| 基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型 |
| |
| 引用本文： | 张镱议,彭鸿博,李昕,赵刘亮,郑含博,刘捷丰.基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型[J].电测与仪表,2019,56(21):110-116. |
| |
| 作者姓名： | 张镱议 彭鸿博 李昕 赵刘亮 郑含博 刘捷丰 |
| |
| 作者单位： | 广西大学电气工程学院,南宁,530004;广西大学电气工程学院,南宁,530004;广西大学电气工程学院,南宁,530004;广西大学电气工程学院,南宁,530004;广西大学电气工程学院,南宁,530004;广西大学电气工程学院,南宁,530004 |
| |
| 摘 要： | 针对单一的特征气体或特征气体比值作为DGA特征量无法全面反映变压器故障分类的问题,本文从混合DGA特征量中优选出一组DGA新特征组合为输入,建立改进磷虾群(Improved Krill Herd,IKH)算法优化支持向量机(Support vector machine,SVM)的变压器故障诊断模型进行故障诊断。将SVM的c和s与11种候选特征量进行二进制编码,利用遗传算法结合支持向量机对DGA特征量进行优选,得到一组最优DGA新特征组合；利用IKH算法对SVM的参数进行优化,同时结合交叉验证原理构建IKH算法优化SVM的变压器故障诊断模型。基于IEC TC 10的诊断结果表明：与DGA全数据、三比值特征量相比,新DGA特征组合的故障诊断准确率分别高出10.14%和30.2%；IKHSVM准确率也要高于标准SVM和GASVM(分别为73.87%、81.13%和86.27%),说明该方法能有效诊断变压器故障。
|
| 关 键 词： | 变压器 故障诊断 支持向量机 遗传算法 改进磷虾群算法 DGA特征量 |
| 收稿时间： | 2018/8/8 0:00:00 |
| 修稿时间： | 2018/8/8 0:00:00 |
Fault Diagnosis Model of Power Transformers Based on DGA Features Selection and Genetic Algorithm Optimization SVM |
| |
| Zhang Yiyi,Peng Hongbo,Li Xin,Zhou Liuliang,Zheng Hanbo and Liu Jiefeng.Fault Diagnosis Model of Power Transformers Based on DGA Features Selection and Genetic Algorithm Optimization SVM[J].Electrical Measurement & Instrumentation,2019,56(21):110-116. |
| |
| Authors: | Zhang Yiyi Peng Hongbo Li Xin Zhou Liuliang Zheng Hanbo and Liu Jiefeng |
| |
| Affiliation: | Guangxi University,Guangxi University,Guangxi University,Guangxi University,Guangxi University,Guangxi University |
| |
| Abstract: | |
| |
| Keywords: | Power transformer Fault Diagnosis Support Vector Machine Genetic Algorithm Improved Krill herd Algorithm DGA feature |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《电测与仪表》浏览原始摘要信息 |
|
点击此处可从《电测与仪表》下载全文 |
|
