基于改进粒子群优化XGBoost的变压器故障诊断方法.pdf

基于改进粒子群优化XGBoost的变压器故障诊断方法龚泽威一1，饶桐1，王钢2，李钊2，骆钊2，朱家祥2，彭晶1，于虹1，曹占国1（1.云南电网有限责任公司电力科学研究院，昆明650217；2.昆明理工大学电力工程学院，昆明650500）摘要：变压器作为电网传输和变换电能的主要设备，对DGA数据进行异常分析，可为变压器故障诊断提供理论依据。鉴于此，文中提出了基于DGA和IPSOXGBoost的变压器故障诊断方法。首先，将特征气体划分为无编码比值作为特征参量输入极端梯度提升（XGBoost）模型，提出了基于XGBoost的变压器故障诊断模型；其次，通过动态调整惯性权重和加速因子对粒子群算法（PSO）进行改进，并利用改进的粒子群算法（IPSO）对XGBoost的关键参数进行迭代优化；最后，随机抽取1 614例故障类型已知的DGA数据进行算例分析。结果表明：相比于其它传统机器学习分类模型，XGBoost的变压器故障诊断正确率更高，且与传统PSO算法相比，所提方法可以更好克服粒子群寻优速度慢和易陷入局部最优等问题，可为变压器安全稳定运行提供有力保障。关键词：变压器；故障诊断；极端梯度提升；粒子群算法；无编码比值Fault Diagnosis Method of Transformer Based on Improved Particle SwarmOptimization XGBoostGONG Zeweiyi1，RAO Tong1，WANG Gang2，LI Zhao2，LUO Zhao2，ZHU Jiaxiang2，PENG Jing1，YU Hong1，CAO Zhanguo1（1.Electric Power Research Institute of Yunnan Power Grid Co.，Ltd.，Kunming 650217，China；2.Faculty of Electric PowerEngineering，Kunming University of Science and Technology，Kunming 650500，China）Abstract:Transformer is the main equipment for power transmission and conversion in power grid.Abnormal analysis of DGA data can provide a theoretical basis for fault diagnosis of transformer.In view of this，the fault diagnosismethod of transformer based on dissolved gas analysis（DGA）and improve particle swarm optimization(ipso)extreme gradient boosting（XGBoost）is proposed in this paper.Firstly，the characteristic gas is divided into noncodingratios as characteristic parameters to input XGBoost model，and the fault diagnosis model of transformer based on XGBoost is proposed.Secondly，the PSO algorithm is improved by dynamically adjusting the inertia weight and acceleration factor，and the IPSO algorithm is used to optimize the key parameters of XGBoost.Finally，the known DGA dataof 1614 cases of fault types is sampled randomly for calculation analysis.The results show that compared with othertraditional machine learning classification models，the fault diagnosis accuracy of transformer based on XGBoost ishigher.Compared with the traditional PSO algorithm，the proposed method can better overcome such problems asslow particle swarm optimization speed and easy to fall into local optimum，which can provide a strong guarantee forsafe and stable operation of transformer.Key words:transformer；fault diagnosis；extreme gradient boosting；particle swarm algorithm；noncoding ratio第59卷第8期：006100692023年 8月16日High Voltage ApparatusVol.59，No.8：00610069Aug.16，2023DOI:10.13296/j.10011609.hva.2023.08.007_收稿日期：20230302；修回日期：20230518基金项目：国家自然科学基金资助项目(51907084)；云南电网有限责任公司科技项目(YNKJXM20220011)；云南省应用基础研究计划(202101AT070080)。Project Supported by National Natural Science Foundation of China(51907084)，Yunnan Power Grid Co.，Ltd.Technology Project(YNKJXM20220011)，Yunnan Applied Basic Research Program(202101AT070080).2023年8月第59卷第8期0引言目前，电力系统投运的电力变压器中，存在运行年限长、绝缘劣化等故障隐患1。有待提出能够实时监测、诊断变压器故障的分析方法并建立高效准确的诊断模型，对变压器的运行状态进行精确预测，实现对变压器故障隐患的有效应对，保障电力系统运行的安全性、稳定性和可靠性。随着电老化、热老化等机械故障的出现，变压器运行时会产生多种气体溶解在变压器油中。因此，利用变压器油中溶解气体分析(dissolved gasanalysis，DGA)2可以及时发现变压器的潜在故障风险3-4，是电力行业公认的诊断变压器故障的可行方法。DGA数据作为分析预测变压器故障最有效、直观的特征参量，是变压器状态评价的直接依据5。基于DGA数据形成了许多数理统计方法，在研究领域常见的有IEC三比值法、Rogers四比值法、Duval三角形法、特征气体法和无编码比值法等，这些比值判别法规则简单，但编码不完善、界限区分绝对化的问题时有出现，在实际工程应用中存在一定的局限性。随着人工智能、深度学习的出现，基于机器学习的变压器故障智能诊断方法已经成为研究领域感兴趣的课题，基于人工智能的变压器故障诊断模型也在很大程度上代替了传统的故障诊断方法成为对变压器运行状态检测的主流工具。目前，以DGA数据为特征参量挖掘的机器学习模型中，常见的有人工神经网络6、支持向量机(support vectormachine，SVM)7、相关向量机8以及优化参数后的混合模型9。文10提出一种基于DGA与鲸鱼算法(WOA)优化Logit Boost决策树的变压器故障诊断方法，将变压器故障诊断的多分类问题转化成二分类问题，构建基于Logit Boost决策树的变压器二叉树诊断模型，在此模型基础上引入WOA优化策略，提高了综合诊断精度。但是，在确保高精度的前提下，该模型需要的训练时间较长。文11采用改进PSO算法对支持向量机进行参数优化，搭建SVM多分类变压器故障诊断模型，最终诊断准确率达到94.64%，实现SVM故障分类准确率的提升。文12在PNN神经网络的基础上，引入 WOA 进行搜索优化，搭建WOAPNN网络模型。仿真结果表明WOAPNN算法在故障诊断的精度和速度上均有所突破。文13提出一种基于遗传算法(GA)优化XGBoost的油浸式变压器故障诊断模型，对XGBoost 6个超参数进行同时优化，有效提升了模型对油浸式变压器故障类别的诊断精度，为变压器故障智能诊断方法的研究提供了另一种方向。鉴于此，文中提出一种基于改进粒子群算法(IPSO)优化XGBoost的变压器故障诊断模型：结合无编码比值法对DGA数据进行预处理，选取80%数据样本在XGBoost中进行训练，以DGA数据为特征参量进行故障信息挖掘；采用IPSO算法对XGBoost的5个超参数进行优化，分析模型优化后的故障诊断性能。结合算例分析，与传统PSO算法优化、不同机器学习模型下的诊断结果相比，文中所提方法及模型有效提升了变压器故障诊断的精度及可靠性。1XGBoost模型1.1XGBoost原理XGBoost 是梯度提升决策树(gradient boostingdecision tree，GBDT)经过工程优化后的分布式梯度提升库，支持多种类型的基分类器，比如分类回归树(classification and regression tree，CART)、线性分类器等。XGBoost模型在电力系统的保护与控制中被广泛应用14-18。文中XGBoost以CART为基分类器，构建准确可靠的集成学习分类模型。XGBoost算法思想是以损失函数的二阶泰勒展开式作为其替代函数并求解最小化来确定回归树的最佳切分点和叶节点输出数值。此外，XGBoost在损失函数中引入子树数量和子树叶节点数值，充分考虑正则化问题，抑制模型复杂化并防止过拟合。XGBoost进行训练时，每次迭代过程都伴随着预测残差，并增加新的树模型，相当于生成新函数拟合模型的残差。通过不断迭代、增加分类树数量来提升集成模型预测的准确性。XGBoost模型构建如下：y=()xi=k=1Kfk(xi)fkF(1)F=f(x)=q(x)q:RmT,RT(2)式(1)、(2)中：y表示当训练至第K棵CART时的最终预测结果，每一个fk函数对应一棵CART；q和表示CART的结构向量和叶子权重；m表示特征数；T表示叶子节点个数；F为所有CART构成的集合。样本输入后，结构向量q根据CART分类指向相应的叶子标签，每个叶子标签占有不同权重，q就是CART分类器对样本分类的预测值。集合中所有CART分类器都对输入的样本进行各自独立地分类至叶子标签中，最终XGBoost模型累加所有CART分类器的预测值，获得预测结果。62变压器“中温过热”故障类型决策树的分类过程见图1。首先，经过无编码比值处理的DGA数据输入CART分类器；其次，CART分类器根据机器学习构建的树结构对该数据进行分类判定；最终，分类完成指向CART叶子标签，每个叶子标签占有不同权重，不同权重代表CART分类器对不同的DGA数据会给出不同的预测值。以权重为0.607 407 451的叶子标签为例，DGA数据满足如下条件：1)C2H6/(C1+C2)0.695 413 113；2)C2H4/C2H60.005 378 773 44；3)CH4/H20.000 285 021 99；4)H2/(H2+C1+C2)0.422 586 203。这就表明变压器故障类型为中温过热的权重为0.607 407 451。满足其他条件的数据对应不同的叶子权重，权重越大，说明变压器故障类型为中温过热的可能性也就越大。1.2目标函数的优化输入样本i后，对于第k次迭代的正则化目标函数可以表示为：L()=il(yi,yi)+k(fk)(3)(fk)=T+122(4)式(3)、(4)中：L是原始损失函数；表示正则化项；、是约束正则化程度的常数。传统方法很难实现对XGBoost目标函数的优化，文中采用附加学习方法(additive learning approach)19，将最可靠的树模型函数fk(xi)结合到当前模型中进行新函数的学习，以提供下一次迭代的预测结果。因此，第k次迭代时的预测值等于第k-1次迭代时的预测值与fk之和，目标函数可进一步写成L(k)=il(yi,yi(k-1)+fk(xi)+(fk)(5)图1决策树推理故障图Fig.1Decision tree reasoning fault diagram对目标函数利用二阶泰勒展开式，可得L(k)=il(yiyi(k-1)+gifk(xi)+12hif2k(xi)+(fk)(6)式(6)中，gi和hi分别为损失函数的一阶、二阶导数。常数部分不能优化，可优化的函数部分为L(k)=igifk(xi)+12hif2k(xi)+(fk)(7)每个样本最终都会分类至叶子节点，可以将同一个叶子节点的样本进行重组，把每个样本的损失函数叠加起来，过程如下(设该叶子节点编号为j)L(k)=igifk(xi)+12hif2k(xi)+(fk)=igiq(xi)+12hiq2(xi)+T+12j=1Tj2=j=1T(iIjgi)j+12(iIjhi+)j2+T(8)在式(8)中，Ij为全部样本的编号集合Ij=i|q(xi)=j(9)通过化解，可以将目标函数改写成关于叶子节点预测值的一个一元二次函数。由此，直接使用变压器技术龚泽威一，饶 桐，王 钢，等.基于改进粒子群优化XGBoost的变压器故障诊断方法632023年8月第59卷第8期顶点公式求解最优的和目标函数值：*j=-iIjgiiIjhi+(10)L(k)(q)=-12j=1TiIjgi2iIjhi+T(11)1.3分裂节点算法XGBoost的训练过程中，从候选分裂点中评估最佳分裂点是机器学习的重要环节。一般来说，要遍历整个模型的CART结构需要引入算法进行迭代，不断向CART中加入分支结构来遍历特征划分点进行寻优。在解决该问题时，引入的主流算法是贪婪算法和近似算法。1.3.1贪婪算法贪婪算法常用来求解特定情况下的最优解问题。在XGBoost的训练中，引入贪婪算法能更简单、快速地寻找最佳分裂点。该算法不对所有可能出现的情况进行测试，能够减少模型的训练时间，并且可以逐级对训练的特征数据进行排序，然后自上而下有序提取数据进行结构评分。在贪婪算法的迭代中，每一次进行数据访问，就将上一步要求的最优解问题简化为复杂度更低的子问题，最终通过不断迭代和评估，遍历所有特征分裂点，从结构特征的所有可能分裂点中选出最佳分裂点。1.3.2近似算法当样本数据量过大时，针对所有数据的访问对内存提出极高要求，遍历所有可能的分裂点将耗费大量测试时间，还会出现过拟合问题。虽然可以设置树生长的最大深度、样本权重和阈值等参数去限制树的生长防止过拟合，但不能节省测试时间，提高XGBoost训练的效率。当贪婪算法无效时，引入近似算法20，该算法首先根据特征分布的百分位数提出候选分裂点，然后将连续特征映射到由这些候选点划分的桶(集合)中，汇总统计信息，从候选分裂点中找出最佳分裂点。2IPSOXGBoost诊断模型2.1DGA数据预处理传统的 DGA 数据往往对 H2、CH4、C2H2、C2H4、C2H65种含氢元素的气体加以分析来诊断变压器故障。然而，未经处理的气体组分数据不集中，且气体含量差异性较大。需要用数理统计方法对原始数据进行预处理，使样本数据归一化。文中采用无编码比值法对原始数据进行预处理，该方法以气体含量的比例为特征量，采用的特征量维度高，反映故障信息全面，诊断层次性强21。此外，无编码比值法能够根据不同的数据样本采用不同的特征量维度来进行数据预处理。文21提出基于DGA的适用于天然酯绝缘油变压器的无编码比值故障诊断方法，采用相关系数矩阵分析方法对无编码比值法10个维度下的气体比例关系进行优化处理。鉴于所选的气体比例特征量要能够准确反映变压器故障的关键信息，并且其维数设置要适中，不存在冗余特征量，确保在提高模型诊断效率和准确率的同时不会增加机器训练的时间和复杂度。因此，在参考文13对DGA数据的预处理方法的基础上，文中选取9组特征气体含量的比例关系形成9个无编码比值特征量维度：CH4/H2、C2H4/C2H2、C2H4/C2H6、(CH4+C2H4)/(C1+C2)、H2/(H2+C1+C2)、C2H4/(C1+C2)、CH4/(C1+C2)、C2H6/(C1+C2)、C2H2/(C1+C2)。其中，C1为CH4所代表的烷烃类气体含量之和；C2为C2H6、C2H4、C2H2所代表的不饱和烃类气体含量之和。2.2变压器故障状态编码构建诊断模型前，需要对CART分类器的叶子标签进行定义，即对变压器故障类别进行状态编码。依据DL/T 7222014导则，故障类别输出对应8种状态编码，见表1。表1故障类别状态编码Table 1Fault category status code变压器故障类别正常状态电弧放电低能放电局部放电高温过热中温过热低温过热高能放电状态编码012345672.3构建IPSOXGBoost诊断模型在对诊断模型进行训练前，文中在XGBoost诊断模型中引入IPSO算法，权衡粒子寻优时全局搜索和局部搜索的能力，可对XGBoost的5个超参数同时进行优化，在一定程度上克服了传统优化方法的局限性，改善了模型的诊断性能。2.3.1超参数的优化XGBoost设置了多个超参数，对超参数进行优64化调整是改善XGBoost 诊断性能的有效方法。其中，分类器个数(n_estimators)的选取对模型的影响不容忽略：当分类器个数超过最优个数时，可能出现过拟合问题，导致在训练数据时模型的泛化性能低下，还会使测试时间变长，降低模型诊断的效率；当分类器个数小于最优个数时，可能出现欠拟合问题，使得模型难以找出问题的最优解。孩子节点中最小的样本权重和(min_child_weight)，当该数值较大时，可以避免模型陷入局部最优；当该数值较小时，可能出现欠拟合问题。学习率(learning_rate)，该参数限制了模型对弱分类器拟合残差值的信任，通过训练更多弱分类器来提高模型预测的精度。文中选取树的深度(max_depth)、随机生成函数种子(seed)和以上3个超参数，引入IPSO算法进行同时优化，以提高模型的学习能力和分类性能。2.3.2IPSO算法PSO算法中，粒子(潜在解)在D维目标搜索空间(解空间)寻优方向受3个因素影响：上次迭代的速度、个体认知和群体导向。个体认知就是粒子根据自身学习来调整下次迭代的寻优方向；群体导向则是粒子根据群体最优行动路线来调整下次迭代的寻优方向。由此，可引入惯性权重、加速因子等参数来描述第i个粒子的速度更新和位置更新：Vij(k+1)=Vij(k)+c1r1(k)pij(k)-xij(k)+c2r2(k)pgj(k)-xij(k)jD(12)xij(k+1)=xij(k)+Vij(k+1)jD(13)式(12)-(13)中：Vij(k)代表第i个粒子在第k次迭代时的j维速度分量；是粒子迭代的惯性权重；c1、c2是粒子迭代的加速因子；r1、r2代表0,1之间的随机数；pij(k)代表第i个粒子在第k次迭代时局部最优位置的j维分量；xij(k)代表第i个粒子在第k次迭代时的j维位置分量；pgj(k)代表第i个粒子在第k次迭代时整体最优位置的j维分量。对于式(12)、(13)中的3个参数，描述的是粒子的“惯性”，在迭代前期应该大一些，保证粒子独立飞行充分搜索空间，迭代后期应该小一些，多向其他粒子学习；c1、c2分别描述的是局部最优位置、整体最优位置带来的影响，前期c1应该大一些，后期c2应该大一些，这样才能平衡粒子的全局搜索能力和局部搜索能力。然而，PSO算法中、c1、c2是固定的，这在一定程度上限制了粒子寻优能力，即使其他粒子找到更优解，但当前粒子惯性太大，不能迅速飞向更优位置，容易陷入局部最优。鉴于此，文中对传统的PSO算法进行改进，提出IPSO算法，采用如下公式优化上述参数：(k)=max-()max-min()k/Tmax2(14)c1(k)=c10-()c10-c11()k/Tmax(15)c2(k)=c20-()c20-c22()k/Tmax(16)式(14)-(16)中：(k)、c1(k)、c2(k)代表粒子在第k次迭代时的惯性权重和加速因子，用来替代原式中固定的、c1、c2；max、min分别表示惯性权重最大值和最小值；c10、c11和c20、c22分别表示加速因子c1、c2的初值和终值。2.3.3IPSO算法优化的XGBoost模型传统PSO算法中惯性权重为1，粒子速度向量Vij(k)更新迭代的随机性使得粒子群算法虽然全局优化能力很强，但是局部搜索能力较差，容易陷入局部最优。文中采用多线性递减权值策略，IPSO算法对惯性权重和加速因子c1、c2进行动态调整，可以权衡全局搜索和局部搜索能力，使算法有较大的概率找到全局最优解。基于IPSO算法优化XGBoost的变压器故障诊断模型流程见图2。图2IPSO优化XGBoost流程Fig.2IPSO optimizes XGBoost processIPSOXGBoost具体步骤如下：1)读取变压器故障数据，对DGA故障数据进行数据预处理，得到测试集和训练集；2)初始化超参数寻优区间及步长，设置PSO种群大小及实验次数；3)输入训练集，XGBoost根据训练集数据进行机器训练，构建变压器故障诊断模型；4)根据步长在寻优区间随机生成超参数粒子构成种群，并将结果输入XGBoost模型；变压器技术龚泽威一，饶 桐，王 钢，等.基于改进粒子群优化XGBoost的变压器故障诊断方法652023年8月第59卷第8期5)根据输入超参数种群粒子，搜索种群最优粒子，并计算故障诊断正确率，即粒子适应度；6)将本次种群粒子适应度与全局最优粒子适应度比较，更新并记录全局最优粒子；7)根据式(12)-(14)更新粒子迭代速度、位置和惯性权重；8)判断是否达到最大迭代次数。若否，则重复步骤4)-7)；若是，则输入测试集，测试模型性能，输出优化结果和诊断正确率。3算例分析3.1DGA样本选择与数据预处理本文数据来源于文22-24、IEC TC 10数据库以及南方电网部分变压器在线监测和油化实验数据等。由以上数据样本构成变压器故障数据共3 447组，经过数据预处理清洗掉数据集中的无效数据和干扰数据，得到3 228组变压器故障诊断有效数据集。为了保证实验结果的客观性，从3 228条有效数据中随机抽取5组，每组由1 614条故障类型确定的变压器DGA数据构成，其中训练集和测试集之比为8 2，即训练集1 291条、测试集323条。各组数据测试集详细分布情况见表2。表2样本分布Table 2Sample distribution变压器状态正常状态高能放电低能放电局部放电高温过热中温过热低温过热电弧放电总计测试集分布Test_13640292055792044323Test_23141301957782443323Test_33344271954822242323Test_43345292055752343323Test_533482918547323453233.2XGBoost模型诊断文中在 Inter(R)Core(TM)i7-10700、2.90 GHz、内 存 16 GB 环 境 下，利 用 Pycharm(ProfessionalEdition)作为实验仿真平台和Python3.9进行编程。将表1数据划分为无编码比值作为特征参量输入XGBoost，在默认参数下对5组DGA数据进行训练，5组测试集故障诊断详细结果见表3。测试结果表明XGBoost对于诊断变压器：正常状态、高能放电、高温过热、中温过热、电弧放电5种故障正确率较高，其中正常状态诊断正确率最高，5组测试集诊断的平均正确率为 0.940；而 XGBoost 对于诊断变压器：低能放电、局部放电、低温过热3种故障类型正确率较低，其中低能放电诊断正确率最低，5组测试集诊断的平均正确率为0.779。由表2可知这3类变压器故障类型的训练样本均不足30例，较之前5种故障类型数据样本少，导致XGBoost机器训练正确率低。故障诊断测试结果见表3。低能放电、局部放电、低温过热3种故障诊断的平均正确率分别为：77.92%、84.30%、79.96%；而其余5种故障诊断的平均正确率分别为：94.04%、88.92%、91.95%、91.18%、89.29%。由此可见其余5类故障类型在训练样本充足的情况下，故障诊断正确率更高。在保证训练样本数量的前提下，XGBoost在变压器故障类型诊断也有更好表现。表3默认参数XGBoost故障诊断正确率Table 3Default parameter XGBoost faultdiagnostic accuracy变压器状态正常状态高能放电低能放电局部放电高温过热中温过热低温过热电弧放电总计测试集诊断正确率/%Test_194.4492.5068.9780.0094.5588.6170.0093.1887.93Test_2100.0082.9373.3378.9594.7497.4491.6783.7289.78Test_390.9181.8285.1984.2187.0490.2477.2780.9585.76Test_490.9197.7879.3795.0094.5593.3378.2693.0291.64Test_593.9489.5882.7683.3388.8986.3082.6195.5688.542.3.1节中提到对超参数进行优化调整是改善 XGBoost 诊断性能的有效方法。将表 2 数据划分为无编码比值作为特征参量输入 XGBoost，利用 改 进 粒子群算法对 n_estimators、learning_rate、min_child_weight、max_depth共5个关键参数进行寻优，粒子适应度为XGBoost故障诊断正确率。为了测试 IPSO 算法优化 XGBoost 超参数的性能，对比PSO和IPSO对XGBoost的优化效果。初始化种群规模 popsize=20，优化维度 dim=5，迭代次数 Tmax=100；利用3.1节表2中Test_4数据集构建的XGBoost模型，测试结果见图3。从图3中可以看出，在100次迭代中，PSO群算法陷入局部最优6次，且在第97次迭代正确率达到最大值94.95%；IPSO算法陷入局部最优3次，且在第23次迭代正确率就达到最大值95.57%。虽然两66种算法都能在100次迭代里趋近全局最优，但IPSO算法在摆脱局部最优和寻优能力方面均强于PSO算法。图3寻优对比图Fig.3Optimization comparison chart3.3多模型故障诊断对比表 4 中数据是机器学习中常见的 5 种算法：XGBoost、随机森林RF、支持向量机SVM、K-邻近算法KNN以及逻辑回归LR利用3.1节表2中test_4数据集迭代100次得到的结果。从结果中可以看出XGBoost无论从故障诊断的准确性，还是从不同类型故障诊断的稳定性都优于其余4种算法。为了保证实验结果的普适性，利用3.1节中test_1-5对5种分类算法进行重复训练。测试结果见表5。表4各类模型故障诊断对比Table 4Comparison of fault diagnosis ofvarious models%变压器状态正常状态高能放电低能放电局部放电高温过热中温过热低温过热电弧放电总计测试集诊断正确率XGBoost90.9197.7879.3795.0094.5593.3378.2693.0291.64RF90.9197.7875.8690.0090.9193.3378.2688.3789.78SVM84.8586.6748.2885.0089.0986.674.3553.4973.07KNN81.8288.8941.3890.0089.0989.3369.5786.0582.35LR81.8284.4427.5980.0087.2788.008.7055.8170.90表5各类模型重复训练结果Table 5Repeated training results of various models%训练模型XGBoostRFSVMKNNLR最高正确率91.6489.7873.9982.3572.45最低正确率85.7685.7668.4277.4064.71平均正确率88.7388.3671.3379.3368.36从5组随机抽取的数据集test_1-5重复训练5种机器学习分类算法的结果可以看出，XGBoost在不同数据集训练下，故障诊断正确率和稳定度均是5种算法中最优秀的。4结论文中针对变压器故障诊断精确度低的问题，提出了基于IPSO算法优化XGBoost的变压器故障诊断方法。采用无比值编码划分DGA数据为特征值输入XGBoost模型，并对所提方法进行了机器训练和仿真测试，得出以下结论：1)利用无比值编码作为特征输入时，对比传统机 器 学 习 分 类 模 型 RF、SVM、KNN、LR 算 法，XGBoost在8种典型故障类诊断中表现更好、诊断结果更稳定。2)通过动态调整惯性权重和加速因子改进粒子群算法全局寻优能力，并与传统粒子群算法对比。仿真结果表明改进粒子群算法寻优能力和摆脱局部最优能力均优于传统粒子群算法。3)将改进粒子群算法应用于XGBoost的5个超参数优化，可使 XGBoost 故障诊断正确率提高3.93%，且模型诊断性能更稳定。4)针对数据样本分布不均衡问题，后续研究工作将重点考虑如何在小样本数据样本容量不足与分布不均衡的情况下提升变压器故障诊断精度和可靠性。参考文献：1廖伟涵，郭创新，金宇，等.基于四阶段预处理与GBDT的油浸式变压器故障诊断方法J电网技术，2019，43(6)：21952203LIAO Weihan，GUO Chuangxin，JIN Yu，et al.Oilimmersed transformer fault diagnosis method based on fourstage preprocessing and GBDTJ.Power System Technology，2019，43(6)：21952203.2彭刚，周舟，唐松平，等.基于时序分析及变量修正的变压器故障预测J.电子测量技术，2018，41(12)：9699PENG Gang，ZHOU Zhou，TANG Songping，et al.Timeseriesanalysisandexternalvariablecorrectionfortransformer fault predictionJ.Electronic MeasurementTechnology，2018，41(12)：9699.3栗磊，王廷涛，殷浩然，等.基于GWOLSTM与NKDE变压器技术龚泽威一，饶 桐，王 钢，等.基于改进粒子群优化XGBoost的变压器故障诊断方法672023年8月第59卷第8期的变压器油中溶解气体体积分数点区间联合预测方法J高压电器，2022，58(11)：8897LI Lei，WANG Tingtao，YIN Haoran，et al.Point intervaljoint prediction method of dissolved gas volume fraction intransformeroil based on GWOLSTM and NKDEJ.HighVoltage Apparatus，2022，58(11)：8897.4安国庆，史哲文，马世峰，等.基于RF特征优选的WOASVM变压器故障诊断J.高压电器，2022，58(2)：171178.AN Guoqing，SHI Zhewen，MA Shifeng，et al.Fault diagnosis of WOASVM transformer based on RF feature optimizationJ.High Voltage Apparatus，2022，58(2)：171178.5代杰杰，宋辉，盛戈皞，等.采用LSTM网络的电力变压器运行状态预测方法研究J高电压技术，2018，44(4)：10991106DAI Jiejie，SONG Hui，SHENG Gehao，et al.Predictionmethod for power transformer running state based on LSTMnetworkJ.High Voltage Engineering，2018，44(4)：10991106.6吴君，丁欢欢，马星河，等.改进自适应蜂群优化算法在变压器故障诊断中的应用J电力系统保护与控制，2020，48(9)：174180WU Jun，DING Huanhuan，MA Xinghe，et al.Application ofimproved adaptive bee colony optimization algorithm intransformer fault diagnosisJ.Power System Protection andControl，2020，48(9)：174180.7咸日常，范慧芳，李飞，等.基于改进GSASVM模型的电力变压器故障诊断J.智慧电力，2022，50(6)：5056.XIANRichang，FANHuifang，LIFei，etal.Powertransformer fault diagnosis based on improved GSASVMmodelJ.Smart Power，2022，50(6)：5056.8周晓华，冯雨辰，陈磊，等.改进秃鹰搜索算法优化SVM的变压器故障诊断研究J.电力系统保护与控制，2023，51(8)：118126ZHOUXiaohua，FENGYuchen，CHENLei，etal.Transformer fault diagnosis based on SVM optimized by theimproved bald eagle search algorithmJ.Power SystemProtection and Control，2023，51(8)：118126.9谭贵生，石宜金，刘丹丹，等.基于混沌粒子群优化支持向量机的变压器故障诊断J昆明理工大学学报(自然科学版)，2019，44(5)：5461TAN Guisheng，SHI Yijin，LIU Dandan，et al.Faultdiagnosis of transformers based on support vector machinewith improved particle swarm optimizationJ.Journal ofKunming University of Science and Technology(NaturalScience Edition)，2019，44(5)：5461.10 张国治，陈康，方荣行，等.基于DGA与鲸鱼算法优化LogitBoost决策树的变压器故障诊断方法J电力系统保护与控制，2023，51(7)：6372ZHANG Guozhi，CHEN Kang，FANG Rongheng，et al.Transformer fault diagnosis based on DGA and a whalealgorithm optimizing a LogitBoostdecis