基于鲁棒能量模型LS-TSVM和DGA的变压器故障诊断

鲁棒能量模型最小二乘双支持向量机作为最小二乘双支持向量机(LS-TSVM)的改进算法,训练速度快、鲁棒性好且泛化能力强。将其引入到变压器故障诊断中,并提出一种鸡群算法优化鲁棒能量模型LS-TSVM的变压器故障诊断模型。在该模型中,结合二叉树和鲁棒能量模型LS-TSVM构造多类分类器用于变压器故障类型识别,并采用搜索性能较强的鸡群算法对鲁棒能量模型LS-TSVM的参数进行优化,以使模型的诊断性能达到最佳。基于DGA的变压器故障诊断实例表明,该方法故障诊断模型精度高,诊断效果优于PSO-SVM模型。     

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*

变压器故障诊断是确保电力系统安全运行的重要技术手段,为了提高变压器的故障诊断精度,提出一种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方法。针对变压器故障诊断过程中的多分类问题,为了减小误差积累、提高精度,本文根据类间相异度矩阵构建哈夫曼树,然后建立基于最小二乘双支持向量机的多类分类故障诊断模型,并采用蝙蝠算法对模型中的每一个两分类器的参数进行优化。仿真实例表明,与其他方法相比较,本文方法可以获得更高的故障诊断精度。     

基于ANOVA和BO-SVM的变压器故障诊断方法

为了提高变压器故障诊断模型的诊断精度,提出了一种基于方差分析(analysis of variance, ANOVA)和黑猩猩算法优化支持向量机(bonobo optimizer-support vector machine, BO-SVM)的变压器故障诊断方法。首先,采用方差分析对模型输入量,即变压器油中溶解气体特征进行筛选降维。其次,用黑猩猩算法对影响支持向量机诊断性能的2个参数(核参数与惩罚因子)进行寻优。最后,利用该文所提方法对变压器进行故障诊断,实例仿真结果表明：与IEC、Rogers法相比,采用ANOVA对模型输入量进行筛选降维能更好地提升模型性能;BO算法优化后的支持向量机对比网格搜索算法优化后的支持向量机,在训练速度与诊断精度两方面都有所提升;与粒子群优化支持向量机(particle swarm optimization-support vector machine,PSO-SVM)和遗传算法优化支持向量机(genetic algorithm-support vector machine, GA-SVM)相比,所提方法收敛更快,且故障诊断精度更高、更稳定,BO-SVM、...     

基于帝国殖民竞争算法优化支持向量机的电力变压器故障诊断模型

提出了一种基于帝国殖民竞争算法优化支持向量机的变压器故障诊断模型。对支持向量机进行了非线性和多分类变换,构建了k-折平均分类准确率目标函数,建立了帝国殖民竞争算法优化支持向量机的非线性多分类模型,结合交叉验证原理对变压器进行了故障诊断。故障诊断结果表明,所提方法的平均测试准确率优于标准支持向量机和粒子群优化算法优化支持向量机(准确率分别为77.08%、57.97%和61.96%),验证了所提模型的有效性。采用UCI基准数据集对所提模型进行分类测试,结果表明所提模型在解决分类问题上具有较好的泛化性。     

基于组合核相关向量机和量子粒子群优化算法的变压器故障诊断方法

为了提高变压器故障诊断精确度,提出量子粒子群算法(QPSO)优化相关向量机(RVM)的变压器故障诊断方法。采用4个二分类RVM来实现变压器故障诊断的多分类问题。相关向量机的组合核函数可融合变压器运行状态的多种特征信息,为非线性、有限样本数据的变压器故障诊断建模问题提供有效的方法。利用量子粒子群算法对RVM诊断模型参数快速寻优,并结合CV原理设置适应度函数可有效提高诊断模型的泛化能力。实例分析表明,该耦合算法诊断正确率为91.1%,优于三比值法、BPNN、PSO-SVM方法,可有效提高变压器故障诊断精度。     

基于混合智能算法的电力变压器故障诊断研究

最小二乘双支持向量机算法(LSTSVM)具有训练样本速度快、二分类效率高的特点,在电力系统电力变压器故障诊断中占有独特优势。单一的智能算法诊断自己片面,很难全面进行故障诊断,因此多采用复合智能算法。在LS-TSVM模型基础上引入蚁群算法,利用蚁群算法强大的搜索能力进行寻优计算,结合二叉树构建的LS-TSVM模型可对变压器故障进行全面诊断。通过实际的算例进行仿真,结果表明,混合智能故障诊断方法不仅准确率高,准确度也比传统ANN模型有所提高,证明了该算法模型的有效性和实用性。     

基于ReliefF-mRMR与IAO-SVM的变压器故障诊断

为进一步提高变压器故障诊断准确率，提出一种基于ReliefF-mRMR与IAO-SVM结合的变压器故障诊断模型。采用ReliefF和最大相关最小冗余(mRMR)算法对变压器故障数据进行特征优选；引入混沌反向学习和自适应混合变异策略改进天鹰优化算法，并对最优特征集合和支持向量机(SVM)参数联合寻优，构建最佳故障诊断模型；利用已有变压器故障数据对所提模型仿真实验，并与常用故障诊断模型灰狼算法支持向量机(GWO-SVM)、天鹰优化算法支持向量机(AO-SVM)相比较,准确率分别提高了10.76%和6.15%，高达95.38%，结果表明所提模型能有效提高变压器故障诊断精度。     

基于VSRP与β-GWO-SVM的变压器故障辨识方法

针对变压器故障诊断准确率低的问题,提出一种基于VSRP与β-GWO-SVM的变压器故障诊断方法.首先,采用非常稀疏随机投影(very sparse random projection,VSRP)对原始数据进行维数约减,消除变量信息之间的冗余特征;其次,用β-混沌序列优化的灰狼算法(β-chaotic map enabled grey wolf optimizer,β-GWO)动态寻优支持向量机(support vector machine,SVM)的核参数与惩罚因子,获取VSRP与β-GWO-SVM相结合的综合故障诊断模型;最后,将实际变压器故障数据输入诊断模型,并与传统灰狼优化支持向量机模型(GWO-SVM)、粒子群优化支持向量机模型(particle swarm optimization-SVM,PSO-SVM)进行对比验证,诊断精度分别为91.87％、82.13％、75.10％,结果表明该文所提方法能够有效地提升变压器故障诊断性能.     

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VMD和WOA-SVM的变压器绕组松动故障诊断

为了更加准确有效地诊断变压器绕组松动故障,提出了一种基于变分模态分解(VMD)和鲸鱼优化支持向量机(WOA-SVM)的变压器绕组松动故障诊断方法。首先,对某10 kV变压器进行模拟故障试验,测量其振动信号;随后,采用VMD将非平稳的振动信号分解成多个本征模态函数(IMF),并计算各层IMF的能量熵,构成特征向量;最后,将特征向量输入鲸鱼算法(WOA)优化的支持向量机(SVM)中训练出分类模型,实现变压器绕组松动故障诊断。结果表明,所提方法适用于变压器绕组松动故障诊断,并且相较于传统的改进SVM分类模型,所提方法的故障识别准确率更高。     

基于振荡波多特征融合的变压器绕组故障诊断方法

为了获取更多变压器绕组的状态信息,提高绕组故障诊断的准确性,提出了一种基于振荡波多特征融合的变压器绕组故障诊断方法,该方法联合波形特征和小波包时频图的颜色特征判断故障类型、故障程度和故障位置,结合粒子群优化-支持向量机(PSO-SVM)算法实现变压器绕组状态的智能识别。最后搭建变压器故障模拟试验平台验证方法可行性。结果表明：波形特征、颜色矩、颜色聚合向量特征分别针对故障类型、故障程度及故障位置的空间分布具有分离和聚类特性,且通过PSO-SVM识别的准确率高达95 % 以上,故所提方法能够准确辨识变压器绕组的状态,为现场变压器绕组状态检测提供参考。     

基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。     

基于 HHO参数优化的SVM 变压器故障诊断方法研究∗

为了提高变电信息系统中变压器故障诊断的准确率,针对变压器故障样本较少,采用类内类间距离的可分性测度和相关性分析法确定关键特征向量,将特征向量作为支持向量机的输入样本,建立 SVM 故障分类模型.分析了哈里斯鹰优化算法 (HHO)和粒子群算法 (PSO)的优缺点,提出了基于哈里斯鹰优化算法 HHO 优化支持向量机 SVM 模型的参数.最后,通过真实变压器故障数据进行实验仿真,结果表明所提出的变电站故障诊断方法能够有效识别故障类型,具有较高的准确率和收敛速度.     

基于改进多分类算法和相关向量机的电力变压器故障诊断方法

针对电力变压器故障诊断问题实际特点和支持向量机方法的条件限制,提出一种基于改进多分类算法和相关向量机的智能故障诊断方法。该方法综合标准一对一和一对余多分类算法的结构特点,改进现有一对一算法的最大投票策略,提出一种全新的两层最大投票策略,并在此基础上将k类多分类问题转化为k(k-1)/2个三分类子问题,最终设计出一种一对一对余的改进多分类算法;同时在三分类子问题上,采用综合性能较支持向量机更为优异的相关向量机作为二类分类器,并基于一对一算法完成三分类,进而实现k类多分类。电力变压器故障诊断实例结果和理论分析表明,该智能故障诊断方法具有以下明显优势:可有效提升诊断正确率5%以上,可剔除绝大部分无效投票从而优化投票结果,可显著增强样本诊断可信度水平,可提高识别未知故障类型精度20%以上,并具有诊断多重故障类型性能。     

基于粒子群优化支持向量机的变压器故障诊断

为了克服了人工神经网络(ANN)中存在的过拟合、收敛速度慢、容易陷入局部极值等缺点,提出了基于粒子群优化支持向量机(PSO-SVM)的变压器故障诊断方法,即将粒子群优化算法(PSO)用于SVM参数优化。PSO是一种智能群体搜索方法,它源于对鸟类捕食行为的研究。这种方法不仅具有很强的全局搜索能力,而且容易实现,适合于SVM参数优化。变压器故障诊断实例分析结果证明,PSO-SVM的诊断精度高于IEC三比值法、BP神经网络、普通的SVM,PSO-SVM适用于电力变压器故障诊断。     

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。     

基于SVM SMOTE的电力变压器故障样本均衡化方法

在变压器故障诊断领域,数据集不平衡性带来的极端值、噪声等问题严重影响了分类算法的故障识别能力。为此,提出了一种基于支持向量机(supportvectormachine,SVM)合成少数类过采样(syntheticminority over-samplingtechnique,SMOTE)算法的电力变压器故障样本均衡化方法,并结合机器学习进行故障诊断,以解决不平衡数据集下变压器故障诊断整体精度低的问题。首先,从原理、特点、应用等方面对传统SMOTE算法和SVM SMOTE算法进行了大量研究和分析;然后,以变压器油中溶解气体为样本集,构建了基于故障样本均衡化的变压器故障诊断模型;最后,对所提方法进行了算例仿真。结果显示:相较于传统变压器故障诊断算法,采用SVMSMOTE算法对故障样本进行均衡化后,各评价指标均有大幅提升,其中整体分类准确度αmacro-F1提升了18.9%。研究结果证明所提方法可以有效解决不平衡数据集下变压器故障样本漏判率高的问题,并在其分类上具有更高的精度。     

基于RF特征优选的WOA-SVM变压器故障诊断北大核心CSCD

为进一步提高变压器传统故障诊断方法的准确率,提出了一种基于随机森林(RF)特征优选,结合鲸鱼算法(WOA)优化支持向量机(SVM)的变压器故障诊断方法。该方法首先利用5种常见油中溶解气体构建24维待选特征集合,其次利用RF算法中MDA指标对特征进行排序,通过序列反向搜索法优选出11维DGA特征量作为输入以消除冗余特征,最后将WOA算法用于SVM惩罚因子和核参数的优化,进而实现故障诊断。仿真结果表明,优选出的特征组合可有效提高诊断准确率,WOA-SVM故障诊断模型较PSO-SVM、GA-SVM,在诊断时间和准确率方面更具优势,验证了所提方法的可行性和有效性。     

基于免疫优化多分类SVM的变压器故障诊断新方法

针对支持向量机中参数设置对支持向量机分类精确度影响较大及传统支持向量机不能直接用于多分类问题的状况,提出了一种基于免疫优化多分类支持向量机的变压器故障诊断新方法,该方法利用免疫算法优化支持向量机分类参数。以一类分类算法为基础建立多分类算法模型,在高维特征空间求出超球体中心,然后计算样本与中心最小距离,以此判定该点所属故障类型。该算法充分发挥了支持向量机高泛化能力的优势,大大减少了对支持向量机参数选择的盲目性。仿真计算结果表明,在有限样本情况下,该方法能够达到较高的变压器故障诊断率,从而证实了该方法的正确性和有效性。     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...