Dissolved gas analysis is an important way to diagnose transformer faults. Compared with the method of establishing a single classifier based on artificial intelligence for diagnosis, ensemble learning (EL) can combine multiple classifiers to achieve stronger generalization ability and better diagnostic performance. But the traditional EL belongs to homogenous ensemble in which the base learners are based on the same algorithm, so this kind of EL method lacks the differences among the base learners, as well as systematic combination strategy. For this problem, in the paper the Stacking ensemble strategy is applied to fault diagnosis. Multilayer perceptron, k‐nearest neighbor, decision tree and support vector machine are used as component learners, and random forest algorithm is used as a combination strategy to establish a Stacking diagnosis model. In addition, homogenous ensemble methods are applied to the above four algorithms. In the method, the content of five characteristic gases are taken as the input characteristic parameters. Primary diagnostic results can be obtained with each base classifier. Then the meta‐learner random forest model organizes the base classifiers, and uses the primary diagnostic output as the input of the meta‐learner for secondary diagnosis to get the final diagnosis. The experimental results show that the ensemble of multiple heterogeneous component learners can enhance the generalization ability of the model, and the diagnostic accuracy is better than single classifier and the homogenous ensemble classifier. © 2020 Institute of Electrical Engineers of Japan. Published by Wiley Periodicals LLC.

中文翻译：

---

基于堆叠集成学习的变压器故障诊断

溶解气体分析是诊断变压器故障的重要方法。与基于人工智能建立单个分类器进行诊断的方法相比，集成学习可以将多个分类器结合起来，实现更强的泛化能力和更好的诊断性能。但是传统的EL属于基础学习者基于相同算法的同质集合，因此这种EL方法缺乏基础学习者之间的差异以及系统的组合策略。针对此问题，本文将堆叠集成策略应用于故障诊断。多层感知器，k最近邻，决策树和支持向量机用作组件学习器，而随机森林算法用作组合策略以建立堆栈诊断模型。另外，将同质集成方法应用于上述四种算法。在该方法中，将五种特征气体的含量作为输入特征参数。可以使用每个基本分类器获得主要诊断结果。然后，元学习者随机森林模型组织基本分类器，并使用主要诊断输出作为用于次级诊断的元学习器的输入，以获得最终诊断。实验结果表明，多个异质成分学习器的集成可以提高模型的泛化能力，其诊断准确度优于单个分类器和同质集成分类器。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。均匀集成方法应用于以上四种算法。在该方法中，将五种特征气体的含量作为输入特征参数。可以使用每个基本分类器获得主要诊断结果。然后，元学习者随机森林模型组织基本分类器，并使用主要诊断输出作为用于次级诊断的元学习器的输入，以获得最终诊断。实验结果表明，多个异质成分学习器的集成可以提高模型的泛化能力，其诊断准确度优于单个分类器和同质集成分类器。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。均匀集成方法应用于以上四种算法。在该方法中，将五种特征气体的含量作为输入特征参数。可以使用每个基本分类器获得主要诊断结果。然后，元学习者随机森林模型组织基本分类器，并使用主要诊断输出作为用于次级诊断的元学习器的输入，以获得最终诊断。实验结果表明，多个异质成分学习器的集成可以提高模型的泛化能力，其诊断准确度优于单个分类器和同质集成分类器。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。将五个特征气体的含量作为输入特征参数。可以使用每个基本分类器获得主要诊断结果。然后，元学习者随机森林模型组织基本分类器，并使用主要诊断输出作为用于次级诊断的元学习器的输入，以获得最终诊断。实验结果表明，多个异质成分学习器的集成可以提高模型的泛化能力，其诊断准确度优于单个分类器和同质集成分类器。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。将五个特征气体的含量作为输入特征参数。可以使用每个基本分类器获得主要诊断结果。然后，元学习者随机森林模型组织基本分类器，并使用主要诊断输出作为用于次级诊断的元学习器的输入，以获得最终诊断。实验结果表明，多个异质成分学习器的集成可以提高模型的泛化能力，其诊断准确度优于单个分类器和同质集成分类器。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。然后，元学习者随机森林模型组织基本分类器，并使用主要诊断输出作为用于次级诊断的元学习器的输入，以获得最终诊断。实验结果表明，多个异质成分学习器的集成可以提高模型的泛化能力，其诊断准确度优于单个分类器和同质集成分类器。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。然后，元学习者随机森林模型组织基本分类器，并使用主要诊断输出作为用于次级诊断的元学习器的输入，以获得最终诊断。实验结果表明，多个异质成分学习器的集成可以提高模型的泛化能力，其诊断准确度优于单个分类器和同质集成分类器。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。诊断准确度优于单一分类器和同类集成分类器。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。诊断准确度优于单一分类器和同类集成分类器。©2020日本电气工程师学会。由Wiley Periodicals LLC发布。