摘要：针对传统油中溶解气体分析（dissolved gas analysis，DGA）在油浸变压器故障诊断过程中不能够有效的利用故障信息，以及变压器故障样本类型不平衡致使模型诊断结果较差的情况。提出了基于数据扩充和故障特征优化SCNGO-SVM-AdaBoost变压器故障诊断技术。首先，针对不平衡样本利用安全级别过采样算法（Safe-Level SMOTE）对原始的变压器故障样本集进行了数据扩充，然后利用核主成分分析（K-PCA）对比值化后的油色谱数据进行故障特征优化提取。其次在北方苍鹰算法（NGO）中融合了正余弦和折射反向学习策略，利用测试函数验证该算法的稳定性和寻优能力，并利用SCNGO优化算法对支持向量机（SVM）中的惩罚因子和和核参数进行寻优，以提高诊断算法的全局寻优能力，然后将SCNGO-SVM引入集成算法的多个弱分类器的寻优过程中，利用AdaBoost集成学习模型框架对原始模型进行强化。通过实际的对未扩充样本诊断和其他方法诊断进行对比分析，结果证明该方法能够有效的提高变压器故障诊断的性能。
文章目录
0 引言
1 理论基础
1.1 安全级别过采样算法
1.2 核主成分分析
1.3 SCNGO算法
1.3.1 NGO算法
1.3.2 NGO算法的改进
1.3.3 AdaBoost算法
2 变压器故障样本数据扩充和故障特征优化的SCNGO-SVM-AdaBoost变压器故障诊断模型实现过程
2.1 变压器故障样本数据扩充
2.2 变压器故障特征降维及优选
2.3 SCNGO-SVM-AdaBoost诊断模型
3 模型诊断结果及性能对比评估
3.1 模型诊断结果
3.2 不同特征选取方式的对比分析
3.3 不同平衡化采样数据扩充方法的对比分析
3.4 不同机器学习诊断模型的对比分析
3.5 不同优化算法的对比分析
4 结论
