李文君子 王梦沈

摘 要：DGA技术能够及时探查到充油型设备在使用过程中不易发现的隐性问题，k近邻算法是一种惰性分类算法，但是单一故障诊断算法准确性无法满足实际工程需求。为了提高变压器故障诊断精确性，本文用Adaboost算法对k近邻算法进行提升，并对Adaboost算法进行延伸，从而发展出了Adaboost.M2-kNN算法，能够处理多类分类任务。试验发现利用Adaboost.M2-kNN算法能够有效提高变压器故障诊断的准确性，该方法逐步应用于工程实践中。

关键词：变压器；kNN算法；Adaboost算法；故障诊断；实例分析

DOI：10.16640/j.cnki.37-1222/t.2018.22.117

1 引言

在Boosting的基础上诞生了Adaboost算法，而Boosting的理論框架则是从机器学习模型PAC中发展而来到。由于Adaboost算法只能用来应对二分类的问题，因此本文利用Adaboost的扩展算法Adaboost.M2来解决多分类问题。

2 Adaboost.M2-kNN算法

2.1 Adaboost.M2的基本原理

Adaboost.M2属于软分类的一种形式，在输入样本（xi，yi）后，当y不等于yi时，ht弱分类器就会根据（k-1）的顺序进行询问，通过伪误差的方法来重新调整分类器。首先选择大小为m的训练集，S={（xi，yi），（x2，y2），...，（xm，ym）}进行输入，而x可以是训练空间中的任何训练例子，也可以由多种属性值组成。而y则是和x对称的类别标签。同时在每轮循环中，都要调整弱学习器，当循环到第t轮时，弱学习器就会针对训练样本D进行分类计算，从而得出弱假设ht，在进行t轮循环后，进行加权投票，能够在全部的弱假设h中得出最终结果hfin。

2.2 Adaboost.M2算法的误差

强分类器Adaboost.M2中的训练误差是：

在上列公式中，=0.5-。从公式中可以看出，当弱假设的准确率高于随机猜测时，训练的误差就会通过指数的方式快速降低，能够提升分类的准确性[1]。……