典型文献
结合AdaBoost和代价敏感的变压器故障诊断方法
文献摘要：
数据集类别分布非均衡极大制约了人工智能技术在电力变压器故障诊断领域中的应用.为克服数据非均衡导致自适应算法(adaptive boosting,AdaBoost)分类精度提升有限的缺陷,研究提出了一种结合Ada-Boost 和代价敏感的 Adacost 算法,以有效提升诊断模型的综合分类性能.首先,确定专家打分和混淆矩阵结合的代价敏感矩阵以保证模型的合理性和客观性;然后,构建基于Adacost算法的电力变压器故障诊断模型,并以油中溶解气体无编码比值作为诊断模型的输入特征参量;最后进行算例仿真,同时选用准确率、F1度量以及G-mean作为诊断模型的评价指标.研究结果显示,相较于决策树和AdaBoost分类器,Adacost模型的各评价指标均有大幅提升,其中F1度量分别提升了 22.03％、10.07％,表明所提方法有效提升了非均衡数据集下诊断模型的故障识别性能.
文献关键词：
非均衡数据集;自适应算法(AdaBoost);代价敏感;变压器;故障诊断
中图分类号：
作者姓名：
刘云鹏;和家慧;许自强;刘一瑾;王权;杨宁;韩帅
作者机构：
河北省输变电设备安全防御重点实验室(华北电力大学),河北保定071003;新能源电力系统国家重点实验室(华北电力大学),北京102206;国网南京供电公司,江苏南京210019;中国电力科学研究院有限公司,北京100192
文献出处：
引用格式：
[1]刘云鹏;和家慧;许自强;刘一瑾;王权;杨宁;韩帅-.结合AdaBoost和代价敏感的变压器故障诊断方法)[J].华北电力大学学报（自然科学版）,2022(05):1-9
A类：
Adacost
B类：
AdaBoost,代价敏感,变压器故障诊断,故障诊断方法,电力变压器,自适应算法,adaptive,boosting,分类精度,精度提升,分类性能,专家打分,混淆矩阵,故障诊断模型,油中溶解气体,输入特征,特征参量,mean,决策树,分类器,非均衡数据集,故障识别,识别性
AB值：
0.235409
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
