基于非线性独立成分估计与贝叶斯优化集成学习的变压器故障预警与辨识OA

针对油浸式电力变压器故障诊断中存在的样本稀缺与模型参数优化问题,提出一种融合非线性独立成分估计(NICE)数据增强方法与贝叶斯优化XGBoost的故障识别模型。首先,为缓解高质量油色谱故障数据难以获取、样本有限易导致模型过拟合的问题,采用NICE方法对原始故障样本进行数据增强。然后,基于IEC三比值法,依据5种关键故障特征气体构建多维故障特征向量,提升数据集的特征表征能力。为进一步充分发挥XGBoost模型的性能潜力,采用贝叶斯优化算法对其关键超参数进行自适应调优,构建兼具高精度与强鲁棒性的故障诊断模型。对比实验结果表明,所提模型相比传统方法具备更高的诊断准确率与更好的泛化能力,对提升超期服役变压器的故障诊断水平具有重要的工程应用价值。