基于特征加权的 MMD-CORAL 无偏迁移技术用于变压器故障诊断
机器学习
2025-05-22 v1
摘要
确保电力变压器可靠运行是维持电网稳定的关键因素。溶解气体分析（DGA）广泛用于故障诊断，但传统方法依赖启发式规则，可能导致结果不一致。基于机器学习（ML）的方法已提高了诊断准确性；然而，电力变压器在不同条件下运行，变压器类型、环境因素和操作设置的差异导致诊断数据分布发生偏移。因此，在变压器之间直接迁移模型往往会失败，采用无偏迁移技术 became 必要。为解决此问题，本文提出了一种结合最大均值差异（MMD）和相关性对齐（CORAL）的特征加权无偏迁移技术（MCW）。采用Kolmogorov-Smirnov（K-S）统计量分配可调权重，优先处理分布差异较大的特征，从而提高源域和目标域的对齐效果。在电力变压器数据集上的实验评估表明，所提方法有效，相较于微调提高了7.9%，相较于MMD-CORAL（MC）提高了2.2%。此外，该方法在各种训练样本规模下均优于两种技术，证明其在无偏迁移中的鲁棒性。
引用
@article{arxiv.2505.14896,
title = {Feature-Weighted MMD-CORAL for Domain Adaptation in Power Transformer Fault Diagnosis},
author = {Hootan Mahmoodiyan and Maryam Ahang and Mostafa Abbasi and Homayoun Najjaran},
journal= {arXiv preprint arXiv:2505.14896},
year = {2025}
}