張育杰，李典陽，2，馮 健，王善淵

（1. 東北大學(xué)信息科學(xué)與工程學(xué)院，遼寧省沈陽市110819；2. 國網(wǎng)遼寧省電力有限公司，遼寧省沈陽市110006）

0 引言

電力變壓器作為電網(wǎng)輸配電系統(tǒng)的重要設(shè)備，如發(fā)生故障將會(huì)影響電能傳輸、電網(wǎng)運(yùn)行穩(wěn)定及社會(huì)用電可靠性［1-2］。因此，對(duì)變壓器進(jìn)行故障診斷及預(yù)判對(duì)于保障電力系統(tǒng)的穩(wěn)定可靠運(yùn)行具有重要意義［3］。

變壓器發(fā)生故障時(shí)，絕緣油與固體絕緣材料會(huì)發(fā)生裂解，產(chǎn)生氫氣（H2）、甲烷（CH4）、乙烷（C2H6）、乙烯（C2H4）、乙炔（C2H2）、一氧化碳（CO）、二氧化碳（CO2）等氣體［4］，油中溶解氣體分析（DGA）成為現(xiàn)場(chǎng)常用的故障診斷方法。隨著診斷方法的發(fā)展，多種智能算法［5-7］被用于故障分析。

受限于算法原理，智能診斷算法大都存在不足之處，尤其是參數(shù)的選擇對(duì)診斷效果影響很大，相關(guān)研究提出了改進(jìn)磷蝦群算法（IKHA）［8］、帝國競(jìng)爭(zhēng)算法（ICA）［9］、遺傳算法（GA）［10］等多種優(yōu)化算法及參數(shù)篩選方法，以達(dá)到更好的診斷效果。為克服單一診斷算法的局限性并進(jìn)一步提升診斷準(zhǔn)確率，提出多種融合決策方法［11-12］。文獻(xiàn)［13-14］將DGA 數(shù)據(jù)、電氣及油試驗(yàn)數(shù)據(jù)等作為智能診斷算法的輸入，再將其結(jié)果進(jìn)行融合診斷。這些方法適用于事后故障分析，難以實(shí)現(xiàn)在線診斷，且沒有分析診斷算法間的互補(bǔ)性。

目前，變壓器智能診斷方法存在2 個(gè)問題有待解決。①DGA 方法所采用的氣體比值對(duì)于診斷效果影響較大，需采用恰當(dāng)?shù)姆绞綇亩喾N氣體比值參量中選取可提供充足診斷信息的故障征兆。文獻(xiàn)［15］采用遺傳算法（GA）從多種氣體比值中優(yōu)選故障征兆子集并優(yōu)化支持向量機(jī)（SVM）參數(shù)。文獻(xiàn)［16］通過多個(gè)屬性排序算法對(duì)氣體比值進(jìn)行重要度排序，再通過融合策略選取較為重要的故障征兆，使用GA 進(jìn)行征兆子集優(yōu)選。但這些方法未考慮不同屬性排序算法在同一診斷算法下的診斷效果差異，也未充分使用各算法排序的差異性結(jié)果。②診斷算法影響診斷性能及優(yōu)選子集的診斷效果呈現(xiàn)，應(yīng)從多角度對(duì)優(yōu)選子集的合理性進(jìn)行評(píng)判。相關(guān)研究對(duì)多種診斷算法進(jìn)行了對(duì)比分析，文獻(xiàn)［17-18］分別將改進(jìn)型極限機(jī)器學(xué)習(xí)（ELM）及深度信念網(wǎng)絡(luò)用于變壓器故障診斷，相較于SVM 等診斷算法取得了較好的診斷效果。這些診斷算法將為優(yōu)選子集的全方面評(píng)價(jià)提供依據(jù)。

模型融合可避免單一評(píng)價(jià)方法的局限性，避免模型冗余，達(dá)到模型互補(bǔ)的目的。本文對(duì)多種診斷算法基于傳統(tǒng)氣體比值進(jìn)行診斷效果對(duì)比以選取診斷效果較好的算法。通過多種屬性排序算法對(duì)于故障征兆進(jìn)行排序，使用選取的診斷算法基于征兆排序結(jié)果進(jìn)行征兆優(yōu)選與模型訓(xùn)練。通過驗(yàn)證集評(píng)估各診斷模型診斷效果差異性，選取診斷結(jié)果互補(bǔ)性強(qiáng)的診斷模型進(jìn)行融合決策。從差異性和診斷效果2 個(gè)角度對(duì)融合模型性能進(jìn)行評(píng)價(jià)，以此獲得融合多排序結(jié)果特點(diǎn)及各診斷算法優(yōu)勢(shì)的診斷模型。

1 多模型選擇性融合診斷

1.1 變壓器故障融合診斷流程

本文所提的多模型選擇性融合診斷過程如附錄A 圖A1 所示。為避免數(shù)據(jù)分布不均衡及數(shù)據(jù)間數(shù)量級(jí)差異對(duì)征兆優(yōu)選及診斷效果的影響，首先采用合成少數(shù)類過采樣技術(shù)（SMOTE）按故障類對(duì)樣本進(jìn)行均衡化處理，使用均衡化DGA 數(shù)據(jù)生成故障征兆。再結(jié)合各征兆數(shù)據(jù)分布特點(diǎn)，選擇性地進(jìn)行預(yù)處理，符合長尾分布特點(diǎn)的征兆先進(jìn)行反正切變換再進(jìn)行歸一化，而不符合該特點(diǎn)的直接歸一化。

將歸一化處理后的樣本隨機(jī)分配成訓(xùn)練集和測(cè)試集，將訓(xùn)練集用于征兆優(yōu)選及診斷算法性能比較。本文算法庫包含ELM、SVM、決策樹、隨機(jī)森林、AdaBoost 共5 種診斷方法，選取傳統(tǒng)方法的氣體比值組合及本文全部故障征兆分別作為診斷算法的輸入，基于訓(xùn)練集進(jìn)行5 次交叉驗(yàn)證，分析診斷算法性能。

使用多個(gè)屬性排序算法對(duì)故障征兆進(jìn)行重要度排序，用于篩選征兆子集，以加快建模并剔除冗余征兆?？紤]到無監(jiān)督算法的簡約化效果受限于故障征兆數(shù)據(jù)的離散化方式，因此本文采用信息增益（IG）算法、卡方分布（CS）算法、Fisher Score（FS）算法與Student T（ST）檢驗(yàn)算法等4 種有監(jiān)督排序算法［19-20］分析各征兆與故障標(biāo)簽之間關(guān)聯(lián)程度，給出重要度權(quán)值及征兆排序。

對(duì)常見智能診斷算法進(jìn)行綜合性能比較與優(yōu)選。不同算法給出的征兆重要度排序代表了不同角度的征兆子集組合方法?？紤]到基于單一排序結(jié)果或多算法的融合排序結(jié)果進(jìn)行征兆子集優(yōu)選本質(zhì)上都只是基于一種排序結(jié)果而未考慮不同排序結(jié)果的合理性，本文基于優(yōu)選診斷算法分別對(duì)排序結(jié)果進(jìn)行征兆優(yōu)選。而診斷算法不僅會(huì)影響到屬性子集的選擇結(jié)果，還會(huì)影響到優(yōu)選子集的診斷效果，因此基于多個(gè)征兆排序結(jié)果通過各診斷算法得到多個(gè)優(yōu)選子集及診斷模型，將優(yōu)選子集記為Subset，診斷模型記為M。這些模型代表了不同征兆選擇算法的分析角度及診斷算法不同的診斷性能，具有不同的診斷效果。

使用各模型對(duì)驗(yàn)證集樣本進(jìn)行診斷，通過分析其診斷結(jié)果來判斷模型間的差異性與互補(bǔ)性。選擇互補(bǔ)性強(qiáng)的模型進(jìn)行融合不僅可以彌補(bǔ)單個(gè)屬性排序算法未考慮屬性間聯(lián)系的缺點(diǎn)，還可以整合不同診斷算法的性能優(yōu)勢(shì)，減少模型在單個(gè)樣本上的誤判。通過實(shí)驗(yàn)生成多個(gè)融合模型，比較各融合模型間的性能，選取綜合性能最好的融合模型作為優(yōu)選結(jié)果。

1.2 差異度

定義差異度為D，指對(duì)變壓器故障類別分類時(shí)，分類結(jié)果的不完全程度。如果2 個(gè)模型在變壓器故障樣本集上的診斷結(jié)果完全相同，則差異性為0。只有當(dāng)2 個(gè)診斷模型的診斷結(jié)果存在差異性時(shí)，對(duì)其診斷結(jié)果進(jìn)行融合才有可能提高診斷準(zhǔn)確率。一種差異性計(jì)算方法如式（1）所示。

式中:Sdiff為變壓器診斷模型診斷結(jié)果中任取2 組進(jìn)行對(duì)比，所有組合的不同結(jié)果位數(shù)之和；p為所有分類結(jié)果正確率的平均值；L為診斷模型的個(gè)數(shù)；N為樣本集包含樣本個(gè)數(shù)；s為所有診斷模型正判樣本個(gè)數(shù)之和。

1.3 模型選擇性融合過程

通過分析變壓器故障診斷模型間的差異性及D-S 證據(jù)理論融合診斷的準(zhǔn)確率可以逐步獲得融合模型，其流程如附錄A 圖A2 所示，詳細(xì)步驟如下。

步驟1:在訓(xùn)練集上通過征兆排序結(jié)果和診斷算法的組合訓(xùn)練，可以得到12 個(gè)診斷模型。在驗(yàn)證集上使用12 個(gè)診斷模型進(jìn)行故障診斷，獲得模型i在驗(yàn)證集中每個(gè)樣本的診斷結(jié)果、驗(yàn)證集整體正判率βi、每個(gè)樣本被判定為故障類k的概率qi(k)。

步驟2:對(duì)12 個(gè)診斷模型進(jìn)行隨機(jī)編號(hào)，選取編號(hào)為1 的模型作為初始融合模型，將初始融合模型正判率a的值取為β1，差異度記為D。

步驟3:執(zhí)行11 次循環(huán)，每次循環(huán)中，分析當(dāng)前新增模型j與融合模型在驗(yàn)證集診斷結(jié)果的差異度，記為Dnew。

步驟4:比較Dnew與D的大小。如果Dnew值較大，則接著執(zhí)行步驟6 至步驟8，得到新融合模型的驗(yàn)證集正判率anew，如果該值大于a，則記錄新增模型j的編號(hào)，否則不記錄。如果D值較大，則不執(zhí)行步驟5 至步驟7。

步驟5:將當(dāng)前有記錄的模型在驗(yàn)證集上進(jìn)行融合診斷，并計(jì)算當(dāng)前有記錄模型間的差異度值，更新當(dāng)前參數(shù)值a與D。

步驟6:計(jì)算診斷模型的基本概率賦值與不確定度，如式（3）所示。

式中:mi(k)為診斷模型i基于單個(gè)樣本的第k種故障類的基本概率賦值；mi(Θ)為診斷模型i診斷結(jié)果的不確定度；Θ為由n種故障類別構(gòu)成的辨識(shí)框架；n為故障類別個(gè)數(shù)。

步驟7:通過D-S 證據(jù)理論對(duì)融合模型j-1 與新增模型j的診斷結(jié)果進(jìn)行融合。由式（3）分別計(jì)算融合模型j-1 與新增模型j的基本概率賦值與不確定度，并構(gòu)成融合信息源，記2 個(gè)融合信息源的子集分別為B和C。記辨識(shí)框架Θ下故障類別子集Ai的基本概率賦值為m（Ai），融合過程可表示為:

步驟8:采用基于基本概率賦值的決策方式獲得驗(yàn)證集各樣本的融合診斷故障類別，并計(jì)算驗(yàn)證集樣本正判率anew?；诨靖怕寿x值決策方式的判斷式如下。

設(shè)A1，A2?Θ，滿足:

式中:ε1和ε2為預(yù)選設(shè)定閾值，為常值。

步驟9:循環(huán)結(jié)束后，保留編號(hào)的診斷模型即為篩選的用于融合診斷的模型。

1.4 逐維預(yù)判

根據(jù)征兆排序結(jié)果，按照一定的比例組成征兆子集，通過診斷算法分析征兆子集診斷效果常被用于征兆優(yōu)選［16，21-25］。這種方法可以將與故障標(biāo)簽相關(guān)度較大的征兆逐漸放入一個(gè)子集，直至冗余征兆導(dǎo)致診斷效果變差而停止，本文采用逐維預(yù)判方法判斷征兆子集選擇的合理性，過程如附錄A 圖A3所示。逐維預(yù)判的過程是按照征兆重要度排序結(jié)果，每次增加一個(gè)故障征兆組成征兆子集，作為故障診斷信息源，通過診斷算法得到診斷準(zhǔn)確率。當(dāng)采用征兆排序方法R的排序結(jié)果使用診斷算法C進(jìn)行逐維預(yù)判，若第i個(gè)征兆子集在L次實(shí)驗(yàn)中的效果最好，則記該征兆子集為征兆排序方法R的優(yōu)選征兆子集SubR，所訓(xùn)練的診斷模型記為SubR-C。

2 變壓器征兆排序與故障診斷

2.1 故障樣本

本文從IEC TC10 數(shù)據(jù)庫和文獻(xiàn)［17-23］收集到316 組變壓器故障樣本作為數(shù)據(jù)集1 中原始樣本，使用smote 算法［26］平衡各變壓器故障類別樣本數(shù)，得到699 組均衡樣本，其分布如附錄A 表A1 所示。從國網(wǎng)遼寧省電力有限公司收集了362 組有標(biāo)簽變壓器故障樣本作為數(shù)據(jù)集2，數(shù)據(jù)分布如表A2 所示。數(shù)據(jù)集1 和數(shù)據(jù)集2 中樣本類別可劃分為:低溫過熱（LT）、中溫過熱（MT）、高溫過熱（HT）、局部放電（PD）、低能放電（LD）、高能放電（HD）及正常狀態(tài)（NS）。在分析傳統(tǒng)氣體比值及文獻(xiàn)［12-18］所用征兆參量的基礎(chǔ)上，選擇表A3 所示的常用DGA 數(shù)據(jù)及其比值作為本文故障征兆的選擇范圍，共37 種。

2.2 數(shù)據(jù)預(yù)處理

本文對(duì)涉及氣體含量為0 的氣體比值的計(jì)算原則參考文獻(xiàn)［15］。通過分析各故障征兆樣本數(shù)據(jù)分布特點(diǎn)，對(duì)序號(hào)為1-6、14-15、17、19-22、24-35、37 的故障征兆參考文獻(xiàn)［17］先進(jìn)行反正切變換再進(jìn)行歸一化，其余故障征兆直接進(jìn)行歸一化。

2.3 征兆排序結(jié)果合理性分析

通過附錄B 中的綜合分析，本文選取隨機(jī)森林、決策樹與ELM 算法用于下文的多決策模型融合故障診斷?；诰鈽颖?，通過4 種排序方法對(duì)各征兆重要度進(jìn)行排序。根據(jù)排序結(jié)果，通過3 種優(yōu)選診斷算法進(jìn)行逐維預(yù)判，可以得到12 個(gè)診斷模型，診斷結(jié)果如圖1 所示。圖1 中為5 次交叉驗(yàn)證平均診斷正判率。

由圖1 可知，征兆個(gè)數(shù)較少時(shí)，3 種診斷算法的逐維預(yù)判準(zhǔn)確率存在相互超越的現(xiàn)象，當(dāng)預(yù)判屬性個(gè)數(shù)較多時(shí)，診斷效果差異明顯，準(zhǔn)確率排序?yàn)殡S機(jī)森林、ELM 與決策樹算法。這說明同一算法在不同故障診斷信息源下的診斷性能并不相同。對(duì)比同一診斷算法在不同排序結(jié)果下的逐維診斷性能可知，不同排序結(jié)果影響到了算法的診斷效果及優(yōu)選征兆子集。如隨機(jī)森林采用FS 算法排序的前36 個(gè)征兆組成的子集達(dá)到了最高診斷準(zhǔn)確率79.32%，而基于ST 檢驗(yàn)排序的前30 個(gè)征兆可達(dá)到80.08%的準(zhǔn)確率。因此，排序與診斷算法的選擇對(duì)變壓器故障診斷效果存在影響。

圖1 基于不同排序結(jié)果的各診斷算法逐維診斷結(jié)果Fig.1 Dimensional diagnosis results of different diagnosis algorithms based on different ranking results

3 融合診斷方法

通過前文分析可知，基于不同征兆排序與診斷算法的變壓器診斷模型在不同評(píng)價(jià)指標(biāo)上各具優(yōu)勢(shì)，為發(fā)揮各模型優(yōu)勢(shì)并提高診斷效果，有必要對(duì)多個(gè)模型的診斷結(jié)果進(jìn)行融合。

3.1 模型間差異性分析

為分析各變壓器故障診斷模型間的差異性，隨機(jī)選取均衡樣本中225 個(gè)樣本組成測(cè)試集，其余樣本組成訓(xùn)練集用于模型訓(xùn)練，統(tǒng)計(jì)測(cè)試集各樣本被模型正確診斷的數(shù)量，共有106 個(gè)樣本被12 個(gè)診斷模型全部正確診斷，其余樣本分布如附錄C 圖C1所示。

由圖C1 可知，有100 個(gè)樣本存在至少一個(gè)模型診斷正確，如果能選擇恰當(dāng)?shù)淖儔浩鞴收显\斷模型進(jìn)行融合決策，便可以達(dá)到提高診斷效果的目的。

附錄C 表C1 中列舉了12 個(gè)模型在14 個(gè)樣本上的診斷結(jié)果，1 表示診斷結(jié)果正確，0 表示錯(cuò)誤，包含7種故障類，每種類別共2個(gè)樣本。表C1中，SubFS-ELM與SubFS-決策樹、SubCS-決策樹與SubIG-隨機(jī)森林、SubIG-決策樹與SubST-隨機(jī)森林在14 個(gè)樣本上的診斷結(jié)果完全相同，如果將這3 種組合分別進(jìn)行結(jié)果融合，則無助于提高診斷準(zhǔn)確率。為了簡化，下文表述將各模型表述為Mi，模型編號(hào)對(duì)應(yīng)關(guān)系見表C1。

3.2 融合模型篩選實(shí)例

基于3.1 節(jié)訓(xùn)練集與測(cè)試集，得到各模型測(cè)試集樣本的診斷標(biāo)簽，計(jì)算模型間差異度。用測(cè)試集診斷正確率評(píng)價(jià)模型診斷效果。附錄C 表C2 給出了 模 型 篩 選 順 序 為M3、M7、M1、M9、M8、M11、M4、M10、M5、M6、M12、M2的融合模型篩選過程。在12 次的循環(huán)中，每次增加一個(gè)模型，對(duì)比融合后模型差異度值與融合準(zhǔn)確率的變化，按照1.3 節(jié)的流程來篩選融合后診斷效果比較好的模型。

M3作為初始選擇模型直接保留，在第3 和第4 次循環(huán)中，融合模型的差異度值和融合準(zhǔn)確率滿足了1.3 節(jié)所規(guī)定的要求，故保留診斷模型M1與M9。在第7 次和第12 次循環(huán)中，因?yàn)椴町惗炔粷M足要求，新增模型在融合后不能提供更多的診斷依據(jù)，故舍去新增模型。其余循環(huán)過程因?yàn)槿诤蠝?zhǔn)確率未滿足要求而舍去新增模型。故此次篩選出的融合模型為M3⊕M1⊕M9。

第2 次和第3 次循環(huán)中均為2 個(gè)模型進(jìn)行融合，但融合準(zhǔn)確率分別低于和高于單獨(dú)模型M3的正判率。另外，在第5 至12 次循環(huán)中，均為4 個(gè)模型進(jìn)行融合，但在第10 次循環(huán)中，融合正判率出現(xiàn)明顯下降，說明了篩選用于融合模型的必要性。而最終的融合模型使用3 個(gè)模型進(jìn)行融合，診斷效果有提升。通過30 次實(shí)驗(yàn)，篩選出融合結(jié)果較好的10 組組合，如附錄C 表C3 所示。

4 融合模型性能比較

4.1 泛化能力

為分析3.2 節(jié)篩選出的10 組融合模型的診斷性能，使用均衡樣本對(duì)10 組模型進(jìn)行了5 次交叉驗(yàn)證，每個(gè)模型所使用的5 次交叉驗(yàn)證訓(xùn)練集和測(cè)試集均相同，且每個(gè)模型進(jìn)行20 次重復(fù)實(shí)驗(yàn)。將20 次實(shí)驗(yàn)的平均正判率作為各測(cè)試集正判率，計(jì)算5 個(gè)測(cè)試集的平均正判率及分類精度標(biāo)準(zhǔn)差，結(jié)果如表1所示，表中G1至G10分別代表附錄C 表C3 中1 至10 組融合模型。

表1 融合模型交叉驗(yàn)證結(jié)果Table 1 Cross-validation results of fusion models

由表1 可知，除融合模型G1、G2、G9外，其余7 組模型在交叉驗(yàn)證的第1 組實(shí)驗(yàn)取得了最好的正判率。全部融合模型在第3 組測(cè)試上獲得了最差的正判率。這說明融合模型在不同樣本集上診斷效果存在差異，差異大小反映了融合模型的泛化性能。從平均正判率看，G2與G5模型獲得了較好的診斷結(jié)果；從STD 值看，G2模型的泛化能力最好。

4.2 故障類別區(qū)分能力

為分析融合模型在提高整體樣本正判率的同時(shí)是否較為平均地提高了各故障類別的區(qū)分能力，本文在表2 中給出了最高最低故障正判率及其類別與各故障類別正判率STD 值。

表2 融合模型各故障類別正判率Table 2 Correct judging ratio of different fusion models for various fault categories

從表2 可知，融合模型最高與最低正判率的故障類別存在差異，G5模型的平均正判率最高，G2模型 次 之。G7模 型 的STD 最 小，G2模 型 的STD 較 ?。ㄅ诺? 位）。對(duì)比附錄表B1 與表6 可知，融合模型的各故障類正判率STD 值小于各單獨(dú)診斷模型，說明融合模型具有更好故障類別區(qū)分能力。從綜合性能分析來看，本文篩選的G2模型具有更好的故障診斷能力。

4.3 國內(nèi)樣本診斷

以均衡樣本作為訓(xùn)練集，對(duì)G2融合模型進(jìn)行模型訓(xùn)練，對(duì)數(shù)據(jù)集2 中的現(xiàn)場(chǎng)樣本進(jìn)行故障診斷，實(shí)驗(yàn)結(jié)果如表3 所示。表3 中，現(xiàn)場(chǎng)樣本的整體正判率達(dá)到85.64%，表明本文方法能夠較好地分析現(xiàn)場(chǎng)樣本信息，模型具有較好的泛化能力。

表3 現(xiàn)場(chǎng)樣本故障診斷結(jié)果Table 3 Fault diagnosis of on-site samples

除上文介紹的5 種智能診斷方法外，反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）是另一種常用的變壓器故障智能診斷技術(shù)。以均衡樣本作為訓(xùn)練集，數(shù)據(jù)集2 作為測(cè)試集進(jìn)行故障診斷。BPNN 的輸入層節(jié)點(diǎn)數(shù)設(shè)置為37，輸出層設(shè)置為7，其他參數(shù)設(shè)置參照文獻(xiàn)［24］。以附錄A 表A2 中的全部故障征兆作為BPNN 的輸入，實(shí)驗(yàn)重復(fù)進(jìn)行20 次，實(shí)驗(yàn)結(jié)果如表4所示。從表4 可知，G2模型診斷結(jié)果好于SVM、BPNN、ELM 與隨機(jī)森林算法。

表4 智能診斷方法診斷結(jié)果對(duì)比Table 4 Comparison of results of intelligent diagnosis methods

將均衡樣本作為訓(xùn)練集，現(xiàn)場(chǎng)樣本作為測(cè)試集，附錄B 表B1 中的4 種氣體比值參量組合分別作為深度置信網(wǎng)絡(luò)（DBN）的輸入，DBN 的參數(shù)設(shè)置及結(jié)果融合策略均參照文獻(xiàn)［14］，其診斷模型記為MDBN。同樣將4 種氣體比值參量組合分別作為隨機(jī)森林、決策樹、ELM、SVM 的輸入進(jìn)行模型訓(xùn)練，參數(shù)設(shè)置參照前文，按照投票聚合方法及文獻(xiàn)［12］的融合策略獲得融合模型，分別記為Mvote、MDS。各模型診斷結(jié)果如表5 所示，其中測(cè)試集查準(zhǔn)率與查全率的計(jì)算過程見附錄B。

表5 融合模型故障診斷結(jié)果對(duì)比Table 5 Comparison of fault diagnosis results of fusion model

結(jié)果表明，本文篩選的G2模型綜合診斷結(jié)果好于MDBN、Mvote與MDS融合模型，且在相同信息源下，證據(jù)融合理論的融合效果好于投票法。

5 結(jié)語

本文通過多個(gè)智能算法基于不同征兆排序結(jié)果進(jìn)行征兆子集優(yōu)選，并訓(xùn)練了多個(gè)診斷模型，通過模型的差異性分析對(duì)優(yōu)選模型進(jìn)行診斷結(jié)果融合得到融合模型，用于故障診斷。該方法通過比較模型間性能差異，選取互補(bǔ)性強(qiáng)的模型進(jìn)行融合，可以避免相似模型融合造成冗余，發(fā)揮各模型算法的優(yōu)勢(shì)，具有更好的診斷效果與綜合性能。進(jìn)一步研究中，可以通過引入?yún)?shù)優(yōu)化算法進(jìn)一步提高模型的診斷性能，并分析基于DGA 數(shù)據(jù)、電氣實(shí)驗(yàn)數(shù)據(jù)等多源數(shù)據(jù)的診斷效果。

附錄見本刊網(wǎng)絡(luò)版（http：//www.aeps-info.com/aeps/ch/index.aspx），掃英文摘要后二維碼可以閱讀網(wǎng)絡(luò)全文。