关键词:
变压器
故障诊断
树结构概率密度估计
极端梯度提升
可解释性
夏普利值
摘要:
相比于三比值等传统方法,基于机器学习算法的变压器故障诊断方法在诊断效率及准确性等方面具有一定的优势,但“黑箱模型”的本质属性决定了其决策过程及诊断结果的不可解释性。针对该问题,该文提出了一种基于油中溶解气体分析的可解释变压器故障诊断方法,采用树形夏普利加法解释(tree Shapely additive explanations,TreeSHAP)方法实现了基于树结构概率密度估计优化极端梯度提升(tree-structured parzen estimator-extreme gradient boosting,TPE-XGBoost)的变压器故障诊断模型的可解释性分析。首先,构建了涵盖油中溶解气体含量、比值及编码等多结构数据的24维故障特征集合,并筛选得到10个有效特征量。其次,提出了基于TPE-XGBoost算法的变压器故障诊断方法,采用树结构概率密度估计完成XGBoost模型的多参数同步优化,实现对故障类型的准确判断。最后,引入TreeSHAP理论开展变压器故障诊断模型的可解释性分析,实现了故障诊断决策过程及其影响因素的可视化,并获取了不同故障类型的关键特征量。研究表明,该文所述变压器故障诊断方法的平均准确率为90.23%,同时可反映特征量对模型决策的影响过程及程度。该方法具有较好的准确性、鲁棒性及可解释性,可为变压器运维检修提供针对性的指导建议。