基于DGA与鲸鱼算法优化Logit Boost-决策树的变压器故障诊断方法

为对变压器进行准确的故障诊断,将油中溶解气体分析(dissolved gasses analysis, DGA)与人工智能技术相结合,提出了一种基于鲸鱼优化算法(whale optimization algorithm, WOA)优化LogitBoost-决策树的变压器故障诊断模型。该模型以决策树作为弱学习器,通过将Logit Boost集成算法作为集成框架使多个决策树集成为一个强学习器,并构建了一种基于鲸鱼优化算法的优化策略去优化LogitBoost-决策树模型中的决策树棵数及决策树的最大分裂次数。实验表明,所构建的WOA-Logit Boost-DT变压器诊断模型与常用的决策树、支持向量机、三比值等诊断模型相比,综合诊断精度分别提高了约4%、10%、21%。所构建的相关模型能为变压器的故障诊断提供技术支持。     

基于时变滤波经验模态分解和SSA-LSSVM的变压器内部机械故障诊断方法

为了准确有效地识别变压器内部的潜伏性机械故障,提出了一种基于时变滤波经验模态分解(TVFEMD)和麻雀搜索算法优化最小二乘支持向量机(SSA-LSSVM)的变压器内部机械故障诊断方法。首先,对铁心处于不同松动状态的变压器进行振动信号采集;其次,利用时变滤波改进的经验模态分解（EMD）对所得振动信号进行分解,以获取多个本征模态函数(IMF)即模态分量;然后,采用相关系数法计算IMF分量与原始振动信号的相关性,并计算相关性最大的IMF分量的样本熵,以此构建特征向量集;最后,以诊断准确率最高为目标函数,利用SSA对LSSVM的正则化参数和核函数参数进行优化,搭建SSA-LSSVM诊断模型,并利用诊断模型对特征向量集进行诊断识别,实现变压器铁心内部潜伏性机械故障的诊断。试验结果表明,所提方法能够有效识别变压器内部潜伏性机械故障,识别准确率达到了98%以上,比对比算法的识别准确率高出5%以上,达到了高识别准确率的诊断效果。     

基于改进鲸鱼优化算法的多目标无功优化调度

在鲸鱼优化算法(WOA)对求解电网无功优化问题中容易陷入局部最优、收敛速度慢、求解精度低等缺点时,本文将一种引入冯诺依曼拓扑结构的改进鲸鱼优化算法(AWOA)应用到ORPD问题中,在鲸鱼对猎物进行狩猎行为时,能够增加猎物的多样性,提高了算法的全局搜索能力。以系统有功网损和电压偏差为双目标函数,对IEEE 30节点系统进行仿真,并利用方差分析法(ANOVA)将所得结果与基本鲸鱼优化算法(WOA)、粒子群优化算法(PSO)进行比较,研究表明AWOA算法在搜索能力、迭代次数、收敛性上的潜力,并证明了在解决ORPD问题上的有效性、高效性及鲁棒性,同时也为解决非线性约束问题提供了新途径。     

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。     

改进BiLSTM在电力变压器故障诊断中的应用研究

针对目前电力变压器故障诊断方法存在的诊断准确率低、特征参数标准不一等问题,在分析电力变压器故障的基础上,提出了一种双向短期记忆网络与改进鲸鱼优化算法相结合的电力变压器故障诊断方法。引入混合策略（权重和收敛因子优化、蝙蝠算法和莱维飞行策略）对鲸鱼优化算法进行优化,并利用优化后的鲸鱼优化算法寻找双向短期记忆网络的最优参数建立电力变压器故障诊断模型。通过算例与常规方法进行对比分析,验证了该方法的优越性。结果表明,相比于常规方法,所提故障诊断方法具有更高的故障诊断准确率和最佳的实际应用效果,故障诊断准确率分别提高了10.42 %和7.85 %,为电力变压器故障诊断提供了一种新的思路。     

基于 DBN-MPA-LSSVM 的无绝缘轨道电路故障诊断研究

针对区间无绝缘轨道电路故障类型复杂、诊断精度低等问题,从故障特征提取和特征分类两方面出发,提出了一种深度 置信网络(DBN)和海洋捕食者算法(MPA)优化最小二乘支持向量机(LSSVM)的故障诊断方法。 首先,将集中监测数据和状态 标签输入到 DBN,以半监督的方式进行降维和特征提取,从而挖掘轨道电路不同故障特征信息;然后,采用 MPA 智能算法对 LSSVM 的惩罚因子和核函数参数进行寻优并建立最优 MPA-LSSVM 诊断模型;最后,将 DBN 提取的特征样本导入诊断模型进 行轨道电路的故障分类识别。 DBN-MPA-LSSVM 诊断模型充分利用了 DBN 在特征提取过程中的逐层提取优势以及 LSSVM 在 解决小样本情况下高维模式识别的优势。 实验验证与对比分析表明,DBN-MPA-LSSVM 模型测试集准确率为 98. 33%,MPA 优 化算法较 PSO、GWO、GA 算法模型诊断准确率分别提高了 6. 11%、3. 89%、3. 33%,平均准确率为 97. 98%,为基于数据驱动的轨 道电路故障诊断技术提供了一种新的方法。     

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KPCA-WPA-SVM的变压器故障诊断模型

为提高变压器故障诊断的精度,文章提出一种基于核主成分分析(KPCA)和狼群算法(WPA)优化支持向量机(SVM)参数的变压器故障诊断方法。通过KPCA提取样本数据的非线性特征,并获得其主成分,再将其输入至高斯核SVM构成诊断模型,并利用WPA对SVM的惩罚因子以及核参数进行优化。实验结果表明,该方法诊断准确率达到93.33%,与传统SVM以及KPCA-SVM诊断模型相对比,具有更高的变压器故障诊断准确率。     

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Gammatone滤波器倒谱系数与鲸鱼算法优化随机森林的干式变压器机械故障声音诊断

为有效提取变压器声音信号中的机械状态信息并识别其典型机械故障,依据人类听觉系统优异的声音识别能力,提出了一种基于Gammatone滤波器倒谱系数(GFCC)和鲸鱼算法优化随机森林(WA-RF)的变压器机械故障声音诊断方法。首先计算了变压器声音信号的GFCC,引入信息熵提取了GFCC中的主要声音特征信息。采用鲸鱼算法通过优化随机森林中决策树基分类器的规模和特征子集,构造了基于优化随机森林的变压器典型机械故障分类模型。对以某10 kV干式变压器正常与典型机械故障下声音信号的计算结果表明,所构建的基于GFCC主要特征参数和鲸鱼算法优化随机森林的变压器典型机械故障模型具有较好的识别效果,准确率可达95%以上,且具有优良的抗噪性能和鲁棒性。     

基于鲸鱼算法优化极限学习机的微电网故障诊断

提出一种基于鲸鱼算法优化极限学习机的微电网故障诊断方法。首先利用小波包分解对三相故障电压进行分析,计算小波包能量熵组成特征向量作为数据样本;然后通过鲸鱼算法优化极限学习机建立诊断模型对故障类型进行识别和诊断。最后利用鲸鱼算法优化极限学习机的输入权值和隐层神经元阈值,解决了输入权值和隐层神经元阈值随机初始化易影响网络性能的问题,可进一步提高网络的学习速度和泛化能力,有利于进行全局寻优。仿真结果表明,与BP神经网络、RBF神经网络和ELM相比,基于鲸鱼算法优化极限学习机建立的故障诊断模型学习速度更快、泛化能力更强、识别精度更高。     

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...     

基于化学反应优化神经网络与融合DGA算法的油浸式变压器模型研究

为了及时准确掌握变压器的健康状况,对潜伏性故障进行预测分析,将人工智能算法与DGA算法相结合,提出了一种基于化学反应优化神经网络的变压器故障诊断模型。考虑到BP神经网络和传统DGA算法在变压器故障诊断应用过程中存在的缺陷,在模型中引入化学反应优化算法和融合DGA算法对其进行改进。通过实例分析表明,提出的故障诊断模型的诊断准确率达到87.88%,迭代次数和训练时间分别为1991次和1927 ms;与其他诊断模型相比,模型在诊断效率和训练时间上具有明显的优势,对于变压器的故障预测和实时诊断具有一定的参考意义。     

基于神经网络算法的变压器油温诊断

油浸式变压器顶层油温是变压器热点温度的重要指标,直接影响变压器运行寿命和负载能力。针对油浸式风冷变压器上层油温过高对变压器安全运行的影响问题,研究了影响主变油温的相关变量,建立了神经网络算法的变压器油温异常诊断模型;利用一次南通海安变风机没有启动引起的油温异常状态和主变油温正常状态下的两组监测数据完成了模型的验证;通过预测值和实测值的比对分析,诊断出变压器油温异常。结果表明,建立的诊断模型,能够诊断主变油温异常,很好地完成对主变上层油温的预测。     

多策略融合 LSSVM-NGO 的滑动电接触失效诊断

为提高弓网滑动电接触失效判断的准确率,提出了一种多策略融合改进北方苍鹰优化算法(INGO)和最小二乘支持向量机(LSSVM)的滑动电接触失效诊断模型。首先,通过自制的滑动电接触摩擦磨损实验机进行载流条件下的滑动摩擦实验,分析载流稳定系数在不同工况条件下的变化规律,确定弓网接触失效判据;其次,采用tent混沌映射、均匀分布的动态自适应权重,以及黄金正弦算法和非线性收敛因子多种融合策略综合改进NGO。通过测试函数对其进行仿真测试,结果证明INGO算法收敛速度和稳定性更优;最后,使用INGO算法进行模型参数寻优,构建滑动电接触失效诊断模型。将本文所提模型与其他诊断模型对比,诊断精度分别提高了16.67%、12.5%、8.33%,进一步证明该诊断模型具有较高的准确率和泛化能力。     

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。     

基于油中溶解气体分析的ISSA优化LSSVM变压器故障诊断研究

为了提升变压器故障诊断的准确率，提出一种基于等规度映射(Isomap)与改进樽海鞘群算法(ISSA)优化最小二乘支持向量机(LSSVM)的变压器故障诊断方法。首先，基于油中溶解气体分析技术，构建14种能够反映变压器运行状态的故障特征，并结合Isomap对样本数据进行维数约减，消除变量信息之间的冗余数据；然后结合半数均匀初始化、混合反向学习策略和非线性递减权重因子策略对樽海鞘群算法(SSA)进行改进，并通过5个基准测试函数与原始SSA、粒子群算法(PSO)、正弦余弦算法(SCA)进行对比，证明其寻优能力和分类精度均有较大提高；最后用ISSA算法动态寻优LSSVM的惩罚参数γ和核函数参数σ,获取基于Isomap与ISSA-LSSVM相结合的故障诊断模型，并与PSO-LSSVM、SSA-LSSVM、SCA-LSSVM做对比实验，诊断精度分别为90.83%、81.67%、83.33%、80%。结果证明，所提方法能够有效地增强变压器故障诊断的性能。     

基于数据增强和特征注意力机制的灰狼优化算法-优化残差神经网络变压器故障诊断方法

为提高变压器故障诊断的准确性,提出一种基于数据增强和特征注意力机制的灰狼优化算法(grey wolf optimization, GWO)-残差神经网络(residual neural network, ResNet)故障诊断方法。针对变压器不平衡数据集对故障诊断模型产生的影响,利用带梯度惩罚的Wasserstein生成对抗网络(generative adversarial network with gradient penalty, WGANGP)对变压器数据进行数据增强。其次,在诊断模型的输入侧引入特征注意力机制,提升模型对平衡数据集中关键特征的敏感性。然后,为加速模型的收敛性,在训练的早期利用GWO-ResNet。最后基于某实测变压器数据集对所提出WGANGP-ATT-GWOResNet故障诊断模型的有效性进行验证。