基于高维拉曼光谱数据的变压器油纸绝缘老化评估方法研究

摘要

采用激光拉曼光谱技术对变压器油纸绝缘老化状态检测是一种有效的方法.随着样本量的扩充,亟待处理的数据集维度逐渐增大,研究适用于高维拉曼光谱数据的变压器油纸绝缘老化评估方法具有重要的意义.设计与现场变压器内部绝缘结构相似的油纸绝缘环境,进行加速热老化实验并定期采样,获取到10类老化程度依次递增的油样本,采用激光拉曼光谱技术对样本进行检测.选用复合稀疏导数建模法对样本原始拉曼光谱数据预处理,可以一步完成去噪与基线校正;引入差异特征选取方法筛选不同老化程度下光谱中变化显著的特征,计算同一拉曼频移下不同老化程度的特征点数据集方差,选择差异较大的数据序列所对应的拉曼特征变量,设定方差阈值为0.5进行特征选择,每个样本都从1023个光谱特征点抽取出304个特征点进行后续分析;针对变压器油纸绝缘老化拉曼光谱高维样本数据集,引入多种不同类型的算法对其处理.分别运用K-means聚类算法、Fisher算法与随机森林算法对获取到的样本预处理后的数据建立模型,引入评估准确度、提升度以及Kappa系数对各算法建立的模型判别效果进行评估.结果表明:有监督学习的Fisher算法与随机森林算法效果较好,相对于无监督学习的K-means聚类算法,模型判别能力分别提升了1.1666和1.95,论证了有监督学习模型在变压器油纸绝缘老化的评估中具有判别优势;从模型判别准确度和Kappa系数来看,强分类器随机森林算法建立的判别模型均高于Fisher判别模型,其准确度提升了10％,且Kappa系数上升了0.1115,论证了随机森林算法作为由多个单一分类器组成的强分类器,相对单一分类器来说,在变压器油纸绝缘老化的评估中模型的泛化能力较好,且模型较为稳定可靠.通过对三种不同类型的算法对比,确定了在变压器油纸绝缘老化评估中,有监督学习强分类器随机森林算法的判别优势,为变压器油纸绝缘老化的有效评估打下了基础.