基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究

提出用支持向量机作为分层决策电力变压器故障诊断模型。首先通过相关统计分析,选择典型油中气体作为支持向量机输入参数,然后在深入发掘油中气体所含故障信息基础上,利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型诊断。该方法基于小训练样本条件下寻求最优解,具有很好的推广能力及一致性等优点,还适用 于变压器典型故障数据少的特点。文中还给出了两种不同支持向量机核函数分类结果的比较。为了提高故障诊断的正判率,该模型同时在相关性强的特征气体之间,利用K-近邻搜索聚类在最优分类面附近对分类结果进行精确逼近,使分层决策模型可靠性显著改善。计算结果表明,该模型具有很好的分类效果。     

混沌支持向量机在变压器局部放电检测中的应用

针对变压器故障诊断中缺少实际典型故障样本的问题,提出了混沌支持向量机(CSVMs)变压器局部放电检测方法。该方法采用K均值聚类(KMC)对变压器油中5种特征气体样本进行预选取作为特征向量,输入到混沌优化多分类支持向量机中进行训练,建立CSVMs诊断模型,实现对故障样本的诊断分类。实例分析表明,KMC算法浓缩了故障信息,有效地解决了确定模型参数时耗时巨大的问题;混沌优化较好地提高了模型的推广能力。该方法在有限样本情况下,能够达到较高的故障正判率,满足变压器故障自动诊断的目的。     

基于邻域粒子群优化神经网络的变压器故障诊断

为了提高变压器故障诊断正判率,提出了一种邻域粒子群算法优化BP神经网络的电力变压器油中气体分析(DGA)方法,即通过相关统计分析和数据的预处理,选择变压器油中典型气体作为神经网络的输入,然后利用训练好的邻域粒子群算法优化后的神经网络进行变压器故障类型诊断。试验结果表明,该类方法具有很好的分类效果,较好地解决了变压器放电和过热共存时故障的难分辨问题,对故障类型的正判率较高。     

基于改进鱼群算法和支持向量机的变压器故障诊断

电力变压器在整个体系中处于十分重要的地位,部件的运行概况和整个电网的稳定性具有密切联系。对电力变压器的故障诊断,工程实践中广泛采用的是油中溶解气体法,由于变压器故障样本比较少,属于小样本数据,而支持向量机能够较好地解决小样本的多分类问题,因此提出利用改进鱼群算法对支持向量机寻优得到全局最优解,得到具有最佳参数的支持向量机模型。通过数据实例分析得出,改进鱼群算法故障诊断模型比粒子群算法故障诊断模型和改良三比值法分类准确率高。     

自适应分级多分类支持向量机在变压器故障诊断中的应用

以变压器油中溶解气体和变压器故障之间的关系为基础,提出了一种自适应分级多分类支持向量机变压器故障诊断方法。此方法基于模式识别特征提取的思想,采用不同的输入向量,对变压器有无故障和故障类型判别时,采取分级决策结构。采用自适应优化算法对多分类支持向量机进行优化,通过诊断效果和不同类型故障识别率的比较,得出变压器油中溶解气体的组分含量比值更能反映变压器故障类型,最终测试效果比较和支持向量机参数分析,可以看出该方法具有较高的准确率和良好的泛化能力。     

基于纠错能力的SVM在变压器故障诊断的应用

针对变压器的故障诊断,很多解决方法已被提出,但都有各种缺陷。为了提高变压器的故障诊断判正率,保证得到较高的精确度,提出了一种基于纠错编码和支持向量机相结合的多分类算法。介绍了纠错编码的原理应用并分析了编码长度、码间汉明距离与支持向量机多分类算法的推广性关系。运用VS2008对变压器中油中溶解气体(DGA)数据进行了仿真,结果表明该算法适合于变压器故障诊断。     

基于粗糙集理论和支持向量机的变压器故障诊断

将粗糙集约简与支持向量机分类相结合,建立一个基于粗糙集和支持向量机的变压器故障诊断模型。该模型将油色谱数据诊断结果与电气试验数据相结合,通过粗糙集信息熵进行约简,建立了故障与信息的映射关系,再通过支持向量机分类器对其进行分类,使得变压器的故障分析到初步的部位。经实例分析和验证,该模型能对变压器进行初步定位,并有较高的正判率。     

基于粗糙集理论和支持向量机的变压器故障诊断

将粗糙集约简与支持向量机分类相结合,建立一个基于粗糙集和支持向量机的变压器故障诊断模型.该模型将油色谱数据诊断结果与电气试验数据相结合,通过粗糙集信息熵进行约简,建立了故障与信息的映射关系,再通过支持向量机分类器对其进行分类,使得变压器的故障分析到初步的部位.经实例分析和验证,该模型能对变压器进行初步定位,并有较高的正判率.     

基于深度信念网络的电力变压器故障分类建模

基于深度信念网络,构建了深度信念网络分类器模型,分析并用典型数据集对其分类性能进行测试。在此基础上结合电力变压器油中溶解气体分析数据,提出了基于深度信念网络分类器的变压器故障分类新方法,它使用油中溶解气体分析结果作为故障分类属性。对所提出的方法进行了测试,测试结果表明该方法适用于变压器故障分类,具有较强的从样本中提取特征的能力和容错特性,性能优于BP神经网络和支持向量机的方法。     

基于布谷鸟算法和支持向量机的变压器故障诊断

电力变压器是电力系统运行中的重要设备之一,对故障和缺陷进行正确的诊断,关系到整个电网的运行安全。支持向量机(SVM)能够较好地解决小样本、非线性特征的多分类问题,适用于变压器故障类型判断。利用布谷鸟搜索算法,对支持向量机进行寻优得到全局最优解,从而得到具有最佳参数的支持向量机分类模型。该分类模型将变压器油色谱数据(DGA)中各气体相对含量作为评估指标,将变压器的故障分为低能放电、高能放电、中低温过热、高温过热等4个故障类型。通过已有的数据实例分析得出,利用布谷鸟搜索算法得到的分类模型比常用的网格搜索算法(GS)、粒子群搜索算法(PSO)、遗传算法搜索(GA)等算法得到的模型拟合准确率更好。     

基于油色谱监测数据的变压器动态可靠性分析

动态可靠性是电力变压器进行短期风险评估、检修决策等的依据.文中首先分析能反映变压器可靠性的因素,选择油中溶解气体分析(DGA)数据中特征气体含量、气体总量产气速率、设备役龄为关键影响因素.然后采用最小二乘支持向量机作为动态可靠性模型,进行变压器动态故障率预测.最后用算例分析了影响因素和模型的合理性,并与采用马尔可夫状态空间模型计算的故障率结果进行了比较.结果表明,设备役龄是影响变压器内部潜伏性故障率的重要因素,最小二乘支持向量机方法作为变压器动态可靠性模型具有计算速度快、监测信息的识别度高的优点.     

基于支持向量机和DGA的变压器状态评估方法

针对电力变压器结构、老化、故障机理复杂,具有不确定性,难以进行准确的状态评估的问题,将变压器健康状态分为良好、一般、注意、较差4种状态,提出了一种基于支持向量机的二叉树多级分类器变压器健康状态评估方法。该模型以变压器油中溶解气体的产气量和产气速率为评价指标,利用支持向量机挖掘评价指标与变压器健康状况之间的关系。     

基于改进遗传算法与LS-SVM的变压器故障气体预测方法

最小二乘支持向量机(LS-SVM)能较好地解决小样本、非线性数据特征的多分类问题,适用于电力变压器油色谱故障气体预测,但参数c与σ2的选取对预测结果影响较大,有必要对其进行优化选择。笔者提出一种基于改进遗传算法(IGA)的参数寻优方法,并将其应用到变压器油中故障气体预测。IGA算法采用了编码机制,随机产生初始种群,可快速扩大搜索空间,稳定群体中个体多样性,有效提高全局搜索能力和收敛速度。最后进行了多组现场数据的实例分析,结果表明:基于IGA进行参数优化后的预测准确率明显优于传统LS-SVM预测结果。     

Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers

This paper presents a forecasting model based upon least squares support vector machine (LS-SVM) regression and particle swarm optimization (PSO) algorithm on dissolved gases in oil-filled power transformers. First, the LS-SVM regression model, with radial basis function (RBF) kernel, is established to facilitate the forecasting model. Then a global optimizer, PSO is employed to optimize the hyper-parameters needed in LS-SVM regression. Afterward, a procedure is put forward to serve as an effective tool for forecasting of gas contents in transformer oil. The application of the proposed model on actual transformer gas data has given promising results. Moreover, four other forecasting models, derived from back propagation neural network (BPNN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and support vector regression (SVR), are selected for comparisons. The experimental results further demonstrate that the proposed model achieves better forecasting performance than its counterparts under the circumstances of limited samples.     

一种基于最小二乘支持向量机的年电力需求预测方法

针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度。应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测。     

基于小波分解的风电场短期功率混合预测模型

为提高预测前1 h风电功率的精度,提出一种基于小波分解(WD)的人工神经网络(ANN)及最小二乘支持向量机(LS-SVM)相结合的预测方法。通过小波分解将功率和风速序列分解为不同频率的子序列,根据风机输出功率特点分析,对低频和高频子序列分别采用ANN法和LS-SVM法进行预测,最后通过重构得到预测结果。利用该方法对东北某风电场提前1 h的功率进行预测,实验结果表明:该模型具有较高的预测精度,与单纯的BP神经网络的模型相比,绝对平均误差从10.25%下降到5.62%。     

基于最小二乘支持向量机的风速预测模型

风速具有较大的随机性,预测的准确度不高。针对这种现象,基于最小二乘支持向量机(least squares support vector machine,LS-SVM)理论,结合某风电场实测风速数据,建立了最小二乘支持向量机风速预测模型。对该风电场的风速进行了提前1h的预测,其预测的平均绝对百分比误差仅为8.55%,预测效果比较理想。同时将文中的风速预测模型与神经网络理论、支持向量机(support vector machine,SVM)理论建立的风速预测模型进行了比较。仿真结果表明,文中所提模型在预测精度和运算速度上皆优于其他模型。     

基于粒子群优化支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果与实际相符。此方法能够提高变压器故障诊断的准确率。     

基于有限元的永磁无刷直流电机转矩优化设计

在分析永磁无刷直流电机电磁转矩的基础上,以抑制电机转矩脉动为目标,提出了有限元与最小二乘支持向量机( LS-SVM)及粒子群优化算法相结合的永磁无刷直流电机设计方法,建立了永磁无刷直流电机有限元模型.经有限元计算分析,得到了极弧系数、永磁体厚度和气隙长度对电机转矩脉动的影响曲线,生成了LS-SVM训练样本,经训练得到了永磁无刷直流电机LS-SVM模型,通过有限元计算和LS-SVM模型拟合结果的比较,验证了模型的准确性.利用粒子群优化算法对永磁无刷直流电机LS-SVM模型进行优化,得到了极弧系数、永磁体厚度和气隙长度的最优参数,经有限元计算结果验证了优化的有效性.     

最小二乘支持向量机预测绝缘子等值附盐密度

考虑到气象因子条件对绝缘子的等值附盐密度影响复杂,难以建立精确数学模型等问题,提出了一种最小二乘支持向量机的绝缘子在一定的气象因子条件下的等值附盐密度预测新模型。以温度、湿度、风速等主要气象因子为输入,绝缘子等值附盐密度为输出,通过最小二乘支持向量机模型,拟合输入与输出之间的复杂非线性函数关系。以现场采集的气候数据为样本对模型进行学习训练,用训练好模型预测绝缘子在一定气候条件下的等值附盐密度。实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型。