电力变压器局部放电的特征工程与分类模型
机器学习
2022-10-25 v1 人工智能
信号处理
摘要
为保障可靠性,电力变压器需监测局部放电(PD)事件,其为变压器故障的征兆。由于故障可能引发灾难性级联后果,尽早预判至关重要。我们的目标是将 PD 分类为电晕、悬浮、颗粒或空隙型,以理解故障位置。利用相位分辨 PD 信号数据,我们构建了一小组特征,可用于高精度分类 PD。该特征集由总幅值、最大幅值以及最长空带长度组成。这些特征表征整个信号而非单一相位,故特征集尺寸固定且易于理解。借助随机森林与 SVM 两种分类方法,我们均达到 99% 的分类准确率,显著高于基于相位的特征集(如相位幅值)的分类效果。此外,我们构建了堆叠集成以结合多种分类模型,从而得到在准确率与方差上均优于现有方法的更优模型。
引用
@article{arxiv.2210.12216,
title = {Feature Engineering and Classification Models for Partial Discharge in Power Transformers},
author = {Jonathan Wang and Kesheng Wu and Alex Sim and Seongwook Hwangbo},
journal= {arXiv preprint arXiv:2210.12216},
year = {2022}
}