混合布谷鸟算法在高压断路器故障诊断上的应用

为了更准确、快速地对高压断路器故障进行分类、诊断,提出一种基于混合布谷鸟算法优化的最小二乘支持向量机(LSSVM)的故障诊断方法。首先提取分合闸线圈的时间和电流特征量得到特征向量,再利用模拟退火算法(SA)与布谷鸟算法(CS)结合形成的混合布谷鸟算法(CS-SA),对支持向量机进行寻优,旨在得到具有最优参数支持向量机分类模型,提高诊断结果的准确性。最后,利用收集到的数据对该算法进行诊断验证,结果表明利用混合布谷鸟算法优化后的LS-SVM得到的分类模型比常用的粒子群算法、遗传算法、标准布谷鸟算法优化得到的模型准确率更高。     

基于混合免疫算法的变压器故障诊断

为了提高变压器故障诊断正确率,提出一种免疫支持向量机混合智能诊断方法,首先将变压器故障分为放电性和过热性,然后用免疫聚类算法对所荻取的数据进行预选取,加快模型参数的确定速度,利用支持向量机识别类内变压器故障,利用基于交叉验证的网格搜索法来确定支持向量基的参数.经过大量实例分析,并将其结果与神经网络方法进行对比,表明该算法具有较高的诊断精度.     

最小二乘支持向量机多分类法的变压器故障诊断

为了提高变压器故障诊断正判率,提出了一种基于小样本的最小二乘支持向量机(LS-SVM)多分类电力变压器油中气体分析(DGA)法,即通过相关统计分析和数据的预处理,选择变压油中典型气体作为LS-SVM的输入,然后利用典型故障气体的体积分数在高维空间的分布特性诊断变压器故障类型。该法在小样本条件下可获得最优解,泛化能力很好,且没有传统支持向量机只能分两类的缺陷,很好地解决了变压器多种故障共存的实际情况。试验表明,该方法分类效果很好,可较好地解决变压器放电和过热共存时故障的难分辨问题,故障类型的正判率较高。     

基于ISSA优化SVM的变压器故障诊断研究

针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。     

基于蝙蝠算法优化最小二乘双支持向量机的变压器故障诊断

为了提高变压器的故障诊断精度,提出了一种基于蝙蝠算法(BA)优化最小二乘双支持向量机(LS-TSVM)的变压器故障诊断方法。该方法针对变压器故障诊断过程中的多分类问题,通过计算类间相异度矩阵自下而上构建哈夫曼树,结合LS-TSVM建立了多类分类故障诊断模型,然后采用蝙蝠算法对模型中LS-TSVM分类器的参数进行优化。利用该方法对变压器进行故障诊断,实例仿真结果表明:与粒子群优化支持向量机(PSO-SVM)方法相比,所提方法不仅训练时间显著缩短,而且故障诊断精度更高,对于高温过热、低能放电故障的诊断精度均明显高于PSO-SVM方法。仿真结果说明所提方法在变压器故障诊断中具有较高的优越性。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

基于统计特征参数与相关向量机的变压器局部放电类型识别

针对传统的局部放电模式分类器存在的不足,提出了一种基于统计特征参数与相关向量机(RVM)的变压器局部放电类型识别的新方法。首先针对4种变压器局部放电实验模型的二维图谱提取出表征图谱特征的16个统计参数,然后设计一对一RVM多分类模型,将统计参数作为输入向量送入RVM分类模型,实现放电类型识别。测试结果表明,RVM分类器具有较好的放电识别效果,与支持向量机(SVM)相比具有计算复杂度低、相关向量少、训练及测试时间短等优点,两者识别精度相当,均高于BPNN。     

基于SVM和Kriging模型的变压器故障诊断方法

为了保证变压器供电的可靠性,结合油中溶解气体分析法(DGA),提出了基于支持向量机(SVM)和Kriging模型的双级分类算法,实现变压器的潜伏性故障的预测。首先,以SVM作为初级分类器,将待测DGA数据分类为正常、放电故障或过热故障三种状态;其次,以Kriging模型作为次级分类器,对待测数据进行二次分类,完成精确诊断。为提高算法精度,应用改进的粒子群优化算法分别对SVM的核函数参数、惩罚系数以及Kriging模型的相关参数进行优化。所提方法集成了粒子群优化算法的快速寻优能力,SVM的分类能力与Kriging模型高精度拟合等优点,因此有效地提高了诊断精度。最后通过变压器故障诊断实例验证了文中方法的有效性。     

基于粒子群算法优化支持向量机的变压器绕组变形分类方法

变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。     

改进秃鹰搜索算法优化SVM的变压器故障诊断研究

支持向量机(support vector machine, SVM)用于变压器故障诊断时,其核函数参数g和c的最优值难以根据人工经验选取,故障诊断准确率较低;而秃鹰搜索算法(bald eagle search, BES)存在易陷入局部最优和收敛精度低的缺陷。针对以上问题,提出一种改进秃鹰搜索算法(Ct-GBES)优化SVM参数g和c的变压器故障诊断模型。采用tent混沌映射、自适应t-分布及动态选择、黄金正弦算法对BES的3个阶段进行改进和优化,以提高算法的收敛速度和搜索能力。通过与原始BES、布谷鸟算法(cuckoo search, CS)和萤火虫算法(firefly algorithm, FA)的寻优对比测试,验证了Ct-GBES算法的优越性。将Ct-GBES-SVM模型与SVM、FA-SVM、CS-SVM模型进行故障诊断实验对比,并与BES-SVM模型进行稳定性实验对比。结果表明,所提模型准确率更高、稳定性更好、运行时间更短,其故障诊断效果更好。     

基于特征气体分层特性的电力变压器故障诊断技术研究

随着电网的扩大,变压器在电网中的作用日益提高,从而变压器在线故障诊断技术也显得异常重要。分析了变压器常见的故障类型以及变压器故障与变压器油产生特征气体的对应关系;选出具有代表性的特征气体作为最优诊断特征量;将故障诊断过程分为三个层次：正常-故障层、过热-放电层和故障细化层（高温过热、中低温过热、低能量放电、高能量放电）;最后用互信息方法与神经网络法实现基于特征气体分层特性的变压器故障诊断方案。     

基于细菌觅食算法优化的电力变压器故障诊断技术

针对支持向量机(SVM)分类性能受参数影响,且最优参数难以获取这一问题,提出一种基于细菌觅食算法(BFA)的电力变压器故障诊断模型的参数寻优方法。该方法以电力变压器油中特征气体含量作为状态评价样本,通过BFA寻找全局最优SVM参数解,构建k-折平均分类准确率目标函数,建立变压器故障诊断模型。仿真结果表明,BFA对SVM最优参数的选取较遗传算法(GA)、粒子群算法(PSO)更迅速,且优化后的SVM电力变压器故障诊断模型具有更高的精确度;利用BFA优化方法建立的SVM电力变压器状态诊断模型,对IEC三比值法中无法判断的数据也可进行精确诊断。最后,通过实例分析,验证了方法的有效性。     

基于故障特征气体与C_2H_2/C_2H_4比值分类的反馈型神经网络电力变压器故障诊断

分析了五种特征气体及C2H2/C2H4的比值与变压器故障类型之间的关系,将变压器故障进行分类。依据C2H2/C2H4的比值将故障分为两类,第一类包含低温过热、中温过热、高温过热和局部放电,第二类包含低能放电、高能放电两类,并将C2H2/C2H4的比值过高的诊断为高能放电。再依据氢气对五种特征气体的百分比,从第一类中区分出局部放电。最后用反馈型神经网络中的Elman网络确定具体故障类型。     

差分进化算法在变压器故障诊断中应用

针对典型小样本数据的变压器故障诊断,文章提出了一种基于差分进化算法优化的支持向量机构建电力变压器故障诊断方法。该方法是采用差分进化算法来优化支持向量机核函数参数g和惩罚因子C,将优化过的支持向量机对小样本故障数据进行故障诊断。实验结果表明,该方法比网格搜索优化算法和粒子群优化算法具有更高的准确率,非常适合于电力变压器的故障诊断。     

基于混合采样与 IHBA-SVM 的变压器故障辨识方法

针对变压器故障数据的不平衡性弱化故障分类能力的问题,提出混合采样与改进蜜獾算法( IHBA)优化支持向量机 (SVM)的变压器故障诊断方法。 首先采用 K 近邻去噪、K 均值聚类(K-means)与合成少数类过采样(SMOTE)对数据进行混合 采样处理,以缓解诊断结果向多数类的偏移;然后使用 Tent 映射、轮盘赌随机搜索机制和最优个体扰动策略对传统蜜獾算法 (HBA)进行改进,并使用 IHBA 优化 SVM 参数,以进一步提升变压器故障辨识能力;最后对所提方法进行算例仿真,结果显示, 相较于传统的变压器故障辨识方法,采用 K 近邻去噪、K-means、SMOTE 混合采样与 IHBA-SVM 相结合的故障诊断模型获得了 最高的宏 F1 和微 F1 值,分别达到 0. 877 和 0. 886,表明提出模型不仅具有更高的整体分类能力,且更能兼顾对少数类故障的 辨识。     

基于BOA-SVM的劣化绝缘子红外图谱诊断方法

线路绝缘子是电力系统运行中的重要设备之一,准确判断绝缘子是否有缺陷问题,关系到整个电网的运行安全,为了提高故障诊断的准确率,本文提出了一种二进制支持向量机(SVM)分类器和贝叶斯优化(BOA)相结合的线路绝缘子故障诊断方法,用于绝缘子闪络过程中红外图谱的分类识别,通过提取绝缘子红外图谱中的方向梯度直方图特征,利用贝叶斯优化算法获得诊断模型的最优超参数来提高分类算法的准确率,并采用主成分分析法对提取特征进行降维来提高分类算法的效率。结果表明,采用贝叶斯优化支持向量机可以准确、有效地对绝缘子进行故障诊断,得到的分类模型比常用的网格搜索算法(GS)、随机搜索算法(RS)等算法准确率更高。     

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。     

基于RFE和SA-SVM的变压器故障诊断

通过对变压器油中溶解气体进行分析,可以及早的发现变压器的故障。为了全面地反映变压器内部故障与特征气体之间的关系,提出采用5种特征气体浓度比值共计15组作为特征预输入量,并采用基因选择算法对15个特征量进行筛选,将筛选后特征量作为支持向量机模型输入。在SVM模型中,采用模拟退火算法对SVM的参数进行优化,给出其GUI界面。最后,通过数据验证基于RFE-SA-SVM模型故障诊断率要高于单一模型。     

基因多点交叉遗传算法在变压器故障诊断中的应用

文中提出了一种基因多点交叉遗传算法,设计了基于该遗传算法、自动调整网络参数、连接权重和偏差的最优神经网络,建立了一套集溶解气体分析(DGA)技术、遗传算法和神经网络为一体的变压器故障诊断系统.由于基因多点交叉遗传算法的全局搜索能力和神经网络的高度非线性映射属性,文中的故障诊断系统能够较好地自动识辨变压器油中溶解气体与故障的对应关系,离线试验和现场运行结果表明,该诊断系统对变压器的过热、放电和受潮等故障诊断有一定的准确性.