典型文献
基于XGBoost算法的变压器油中溶解气体分析
文献摘要：
针对目前常用的变压器油中溶解气体分析方法的不足,本文尝试根据油色谱在线监测系统产生的大量数据,利用机器学习算法对变压器故障进行诊断和鉴别.由于变压器故障诊断中存在样本小的特点,普通机器学习算法泛化能力较差,本文提出基于极端梯度提升(XGBoost)算法,结合油中气体和故障特征的理论基础,筛选气体并构造特征,基于特征重要度、网格搜索和交叉验证调参优化模型,使用SoftMax函数计算潜在故障预警.以334组变压器的油中溶解气体含量作为算例进行验证,XGBoost算法可以对故障样本特征进行高效学习,形成故障诊断模型,能够较为准确的识别故障类别.相较于SVM算法,模型精确度提高5.39％,模型鲁棒性提升7.56％.与几种常见机器学习算法的性能进行比较,实验结果表明,使用XGBoost特征提取方法结合简单的分类器可以取得很好的效果.
文献关键词：
变压器;故障诊断;油中溶解气体分析;机器学习;XGBoost
中图分类号：
作者姓名：
沈晓峰;孙进;顾华;吴继健;张佳栋
作者机构：
国网上海市电力公司青浦供电公司,201799
文献出处：
引用格式：
[1]沈晓峰;孙进;顾华;吴继健;张佳栋-.基于XGBoost算法的变压器油中溶解气体分析)[J].电力大数据,2022(09):20-29
A类：
B类：
XGBoost,变压器油,油中溶解气体分析,油色谱在线监测,在线监测系统,机器学习算法,变压器故障诊断,普通机,泛化能力,极端梯度提升,合油,中气,故障特征,构造特征,特征重要度,网格搜索,交叉验证,SoftMax,潜在故障,故障预警,油中溶解气体含量,样本特征,高效学习,故障诊断模型,模型鲁棒性,分类器
AB值：
0.242508
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
