(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211225269.0 (22)申请日 2022.10.09 (71)申请人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 汪敏　杨春宇　张安安　李茜　 杨威　张亮　邓江湖　李自平　 (51)Int.Cl. G06Q 10/00(2012.01) G06Q 10/06(2012.01) G06K 9/62(2022.01) G06N 5/00(2006.01) G06N 20/00(2019.01) (54)发明名称 融合博弈论的变 压器风险致因分析方法 (57)摘要 本发明涉及一种融合博弈论的变压器风险 致因分析方法。 包括以下步骤： S1:收集变压器传 感器数据， 进行kNN缺失值填补； S2： 将S1中收集 的数据进行3 ‑sigma异常值剔除； S3： 利用随机森 林模型对数据进行拟合 ； S4 ： 利用博弈论 Shapleyvalue理论， 对 随机森林模型进行建模； S5： 将新时刻的数据x采集上来， 经过步骤S1与 S2； S6： 输入S3的随机森林模型和S4的数学模型， 得到变压器风险状态评估和每个传感器特征的 贡献； S7： 对步骤S6的特征贡献进行归一化处理 得到致因分析， 本专利从新颖的角度出发， 根据 博弈论理论 设计了一种特征归因方法， 可以分析 变压器风险的原因， 指导平台工作人员进行变压 器维护。 权利要求书2页 说明书7页 附图4页 CN 115293383 A 2022.11.04 CN 115293383 A 1.融合博 弈论的变压器风险致因分析 方法， 其特 征在于， 包括以下步骤： S1:定时收集变压器历史传感器数据， 在不同传感器采集到的n条数据， 按照时间进行 对齐， 并且进行缺失值 填补， 采用 “kNN缺失值填补方法 ”； S2： 将S1中收集并填补了缺失值的数据进行异常值计算检测， 采用3 ‑sigma异常值检测 技术， 计算确定上下三个扰动范围的正常区间， 超过这个区间的误差不属于随机误差而是 粗大误差， 含有该误差的数据予以剔除； S3： 以步骤S2中各个传感器采集的n条数据为训练数据， 以步骤S1中采集的n条变压器 风险水平人工标注数据为标签， 利用机器学习模型对数据进行拟合训练， 采用较为复杂的 集成树模型 ——随机森林； S4： 利用博弈论Shapley  value思想， 对步骤S3中拟合训练好的随机森林模型进行数学 建模； S5： 将新时刻不同传感器的数据x采集上来， 经过步骤S1的数据清洗与缺失值填补， 此 步骤中将使用之前存 储的n条未填补数据， 并带入步骤S2中进行异常值剔除； S6： 将步骤S5中得到的新数据x输入随机森林模型， 即可得到预测的变压器风险状态评 估， 再通过博弈论Shapley  value分析来对随机森林模型的输出， 即变压器的风险评估等 级， 进行计算、 分析和解释， 得到每一个数据每一个传感器维度特 征的贡献； S7： 将步骤S6中得到的贡献向量进行归一化处理， 经过归一化处理后， 可以将每一个传 感器特征贡献值限制到 （0， 1） 之间， 更适 合作为致因分析来表征风险原因所在； S8： 定义变压器风险评估致因分析流水线： 循环经过步骤S5得到变压器的风险状态预 测、 循环经过步骤S 6、 S7得到对此风险状态预测结果的致因分析， 定义此流水线 可以在线监 控变压器的风险状态， 并且实时给 出风险状态的原因分析， 可以指导工程人员排 查检修。 2.根据权利要求1所述的融合博弈论的变压器风险致因分析方法， 其特征在于： 步骤S1 中， 根据缺失值所在数据， 计算与其 他数据点的加权欧式距离： 其中， d为本次采集的传感器数量 （数据的传感器维度特征） ， i为数据的第i个传感器特 征的索引， x为带有缺 失值的数据， y为完整 数据， 对缺 失值所在数据与其他完整 数据全部计 算完成加权欧式距离后， 找到距离数据x最近的k个数据点， 取它们对应缺失特征的平均值 作为填补值， k取5， 在此步骤中， 存 储缺失值 填补之前的n条 数据值。 3.根据权利要求1所述的融合博弈论的变压器风险致因分析方法， 其特征在于： 步骤S4 中利用博弈论理论对随机森林模型进行数学建模， 在机器学习思想中， 每一条数据的每个 特征可以视为Shapley  value思想中的每一个成员， 基于这一思想， 计算得到每一条数据中 每个传感器特 征的贡献。 4.根据权利要求1所述的融合博弈论的变压器风险致因分析方法， 其特征在于： 步骤S5 中进行Shapleyvalu e计算， 在采集到的新数据x 上， 对于某个传感器特征j， 其对于模型预测 的贡献记为 :权　利　要　求　书 1/2 页 2 CN 115293383 A 2其中， S是当前传感器特征子集， N是传感器特征的所有子集， 是排除j在外的所有子 集， 是对子集S加上传感器特征j后的模型输出值， 是仅在子集S上的 模型输出值， 意为考虑子集S时， 有无传感器特征j对随机森林模 型输出的影响。 5.根据权利要求1所述的融合博弈论的变压器风险致因分析方法， 其特征在于： 在步骤 S8中定义的变压器风险评估致因分析流水线， 循环经过步骤S5得到变压器的风险状态预 测、 循环经过步骤S 6、 S7得到对此风险状态预测结果的致因分析， 定义此流水线 可以在线监 控变压器的风险状态， 并且实时给 出风险状态的原因分析， 指导工程人员排 查检修。权　利　要　求　书 2/2 页 3 CN 115293383 A 3