买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉成都信息工程大学申请的专利一种混合式半监督变压器故障诊断方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119207641B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411310913.3，技术领域涉及：G16C20/70；该发明授权一种混合式半监督变压器故障诊断方法是由谭学敏;郭超;张江林;庄慧敏;谢晓娜;李艳霞设计研发完成，并于2024-09-20向国家知识产权局提交的专利申请。

本一种混合式半监督变压器故障诊断方法在说明书摘要公布了：本发明提供了一种混合式半监督变压器故障诊断方法，包括建立结合XYZ策略的过滤式交叉验证特征优选的半监督迭代变压器故障诊断模型、建立基于包裹式特征优选的变压器故障诊断模型、建立混合式半监督特征优选的变压器故障诊断模型。本发明结合过滤式和包裹式特征优选的优点降低了特征复杂度，对比单一的特征选择方法，增强了特征的可区分能力；使用少量DGA标记数据作为指导，利用大量DGA无标记数据改善学习性能,解决了故障标记样本稀缺情况下变压器故障诊断问题。

本发明授权一种混合式半监督变压器故障诊断方法在权利要求书中公布了：1.一种混合式半监督变压器故障诊断方法，其特征在于，包括： S1.建立基于过滤式交叉验证特征优选的半监督迭代变压器故障诊断模型，具体如下： 获取DGA数据并划分为训练集ST和验证集SV，训练集ST包括初始标记样本集SI和未标记样本集SU； 利用初始标记样本集SI训练初始分类器，建立基于支持向量机的变压器故障诊断多分类模型； 使用基于支持向量机的变压器故障诊断多分类模型，预测未标记样本集SU和验证集SV的故障类别，基于一对多计算基于支持向量机的变压器故障诊断多分类模型在未标记样本集SU各个样本上的多个后验概率，再平均化各个样本的后验概率； S2.建立结合XYZ策略的过滤式交叉验证特征优选的半监督迭代模型，具体如下： 在第m次迭代中，利用X策略选择未标记样本集SU中信任度高的样本并与标记样本集SI整合，重新构成标记训练集SLm； 利用标记训练集SLm重新训练支持向量机的多分类器，重新预测未标记样本集SU和验证集SV的故障类别； 重新计算未标记样本集SU中各个样本的后验概率； 找出第m次迭代与第m-1次迭代对未标记样本集SU预测的标签，计算前后两次的不同标签的数量，若不同的数量小于1，迭代停止；若数量大于1，进行第m+1次迭代，直到满足m的上限值； 迭代停止后，获得验证集SV的最终分类率； 根据新的训练集SLm的特征空间和对应的最终标签，利用过滤式方法对特征空间进行排序，使用Y策略选择最优特征； 经过r*K折交叉验证，计算验证集SV上的平均分类率，并使用Z策略选择最优特征； S3.建立基于包裹式特征优选的变压器故障诊断模型，具体如下： 建立遗传算法结合支持向量机的特征优化模型，同步优化支持向量机的参数和输入的DGA特征； 设置遗传算法参数，包括种群、迭代次数、染色体长度； 对支持向量机参数和输入DGA特征进行编码，进行随机化初始种群、染色体解码、个体适应度排序、遗传操作、产生子代个体、子代染色体解码、子代染色体个体适应度计算； 达到停止条件，输出最优特征空间、最优支持向量机参数和交叉验证率； S4.建立混合式半监督特征优选的变压器故障诊断模型，具体如下： 特征空间的构建：选定特定类型的气体浓度、各种气体比值和IEC或IEEE推荐的相对百分比作为初始特征空间； 重构DGA原始数据，基于初始特征空间形成的数据集，利用合成少数类过采样技术改变数据的不平衡性； 数据集预处理：对数据分布平衡的数据集的特征空间进行反正切变换和归一化处理； 建立基于过滤式交叉验证特征优选的半监督迭代模型，获得的最终分类率作为基于包裹式特征优选的变压器故障诊断模型中个体适应度的值，使用获得的最优特征空间对染色体重新进行编码； 其中，X策略为:若未标记样本集SU中样本预测分类的后验概率大于未标记样本集SU中所有样本预测分类的平均后验概率，认为此样本可信,将可信样本加入训练集ST中重新构成标记训练集SLm； Y策略为：根据排序，选择各个比例的特征空间，基于SLm进行训练，在验证集SV上进行验证，选择最大分类率对应的比例，构成的新特征空间替换编码； Z策略为：对r*K折交叉验证获得的最优特征空间矩阵中进行选择，选择与平均分类率相差最小的对应的特征空间为最优特征。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人成都信息工程大学，其通讯地址为：610200 四川省成都市西南航空港经济开发区学府路一段24号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。