息素释放总量q、最大迭代次数为n，初始迭代次数为1、dij为第i节点到第j节点之间的距离、τij(t)为t时刻第i节点到第j点连接路径上的信息素浓度，且初始时刻τij(0)＝τ0。

(3)计算蚂蚁在节点之间的转移概率，在初始化中蚂蚁分随机布于不同的节点上，每个蚂蚁k(k≤m)会依据不同节点路径上的信息素浓度大小选择访问下一个节点，则在t时刻蚂蚁k从第i节点转移到第j节点的概率表示为：

其中，为启发函数，表示蚂蚁从第i节点转移到第j节点的期望、allowk(k＝1,2,...,m)为蚂蚁k所有访问节点的集合。

启发式因子α的值越大，蚂蚁选择之前走过路径的可能性就越大，搜索路径的随机性减弱。其值越小，蚁群搜索范围就会减少，容易陷入局部最优。

启发函数重要程度因子β的值越大，蚂蚁机会越容易选择局部较短路径，加快了算法收敛，但是随机性不高，容易得到局部的相对最优。

蚁群数量m越多，得到的最优解就越精确，但是会产生不少重复解，随着算法接近最优值的收敛，信息正反馈作用降低，增加了时间的复杂度。

根据以上原则本实施方式涉及的蚁群算法主要参数取值范围如下：信息素启发因子α∈[0,5]，启发函数重要程度因子β∈[0,5]，信息素释放总量q∈[10,10000]，信息素挥发因子ρ∈[0.1,0.99]。

(4)更新信息素，获得最优特征子集或近似最优特征子集，蚂蚁在路径选择过程中释放信息素，释放信息素浓度与路径长度成反比，以至于后来的蚂蚁再次选择信息素浓度较大的路径，最优路径信息素浓度越来越大，最终蚁群找到最优觅食路径。随着信息素的逐渐消失，当所有蚂蚁完成一次路径访问时，需要对各个节点之间的信息素浓度进行实时更新，第k只蚂蚁在节点i和节点j连接路径之间的信息素增量为：

其中，lk为第k只蚂蚁在一次循环中所走过的路径长度。

为避免信息素残留而覆盖启发信息，在每只蚂蚁走完一步或者完成对所有节点的遍历后，t+1时刻在路径上的信息量调整规则为：

(5)在满足终止条件进行故障诊断预测，本实施方式中随机森林算法部分采用如下方式：从离散化处理后的训练集中使用bootstraping方法随机有放回地采样选出a个样本，共进行b次采样，生成b个训练集；对于b个训练集，分别训练b个决策树模型，对于单个决策树模型，假设训练样本特征的个数为c，那么每次分裂时根据基尼指数选择最好的特征进行分裂；每棵树都一直这样分裂下去，直到该节点的所有训练样例都属于同一类。此外在决策树的分裂过程中不需要进行剪枝处理，见图2。

本实施方式中输入的原始数据为变压器运行过程中七种变压器油中气体的含量，即h2，co，co2，ch4，c2h2，c2h4，c2h6，对应于变压器常见的四种故障，分别为：低温过热、高温过热、低能放电、高温能放电。

将生成的多棵决策树组成随机森林，对于涉及到的分类问题，根据离散化后的特征向量与故障类型训练出决策树，按多棵树分类器投票决定最终分类结果。依据分类精度更新信息素直至获得最优特征子集并取得最小分类误差精度。用训练的决策树模型去预测变压器故障类型。