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！

龙图腾网获悉昆明理工大学申请的专利一种油浸式变压器状态的智能评估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：CN116186010B 。

龙图腾网通过国家知识产权局官网在2025-11-28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：202310115667.5，技术领域涉及：G06F16/215；该发明授权一种油浸式变压器状态的智能评估方法是由骆钊;王钢;李钊;朱家祥;刘德文;龚泽;喻品钦;雷元庆;代昕睿;王琛;马三立设计研发完成，并于2023-02-15向国家知识产权局提交的专利申请。

本一种油浸式变压器状态的智能评估方法在说明书摘要公布了：本发明属于电力技术领域，提供了一种油浸式变压器状态的智能评估方法，在对变压器的DGA样本数据分析中表现出更强的稳定性和更高的评估正确率；具体包括如下步骤：S1、建立DGA样本数据集，S2、对DGA样本数据进行数据筛选，S3、采用无编码比值法对DGA数据预处理，S4、确定特征量维度，并对相应的变压器状态进行编码，S5、平衡数据样本，进行分组，抽取训练集和测试集，S6、建立基于XGBoost的变压器评估模型，S7、采用改进粒子群优化XGBoost的关键超参数，提出IPSO‑XGBoost评估模型，S8、在IPSO‑XGBoost评估模型中导入训练集进行机器训练，导入测试集对变压器状态进行智能评估。

本发明授权一种油浸式变压器状态的智能评估方法在权利要求书中公布了：1.一种油浸式变压器状态的智能评估方法，其特征在于，包括如下步骤： S1、变压器在线监测和油化实验数据收集，统计变压器油中气体的组成成分以及各气体的含量，建立DGA样本数据集； S2、对DGA样本数据进行数据筛选，清洗掉无效数据和干扰数据； S3、采用无编码比值法对DGA数据预处理，使样本数据特征化、归一化、标准化； S4、确定特征量维度，并对相应的变压器状态进行编码，作为模型输出的评估结果； S5、平衡数据样本，进行分组，并随机抽取80％的样本数据作为训练集，其余作为测试集； S6、建立基于XGBoost的变压器评估模型； 述的步骤S6建立基于XGBoost的变压器评估模型的过程为： S61、构建XGBoost的变压器评估模型 F＝{fx＝ωqx}q:Rm→T,ω∈RT2 式1中，表示当训练至第K棵分类回归树CART时的最终预测结果，每一个fk函数对应一棵CART；xi表示第i个样本；式2中，q和ω表示CART的结构向量和叶子权重；R表示回归树的空间；m表示特征数；T表示叶子节点个数；F为所有CART构成的集合；x表示某个样本；φ表示xi和的函数关系；ωq表示CART分类器对样本分类的预测值； 样本输入后，结构向量q根据CART分类指向相应的叶子标签，每个叶子标签占有不同权重，ωq就是CART分类器对样本分类的预测值； 集合中所有CART分类器都对输入的样本进行各自独立地分类至叶子标签中，最终XGBoost模型累加所有CART分类器的预测值，获得预测结果； S62、建立目标函数 输入样本i后，对于第k次迭代的正则化目标函数为： 式中，L表示原始损失函数；l表示对预测结果的累加统计；表示第i个样本的预测结果；yi表示上一轮的模型预测值；Ω表示正则化项，γ、λ是约束正则化程度的常数，T表示叶子节点个数和ω2表示叶子权重； S63、目标函数的优化 第k次迭代时的预测值等于第k-1次迭代时的预测值与fk之和，目标函数进一步写成： 对目标函数利用二阶泰勒展开式： 式中，Lk表示利用二阶泰勒展开的目标函数；gi和hi分别为损失函数的一阶、二阶导数； 常数部分不能优化，可优化的函数部分为： 式中，表示忽略常数部分后的可优化目标函数； 每个样本最终都会分类至叶子节点，将同一个叶子节点的样本进行重组，把每个样本的损失函数叠加起来，过程如下，设该叶子节点编号为j： 在式8中，ωj表示第j个叶子节点的权重； Ij为全部样本的编号集合： Ij＝{i|qxi＝j}9 目标函数改写成了关于叶子节点预测值ω的一个一元二次函数，故直接使用顶点公式求解最优的ω和目标函数值： 式中，为ωj的最优解； 步骤S64、引入分裂节点算法 在XGBoost的训练中，引入贪婪算法以更简单、快速地寻找最佳分裂点，当样本数据量增大，对内存提出极高要求，贪婪算法遍历所有可能的分裂点将耗费大量测试时间，此时，引入近似算法替换贪婪算法； S7、采用改进粒子群优化XGBoost的关键超参数，提出IPSO-XGBoost评估模型； 所述的步骤S7采用改进粒子群优化XGBoost的关键超参数，提出IPSO-XGBoost评估模型的具体过程为： S71、粒子群优化算法设计 粒子群算法中，粒子潜在解在D维目标搜索空间解空间寻优方向受三个因素影响：上次迭代的速度、个体认知和群体导向，个体认知是粒子根据自身学习来调整下次迭代的寻优方向；群体导向则是粒子根据群体最优行动路线来调整下次迭代的寻优方向，由此，引入惯性权重、加速因子等参数来描述第i个粒子的速度更新和位置更新： Vijk+1＝ωVijk+c1r1k[pijk-xijk]+c2r2k[pgjk-xijk]j∈D12 xijk+1＝xijk+Vijk+1j∈D13 式中，Vijk代表第i个粒子在第k次迭代时的j维速度分量；ω是粒子迭代的惯性权重；c1、c2是粒子迭代的加速因子；r1、r2代表[0,1]之间的随机数；pijk代表第i个粒子在第k次迭代时局部最优位置的j维分量；xijk代表第i个粒子在第k次迭代时的j维位置分量；pgjk代表第i个粒子在第k次迭代时整体最优位置的j维分量； S72、改进粒子群优化算法 对于式12、13中的3个参数，ω描述的是粒子的“惯性”，在迭代前期ω应该大一些，保证粒子独立飞行充分搜索空间，迭代后期应该小一些，多向其他粒子学习；c1、c2分别描述的是局部最优位置、整体最优位置带来的影响，前期c1应该大一些，后期c2应该大一些，这样才能平衡粒子的全局搜索能力和局部搜索能力，鉴于此，对传统的粒子群算法进行改进，提出改进粒子群IPSO算法，采用如下公式改进上述参数： ωk＝ωmax-ωmax-ωminkTmax214 c1k＝c10-c10-c11kTmax15 c2k＝c20-c20-c22kTmax16 式中，ωk、c1k、c2k代表粒子在第k次迭代时的惯性权重和加速因子，用来替代式12的ω、c1、c2；ωmax、ωmin分别表示惯性权重最大值和最小值；c10、c11和c20、c22分别表示加速因子c1、c2的初值和终值；Tmax表示最大迭代次数； S73、建立IPSO-XGBoost评估模型 在步骤S6中建立的XGBoost变压器评估模型中引入IPSO算法，权衡粒子寻优时全局搜索和局部搜索的能力，通过IPSO对XGBoost的多个关键超参数同时进行优化，建立IPSO-XGBoost评估模型； S8、在IPSO-XGBoost评估模型中导入训练集进行机器训练，在IPSO-XGBoost评估模型中导入测试集，对变压器状态进行智能评估。

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昆明理工大学，其通讯地址为：650000 云南省昆明市昆明理工大学呈贡校区电力工程学院电力楼401；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。