基于群组分布鲁棒优化改进XGBoost的变压器故障诊断方法OA

在变压器故障诊断中,处于各运行状态分类边缘的样本通常数量稀缺、分布稀疏且存在重叠,导致诊断准确率显著低于基准水平。针对该问题,提出一种基于群组分布鲁棒优化(group distributionally robust optimization,GDRO)改进XGBoost的变压器故障诊断方法。首先,通过高斯混合模型(Gaussian mixture model,GMM)聚类,按油中气体组分差异将各运行状态样本拆分为子类,用以区分集中区与边缘区样本。其次,构建XGBoost故障诊断模型,并采用GDRO算法重新分配各子类权重,以解决模型对边缘样本关注不足的问题。最后,通过算例分析对所提方法的性能进行评估。实验结果表明,相较于常规诊断方法,所提方法对边缘区样本的诊断准确率可达91.67%,总体诊断准确率达到91.08%,显著提升了变压器故障诊断模型在边缘样本上的鲁棒性与全面性。