应用支持向量机的变压器故障组合预测

对变压器油中溶解气体进行预测有助于及时预测变压器的故障。提出一个基于支持向量机(support vector machine,SVM)的变压器故障组合预测模型及其求解步骤。在预测过程中,首先利用多个单一预测方法如线性模型、指数模型、乘幂模型、非等间隔灰色GM(1,1)模型和非等间隔灰色Verhulst模型构成预测模型群,对原始油中溶解气体数据进行拟合。然后,将预测模型群的拟合结果作为支持向量机回归模型的输入进行2次预测,形成变权重的组合预测。该文对基于SVM的组合预测过程和参数计算进行了详细地探讨。通过2个实例证明了该文提出的组合预测模型能较好地平衡拟合和外推,在某种程度上解决了传统方法拟合优而外推差的问题。此外,通过与多种预测方法进行比较,基于支持向量机的变压器故障组合预测模型的预测精度明显优于单一预测模型和其它的组合预测模型。     

以最小二乘支持向量机作组合器的变压器油中溶解气体体积分数预测

提出将灰色多变量模型和自回归AR模型的预测结果作为最小二乘支持向量机的输入变量,将实际值作为其输出向量,训练最小二乘支持向量机以获得组合器的权重,并将训练后的组合模型用于变压器油中溶解气体体积分数的预测.最小二乘支持向量机选用径向基核,其中的参数采用交叉实验的方法获得.这种复合模型综合了多种信息,充分利用了最小二乘支持向量机解决有限样本问题的优势.实例分析证明了所给方法的有效性和相比其他方法的优越性.     

应用弱化缓冲算子与最小二乘支持向量机的变压器油中溶解气体浓度预测

变压器油中溶解气体浓度是评估油浸式变压器绝缘状态的重要依据。变压器油中溶解气体浓度的时间序列数据具有随机振荡性,往往不能准确把握溶解气体浓度的发展趋势,因此应用缓冲算子首先对原始数据进行弱化处理,减少其随机性。现有溶解气体浓度预测模型仅实现了点预测,为此采用最小二乘支持向量机与区间参数估计理论建立了溶解气体浓度的区间预测模型,确定未来溶解气体浓度在一定置信度下的变化区间。算例结果验证了该模型的有效性。     

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.     

基于最小二乘支持向量机的电力变压器故障诊断

油中溶解气体分析是变压器绝缘故障诊断的重要方法。为了提高分类的准确度和可靠性,应用最小二乘支持向量机理论建立了变压器的分类模型。该模型以变压器油中5种主要特征气体作为输入量,以7种变压器状态作为输出量,选用了径向基核,使用了一对一的多分类算法,充分发挥了支持向量机具有较高泛化能力的优势。通过大量的实例分析,并将诊断结果与IEC三比值法、改良三比值法和BP神经网络的诊断结果相比较,表明基于径向基核的最小二乘支持向量机在变压器故障诊断中具有更高的准确率。     

基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法

电力变压器运行故障的准确诊断有利于提高变电设备状态检修和电网安全运行水平，为实现故障的准确分类，文章以油中溶解的5种典型气体作为故障诊断的特征量，提出一种基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法。该方法通过改进灰狼算法寻求最小二乘支持向量机中的最优惩罚系数C和核函数参数g，用以提高故障诊断的准确率。首先阐明最小二乘支持向量机和灰狼算法的改进点并将二者耦合，将其代入413组电力变压器的油中溶解气体检测数据来诊断故障类型，与其他诊断方法进行对比；其次研究惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响规律；最后借助训练后的改进灰狼算法与最小二乘支持向量机耦合方法，通过两台不同电压等级的变压器故障实例分析，验证了故障诊断方法的有效性。研究结果表明：相较于单一使用最小二乘支持向量机和传统灰狼算法与最小二乘支持向量机耦合，改进灰狼算法与最小二乘支持向量机耦合方法对电力变压器故障诊断的准确率分别提高了14%和7%。此外，惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响呈现非线性规律，凸显了通过智能算法找到最优解的便捷性、必要性、有效性。     

用SVRM预测变压器油中溶解气体量

变压器油中溶解气体体积分数的预测对变压器故障的早期发现,确保电力系统安全运行有着重要意义。针对现有预测方法的不足,提出了基于支持向量回归机(SVRM)的变压器油中溶解气体体积分数的预测方法,在SVRM算法基础上建立了预测模型,其中结合网格法和留一交叉检验法寻求SVRM中最优的参数组合。变压器油中溶解气体体积分数预测分析的实例表明,在同为小样本训练数据的情况下,SVRM比灰色模型有着更为优越的预测效果。研究表明,SVRM模型更适合于变压器油中溶解气体体积分数的预测。     

基于自适应粒子群优化LSSVM的变压器油中溶解气体浓度预测

为了实现油浸式变压器油中溶解气体的预测,进而达到变压器状态预警、降低事故发生率的目的,本文将自适应粒子群优化算法(IDP SO)和最小二乘支持向量机(LSSVM)相结合,建立变压器油中溶解气体预测模型.利用IDP SO算法基于种群的并行搜索策略特点来自适应迭代搜索最优的目标函数值,寻找LSSVM模型中的参数ξ、C和σ的...     

基于LSTM网络的变压器油中溶解气体浓度预测

电力变压器作为电力系统中传输和变换电能的主要设备,其安全稳定性运行在电网中起着重要的作用。对变压器油中溶解气体浓度变化的趋势进行预测,可为其运行状态评估提供重要依据,鉴于此提出了一种基于长短期记忆网络(LSTM)的变压器油中溶解气体浓度预测模型。该模型克服了传统神经网络在序列预测方面存在的"梯度消散"问题,利用油中溶解气体的序列数据对长短期记忆网络进行训练,得到最优的预测模型参数。以变压器油中溶解的7种特征气体浓度为输入,以待预测气体的浓度为输出。通过算例分析表明,相比于传统的机器学习预测方法支持向量机(support vector machine, SVM)与反向传播神经网络(back propagation neural network,BPNN),本文所提的LSTM预测模型更能准确地预测油中溶解气体的浓度。     

基于灰关联和模糊支持向量机的变压器油中溶解气体浓度的预测

提出一种基于灰关联分析和模糊支持向量机的电力变压器油中溶解气体浓度预测模型。该模型考虑了变压器油温、负荷对油中气体浓度的影响,先利用灰关联度分析各因素间的相关性,提取影响气体浓度的主要因素作为支持向量机回归建模的输入样本属性。再将模糊数学和支持向量机结合起来,引入模糊隶属函数,将样本按照时间由近及远赋予由大到小的权重,反映出近期数据对后续预测结果的影响大于早期数据。该模型提高了预测精度,克服了传统支持向量机和只考虑某种或全部气体预测方法的不足。通过实例分析,验证了模型的有效性和优越性。     

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。     

基于最小二乘支持向量机的变压器油中气体浓度预测

目前变压器油中气体浓度预测普遍采用灰色模型,但灰色模型的使用存在一定局限性。为提高预测的精度和可靠性,应用最小二乘支持向量机(least squares support vector machine,LS-SVM)理论建立了同时预测变压器油中7种主要特征气体(氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳)的预测模型。该模型既综合考虑了气体之间的相互影响,又充分发挥了LS-SVM解决有限样本问题的优势, 具有较高的预测精度和泛化能力。实例分析验证了该模型的有效性。     

改进BP神经网络的SVM变压器故障诊断

油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,本文提出了改进BP神经网络的SVM（Support Vector Machine）变压器故障诊断方法。首先,通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;然后,在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;最后,选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,本文所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。     

基于多元重构预测和LS-SVR的变压器故障诊断

通过对变压器油中溶解气体进行预测,可以及早发现变压器故障。提出将多变量时间序列重建的状态变量作为LS-SVR模型输入,建立变压器故障的预测模型。首先,给出基于多元重构的预测原理和LS-SVR理论。然后,讨论重构参数和LS-SVR参数对于预测误差的影响,通过合理选择参数确保预测的精度。最后,将该方法用于变压器故障诊断实例以验证多元重构和支持向量机预测的适用性,通过与多种预测方法进行比较,基于LS-SVR原理的变压器故障组合预测模型的预测精度明显优于单一预测模型和其它的组合预测模型。     

基于SVM的电力变压器内部故障部位的概率估计

目前变压器智能故障诊断大多是以油中溶解气体为特征对故障性质的诊断,缺乏对内部故障部位的分析及量化的诊断结果。针对上述问题,提出一种基于SVM的电力变压器内部故障部位的概率估计模型。该模型结合SVM与概率建模的优点,充分利用油中溶解气体和电气试验数据的互补信息,运用SVM后验概率理论,对变压器内部可能发生故障的部位进行概率估计,克服了标准SVM硬判决输出的缺陷,以概率的形式给出诊断结论。通过实例分析表明,该模型不仅故障识别率较高,还具有良好的概率分布形态,具有较好的实用性和推广性。     

基于组合预测模型的变压器油中溶解气体质量浓度的预测

为了对变压器油中溶解气体质量浓度进行准确预测,提出将BP神经网络、灰色理论和线性回归预测算法进行综合,采用最优加权组合预测模型,对油中溶解气体质量浓度的发展趋势进行预测.该方法先对这3种单项预测方法根据各自的预测误差,按照预测误差平方和最小的原则计算各自的权重,然后加权综合建立最优组合预测模型,再计算出变压器油中溶解气...     

Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm

Forecasting of dissolved gases content in power transformer oil is very significant to detect incipient failures of transformer early and ensure hassle free operation of entire power system. Forecasting of dissolved gases content in power transformer oil is a complicated problem due to its nonlinearity and the small quantity of training data. Support vector machine (SVM) has been successfully employed to solve regression problem of nonlinearity and small sample. However, SVM has rarely been applied to forecast dissolved gases content in power transformer oil. In this study, support vector machine with genetic algorithm (SVMG) is proposed to forecast dissolved gases content in power transformer oil, among which genetic algorithm (GA) is used to determine free parameters of support vector machine. The experimental data from several electric power companies in China is used to illustrate the performance of proposed SVMG model. The experimental results indicate that the proposed SVMG model can achieve greater forecasting accuracy than grey model (GM) under the circumstances of small sample. Consequently, the SVMG model is a proper alternative for forecasting dissolved gases content in power transformer oil.     

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.