核主成分分析与随机森林相结合的变压器故障诊断方法

油中溶解气体分析(dissolved gas analysis,DGA)是变压器故障诊断的重要方法。变压器故障诊断研究大多采用人工智能方法学习建立单个分类器,与单个分类器相比,分类器群能够更全面地学习样本集特性,达到更好的诊断效果。分类器间的差异性是影响群体性能的主要因素,针对DGA特征量较少训练得到的分类器差异不大的问题,提出将核主成分分析(kernel principle component analysis,KPCA)与随机森林方法相结合,KPCA将样本从低维的状态空间非线性地映射到高维的核空间,在核空间用随机森林方法训练得到分类器群。对DGA故障样本以及加噪样本的诊断实验结果表明,KPCA能够有效地提取故障特征,用核特征量建模的诊断效果优于直接采用DGA特征量,分类器群的诊断效果以及抗干扰能力均高于单个分类器。