基于固有时间尺度分解与XGBoost分类器的电力变压器故障诊断
机器学习
2021-10-25 v1 人工智能
信号处理
统计计算
机器学习
摘要
提出了一种基于固有时间尺度分解（ITD）的电力变压器故障诊断方法。根据溶解气体分析（DGA）参数的偏度对其进行排序，然后执行基于 ITD 的特征提取。通过 XGBoost 分类器确定一组最优 PRC 特征。为分类目的，将 XGBoost 分类器用于该最优 PRC 特征集。利用 376 台电力变压器的公开可用 DGA 数据并采用 XGBoost 分类器，研究了所提方法的分类性能。所提方法达到超过 95% 的准确率以及高灵敏度和 F1-score，优于常规方法和某些近期基于机器学习的故障诊断方法。此外，与近期提出的基于 EMD 的电力变压器故障诊断分层技术相比，其 Cohen Kappa 和 F1-score 更优。
引用
@article{arxiv.2110.11467,
title = {Power Transformer Fault Diagnosis with Intrinsic Time-scale Decomposition and XGBoost Classifier},
author = {Shoaib Meraj Sami and Mohammed Imamul Hassan Bhuiyan},
journal= {arXiv preprint arXiv:2110.11467},
year = {2021}
}
备注
09 pages, 3 figures, conference