基于参数优化支持向量机的矿用变压器故障诊断

支持向量机（Support Vector Machines,SVM）理论在变压器故障诊断中得到了越来越多的应用,由于变压器故障数据有限,在参数的优化选择方面还存在理论支持问题。为及时监测矿用变压器潜伏性故障和提高故障诊断效率,根据支持向量机原理,采用变压器故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的浓度数据,本文提出了支持向量机的参数和参数的交叉验证算法,寻找最佳的参数和参数,利用优化后的参数对训练集进行训练,最终得到最佳的支持向量机模型,并对测试集进行分类,从而诊断出矿用变压器的故障类型。实例研究结果表明,该方法可行,具有较高的故障诊断准确率。     

The Research and Appliaction of the Multi-classification Algorithm of Error-Correcting Codes Based on Support Vector Machine

为了提高变压器故障诊断的准确率,提出了一种基于纠错编码和支持向量机相结合的多分类算法,根据SVM理论建立变压器故障诊断数学模型,首先基于纠错编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的分类准确率。最后把变压器油中溶解气体（DGA）作为纠错编码支持向量机的训练以及测试样本,实现变压器的故障诊断,同时用UCI数据对该算法进行验证。通过VS2008和Libsvm相结合对其进行验证,结果表明该方法具有很高的分类精度。     

基于优化支持向量机参数的变压器故障诊断

电力变压器是电力系统输变电的枢纽设备,为了提高电力变压器故障诊断的准确性,提出一种混沌的粒子群优化支持向量机的变压器诊断方法,该方法不仅具有很强的全局搜索能力。首先利用混沌的粒子群算法优化支持向量机的参数,把气体的特征参数代入优化的支持向量机分类模型中进行诊断,能够正确的分类变压器故障,从而达到故障诊断的目的。     

基于灰狼算法优化SVM的变压器故障诊断

电力运行离不开变压器,一旦变压器发生故障将造成难以估量的损失,而传统的变压器故障诊断方法在准确率存在方面不足,因此文章提出一种基于灰狼算法优化支持向量机（GWO-SVM）模型。该方法通过支持向量机（SVM）对故障数据进行分类,并用灰狼算法（GWO）对SVM的核参数g以及惩罚因子C进行优化,通过不断训练GWO-SVM使其故障诊断精度提高。文章分别对比了标准SVM和粒子群优化后的SVM(PSO-SVM)模型,经比较GWO-SVM模型精度比标准SVM模型高7.5%,比PSO-SVM模型高2.5%,证明GWO-SVM模型具有可行性。     

基于DGA支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在实际操作中存在的不足,提出两种解决方案:基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型,从而完成参数的优化,对得到的最优参数进行验证,获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验,结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低,全局寻优能力较好,相比于粒子群优化算法,差分进化支持向量机的优化精度更高。     

基于人工鱼群算法和LS_SVM的变压器故障诊断

针对变压器故障数据的特征信息不确定性以及传统诊断方法准确率较低的问题,文中采用人工鱼群算法和最小二乘支持向量机相结合的方法来进行变压器故障诊断。将IECTC10数据库中的DGA特征气体比值作为输入,建立基于最小二乘支持向量机的变压器故障诊断模型,并运用人工鱼群算法对最小二乘支持向量机的参数进行优化选取。然后根据诊断结果,选出分类效果最佳的多比值特征参量组合。实验验证结果显示,文中所提出的诊断方法准确率可达96.67%,拥有更高的故障诊断正确率。     

基于SVM的纠错编码多分类算法的研究与应用

为了提高变压器故障诊断的准确率,提出了一种基于纠错编码和支持向量机相结合的多分类算法,根据SVM理论建立变压器故障诊断数学模型,首先基于纠错编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的分类准确率。最后把变压器油中溶解气体(DGA)作为纠错编码支持向量机的训练以及测试样本,实现变压器的故障诊断,同时用UCI数据对该算法进行验证。通过VS2008和Libsvm相结合对其进行验证,结果表明该方法具有很高的分类精度。     

基于电力大数据的变电设备故障诊断方法研究

针对变电设备故障具有随机性、诊断过程复杂等问题,基于人工蜂群算法、二叉树和支持向量机模型,提出一种基于电力大数据的变电设备故障诊断方法。首先通过人工蜂群算法对支持向量机的参数进行优化,然后针对变电设备故障类型多的特点构造了基于二叉树的多分类支持向量机,最后通过实例验证和分析该方法的有效性和分类性能。结果表明,所提出的故障诊断方法能够准确地实现变电设备故障分类。     

基于支持向量机的发电机匝间转子绕组短路故障诊断

具有结构风险最小化原则的支持向量机(SVM)对于小样本决策具有较好的学习推广性,并且故障样本的不足在一定程度上制约了基于知识的方法在故障诊断中的运用。针对这一问题,提出了利用支持向量机的方法对匝间转子绕组短路故障诊断方法。该方法利用小波分析对探测线圈测得感应电动势进行处理构造特征向量,然后输入到支持向量机的多故障分类器中进行故障识别。实验数据表明该方法是可行、有效的,并且在小样本的情况下,较BP神经网络有更好的分类效果。     

基于支持向量机和振动场的故障诊断方法

故障样本量是制约智能故障诊断发展的关键因素之一,然而实践中往往难以获取充足的故障样本。支持向量机是一种新型的机器学习和模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出优越的性能。本文将欧氏距离分类引入到支持向量机解决支持向量机多类分类问题,提出了基于支持向量机和振动场的故障诊断方法。实验结果表明,该方法在故障诊断上计算速度和准确度令人满意,为类似的研究提供了借鉴意义和参考。     

基于改进麻雀搜索算法优化BN的变压器故障诊断研究

针对变压器故障诊断准确率低和稳定性差的问题,文中提出了一种改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断方法。首先,通过计算互信息建立最大支撑树并进行定向处理得到贝叶斯网络初始结构即初始种群。然后,在算法中引入一种新的合作机制和正弦余弦算法,提高算法收敛速度和全局搜索能力,并利用油中溶解气体分析,创建基于改进麻雀搜索算法优化贝叶斯网络的变压器故障诊断模型。最后,为了证明所提方法的优越性,将所提的方法与现有变压器故障诊断方法进行对比。结果表明,文中所提出的方法故障诊断率最高,可以更精准地对变压器进行故障诊断。     

一种基于模糊逻辑的贝叶斯最优学习器

针对变压器故障信息中存在有不完整、不确定及模糊性的知识,提出一种基于模糊逻辑和贝叶斯最优分类器结合的模糊贝叶斯分类器。该方法首先利用观察信息的模糊隶属度函数建立贝叶斯最优分类器中假设的后验概率,进而计算各类故障信息分类的结果并进行加权平均后得到最佳的诊断结果。应用和研究表明该方法能解决贝叶斯分类器中模糊信息获取的“瓶颈”难题,具有很强的学习能力,是一种有效的变压器绝缘故障诊断方法。     

基于NGA优化支持向量机的电力变压器故障诊断

为提高电力变压器故障诊断的准确性,提出一种支持向量机（Support Vector Machines,SVM）的故障诊断方法.该方法用添加最优保存策略的小生境策遗传算法对SVM进行参数优化,确保种群中适应度高的个体能被保留到下一代,使优化对象比较容易稳定,以得到更优良的个体,提高诊断精度.通过与遗传算法优化SVM及标准小生境遗传算法优化SVM的诊断结果相比较,根据对比结果表明：所提方法对变压器故障数据的分类辨识效果更好.     

支持向量机算法及应用

系统介绍了统计学习理论和支持向量机的基本思想，总结、比较了二分类和多分类2种情况下支持向量机的主要训练算法。与人工神经网络相比，分析了支持向量机的优点。归纳了支持向量机在模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子中的应用。     

水电仿真系统中厂用变压器模糊故障综合诊断

在总结领域专家经验基础上,采用模糊诊断方法,列出了仿真系统中变压器的征兆集和故障集,并根据征兆集和故障集的相互关系构建模糊诊断矩阵;通过模糊关系矩阵运算,提出最大隶属度原则判断变压器故障原因。测试和评价结果表明模糊诊断在仿真系统中的有效性和可行性。     

基于谱聚类集成的变压器在线故障诊断

为了提高基于油中溶解气体分析技术(DGA)的变压器故障诊断准确率,本文提出了一种基于谱聚类集成的变压器在线故障诊断(TOFD-SCE)方法.以加权二次抽样算法抽取样本、构建基础谱聚类的样本集,以基础谱聚类学习问题的局部知识;平衡多样性与正确性选择集成成员;集成多个成员谱聚类的结果来提高变压器故障诊断的准确率.传统变压器故障诊断方法基于历史数据建立模型,缺乏在线学习的能力;TOFD-SCE利用历史与在线新增两种DGA数据来训练、修正模型,提高了其故障诊断的准确率.对SSP300000/500型变压器的故障诊断实验结果表明:TOFD-SCE的准确率优于IEC三比值法、BP神经网络法及支持向量机法,验证了其有效性.     

基于人工免疫算法的变压器故障诊断方法

人工免疫系统是一种由生物免疫系统启发的学习外界物质的自然防御机理的学习技术。基于人工免疫识别原理提出一种电力变压器故障诊断方法,利用增加抗原、记忆抗体类别信息等方法对变压器故障样本进行学习,获取更多表征故障样本特征的记忆抗体集并进行分类。经过对故障数据的Matlab实验,将结果与IEC三比值法进行比较,表明该算法有较高的诊断准确率。     

支撑矢量预选取的双色Voronoi图方法

支撑矢量机是在统计学习理论的基础上发展出来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,在支撑矢量机中,支撑矢量的选取相当困难,成为其应用的瓶颈问题。该文利用Voronoi图在特征空间特有的构造特性,提出了一种预先选取支撑矢量的新方法双色Voronoi图方法。该方法针对数据在空间的分布特性,在训练支撑矢量机以前,利用样本数据的双色Voronoi图确定候选的支撑矢量,然后在这些预选的矢量上进行学习。试验证明了该方法的有效性及可行性。     

改进的SVM算法及其在故障诊断中的应用研究

介绍了支持向量机用于解决模式分类问题的基本原理,在对传统的多分类方法OVO（one—versus—one）深入分析的基础上,针对其存在的不可分类区问题,提出了一种改进的模式分类方法KSVM（KNN—SVM）,将k-近邻方法嵌入到SVM算法中解决不可分类区问题,进一步提高了分类准确率。应用KSVM分类方击进行模拟电路的故障诊断,实验结果验证了该方法的有效性和实用性。     

基于DeepLabv3+网络的电流互感器红外图像分割方法

红外图像智能分析是变电设备故障诊断的一种有效方法,目标设备分割是其关键技术。本文针对复杂背景下电流互感器整体分割难的问题,采用基于ResNet50的DeepLabv3+神经网络,用电流互感器的红外图像训练语义分割模型的方法,对收集到的样本采用限制对比度自适应直方图均衡化方法实现图像轮廓增强,构建样本数据集,并运用图像变换扩充样本数据集,搭建语义分割网络训练语义分割模型,实现电流互感器像素与背景像素的二分类。通过文中方法对420张电流互感器红外图像测试,结果表明,该方法的平均交并比（Mean Intersection over Union, MIoU）为87.5%,能够从测试图像中精确分割出电流互感器设备,为后续电流互感器的故障智能诊断做铺垫。