Feature Selection and Classification Techniques in the Assessment of the State for Large Power Transformers

• Autorzy: Byczkowska-Lipińska L. , Wosiak A.

Warianty tytułu

PL

Techniki selekcji cech i automatycznej klasyfikacji w procesie oceny stanu transformatora energetycznego

• Języki publikacji: EN

Abstrakty

EN

The use of automatic feature selection and state classification of power transformer has been proposed in this research. The experimental studies were carried out on real data. Feature selection was performed using the CFS, InfoGain and ReliefF methods. The classification was carried out using C4.5, k-NN, SMO and AdaBoost algorithms. Experimental studies have proved that the automatic classification allows to obtain results comparable to the classification carried out by experts - regardless of the method the number of cases correctly classified was above 90%.

PL

W ramach niniejszej pracy zaproponowane zostało zastosowanie selekcji cech i automatycznej klasyfikacji stanu transformatora energetycznego. Badania przeprowadzone zostały na rzeczywistych danych. Selekcję cech przeprowadzono z zastosowaniem metod CFS InfoGain i ReliefF. Proces klasyfikacji przeprowadzony został za pomocą algorytmów C4.5, k-NN, SMO i AdaBoost. Badania eksperymentalne wykazały, że automatyczna klasyfikacja danych pozwala na uzyskanie rezultatów porównywalnych do klasyfikacji przeprowadzonej przez ekspertów - niezależnie od zastosowanej metody liczba przypadków zaklasyfikowanych poprawnie wyniosła powyżej 90%.

Słowa kluczowe

EN

data mining; feature selection; classification; large power transformer

PL

Eksploracyjna Analiza Danych; selekcja cech; klasyfikacja; transformator energetyczny

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2015
• Tom: R. 91, nr 1
• Strony: 175--178
• Opis fizyczny: Bibliogr. 16 poz., rys., tab.

Twórcy

autor

Byczkowska-Lipińska L.

• University of Computer Sciences and Skills, ul. Rzgowska 17 a, 93-008 Lodz, Poland

autor

Wosiak A.

• Politechnika Łódzka, Instytut Informatyki, ul. Wólczańska 215, 90-924 Lodz, Poland

Bibliografia

• [1] FODOR I.K.: A survey of dimension reduction techniques, Technical Report, Lawrence Livermore National Laboratory, US Department of Energy, 2002
• [2] GUYON I., ELISSEEFF A.: An introduction to variable and feature selection. Journal of Machine Learning Reseach, 3, 1157–1182, 2003
• [3] SUN H.-Ch., HUANG Y.-Ch., HUANG Ch.-M.: Fault Diagnosis of Power Transformers Using Computational Intelligence: A Review, Energy Procedia No 14, pp. 1226 – 1231, 2012
• [4] PISICA I., TAYLOR G, LIPAN L.: Feature selection filter for classification of power system operating states, Computers and Mathematics with Applications 66 (2013) 1795–1807
• [5] HAN Han, WANG Hou-jun, DONG Xiucheng: Transformer Fault Dignosis Based on Feature Selection and Parameter Optimization, Energy Procedia No 12, pp. 662 – 668, 2011, DOI:10.1016/j.egypro.2011.10.090
• [6] BYCZKOWSKA-LIPIŃSKA L., WOSIAK A.: System diagnostyczny do oceny stanu pracy transformatora energetycznego, Przegląd Elektrotechniczny 12/2006 pp. 137-140, 2006
• [7] BYCZKOWSKA-LIPIŃSKA L., WOSIAK A., KAŹMIERSKI M., KERSZ I.: Korzyści ekonomiczne wynikające z zastosowania systemów monitoringu transformatorów energetycznych, Przegląd Elektrotechniczny 12/2007, pp.101-104, 2007
• [8] GIUDICI P.: Applied Data Mining Statistical Methods for Business and Industry, Wiley & Sons, 2003
• [9] LAL T.N., CHAPELLE O., WESTON J. ELISSEEFF A.: Embedded Methods, In: Feature Extraction, Foundations and Applications (Eds. Isabelle Guyon, Steve Gunn, Masoud Nikravesh, Lotfi A. Zadeh), ISBN-10 3-540-35487-5, Springer-Verlag Berlin Heidelberg 2006, pp. 137-165
• [10] PISICA I., EREMIA M.: Making smart grids smarter by using machine learning, In: 46th International Universities’ Power Engineering Conference, UPEC, 2011, pp. 1–5.
• [11] JAZEBI S., VAHIDI B., JANNATI M.: A novel application of wavelet based SVM to transient phenomena identification of power transformers, Energy Conversion and Management 52 (2011) pp. 1354–1363, 2011
• [12] HALL M., FRANK E., HOLMES G., PFAHRINGER B., REUTEMANN R., WITTEN I.H., The WEKA data mining software: an update, SIGKDD Exploration Newsletter vol. 11, 2009, pp. 10-18, DOI: 10.1145/1656274.1656278
• [13] WITTEN I. H., FRANK E.: Data Mining: Practical Machine Learning Tools and Techniques, Third Edition, Morgan Kaufmann, 2011
• [14] FEI S.W., ZHANG X.B.: Fault diagnosis of power transformer based on support vector machine with genetic algorithm, Expert Systems with Applications 36 (2009) 11352–11357
• [15] SHINTEMIROV A., TANG W., WU Q.H.: Power transformer fault classification based on dissolved gas analysis by implementing bootstrap and genetic programming, IEEE Transactions on Systems, Man, and Cybernetics—Part C: Applications and Reviews 39 (January (1)) (2009) 69–79
• [16] FEI S.W., LIU C.l., MIAO Y.B.: Support vector machine with genetic algorithm for forecasting of key-gas ratios in oilimmersed transformer, Expert Systems with Applications 36 (2009) 6326–6331.