一种可解释人工智能(XAI)在测量设备故障诊断和寿命预测中的应用

摘要：

基于人工智能算法的变压器故障诊断和寿命预测模型在提高准确率方面已经达到了很好的效果,但是仍存在泛化性能较低,对数据质量要求过高,判断结果无法解释等问题.该文基于DBSO-CatBoost模型,提出一种可用于故障判断解释的变压器故障诊断方法.该方法基于数据特征提取,采用差分变异头脑风暴优化(DBSD)算法对CatBoost模型进行优化和故障诊断.①对于数据预处理,引入比率法在原始数据中添加特征;采用基于可解释人工智能(XAI)的Shapley加法解释(SHAP)技术进行特征提取,并采用核主成分分析算法对数据进行降维.Shapley加法解释技术可根据特征贡献解码每个预测来帮助全局解释并评估预测结果.②将预处理后的数据输入到Cat-Boost 模型中进行训练,并采用差分变异头脑风暴优化算法对CatBoost模型的参数进行优化,从而得到最优模型.③利用得到的优化模型诊断变压器故障并输出故障类型与预测结果.实验使用来自中国国家电网公司西北部某电网的真实数据评估该模型.结果表明:该文模型在不同故障诊断中的准确性最佳,平均准确率高达99.29％,证明该文方法可以有效提高电力变压器故障诊断的准确性和效率.

关键词：可解释人工智能、故障诊断、寿命预测、机器学习、电力变压器

所属期刊栏目：46

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点科技项目;中国南方电网有限责任公司科技项目

在线出版日期：2024-01-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：167-177