基于粒子群优化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变压器故障诊断中存在的不足,提出了基于粒子群优化支持向量机的变压器故障诊断方法。建立支持向量机分类机的变压器故障诊断模型,并用粒子群算法优化参数,利用libSVM工具箱在MATLAB软件平台上训练支持向量机分类机,用训练良好的支持向量机诊断110kV立星变电站变压器故障状况。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与实际相符。此方法能够提高变压器故障诊断的准确率。     

差分进化算法在变压器故障诊断中应用

针对典型小样本数据的变压器故障诊断,文章提出了一种基于差分进化算法优化的支持向量机构建电力变压器故障诊断方法。该方法是采用差分进化算法来优化支持向量机核函数参数g和惩罚因子C,将优化过的支持向量机对小样本故障数据进行故障诊断。实验结果表明,该方法比网格搜索优化算法和粒子群优化算法具有更高的准确率,非常适合于电力变压器的故障诊断。     

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。     

基于参数优化的电力变压器故障诊断模型

针对当前电力变压器故障诊断效率低、误差大的难题,提出了基于参数优化的电力变压器故障诊断模型。首先提取电力变压器故障的特征,将其作为最小二乘支持向量机输入,电力变压器故障类型作为输出,然后采用最小二乘支持向量机对电力变压器的故障诊断样本进行学习,构建电力变压器故障识别的分类器,并引入混沌粒子群算法对最小二乘支持向量机的参数进行优化,最后进行了电力变压器故障诊断的仿真对比测试。测试结果表明,本文模型可以准确辨识各种类型的电力变压器故障,获得较高正确率的变压器故障诊断结果,电力变压器故障诊断的速度,而且电力变压器故障诊断整体性能要优于当前其它电力变压器故障诊断模型。     

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。     

基于蝙蝠算法优化最小二乘双支持向量机的变压器故障诊断

为了提高变压器的故障诊断精度,提出了一种基于蝙蝠算法(BA)优化最小二乘双支持向量机(LS-TSVM)的变压器故障诊断方法。该方法针对变压器故障诊断过程中的多分类问题,通过计算类间相异度矩阵自下而上构建哈夫曼树,结合LS-TSVM建立了多类分类故障诊断模型,然后采用蝙蝠算法对模型中LS-TSVM分类器的参数进行优化。利用该方法对变压器进行故障诊断,实例仿真结果表明:与粒子群优化支持向量机(PSO-SVM)方法相比,所提方法不仅训练时间显著缩短,而且故障诊断精度更高,对于高温过热、低能放电故障的诊断精度均明显高于PSO-SVM方法。仿真结果说明所提方法在变压器故障诊断中具有较高的优越性。     

基于粗糙集与支持向量机的变压器故障诊断

提出了一种基于支持向量机、粗糙集和属性约简集选择的变压器故障诊断方法,以二值分类法为基础,构建了基于支持向量机的多值分类器。利用领域知识对变压器连续性色谱数据进行离散化,采用粗糙集进行约简,并用约简集选择算法提取其重要特征子集,建立特征气体比值与故障类型的映射关系,采用粒子群算法对支持向量机核参数进行优化,达到了故障诊断的目的。仿真结果表明,该方法对变压器故障诊断具有较高的诊断率。     

基于遗传支持向量机和灰色人工免疫算法的电力变压器故障诊断

针对电力变压器单一故障和多故障诊断问题,模拟生物免疫系统,提出一种两级分类器级联的诊断算法。采用遗传算法优化支持向量机核函数参数的电力变压器故障和正常状态初分类器,和以灰关联度度量抗体与抗原之间亲和力的灰色人工免疫算法,设计了动态疫苗机制的高频变异操作。根据不同的故障类型,训练生成最佳记忆抗体集。采用5近邻综合决策法,根据最佳记忆抗体集诊断电力变压器故障类型。实验表明,遗传支持向量机和动态疫苗机制的灰色人工免疫算法相结合的电力变压器故障诊断算法,对电力变压器单一故障和多故障都能够有效地分类,提高了电力变压器故障诊断的准确率和速度。     

基于粗糙集与支持向量机的变压器故障诊断法

为了及时监测变压器潜伏性故障和准确诊断故障,提出了一种基于粗糙集与支持向量机相结合的电力变压器故障诊断的新方法。该法应用粗糙集理论将专家知识简化,获得简约诊断规则并对变压器进行粗诊断,然后以支持向量机准确的二类分类功能进行准确故障诊断。该方法实现了两种智能算法的有效互补,拥有粗糙集理论的处理不完备信息能力、简单快速以及支持向量机准确的二类分类功能,有效弥补了单一算法的不足,提高了故障诊断的快捷性和准确性,且降低了样本训练时间和诊断的复杂度。实验结果与改进的IEC三比值法比较,表明该方法有效、可行,具有较高的诊断准确率。     

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。     

基于混合采样与 IHBA-SVM 的变压器故障辨识方法

针对变压器故障数据的不平衡性弱化故障分类能力的问题,提出混合采样与改进蜜獾算法( IHBA)优化支持向量机 (SVM)的变压器故障诊断方法。 首先采用 K 近邻去噪、K 均值聚类(K-means)与合成少数类过采样(SMOTE)对数据进行混合 采样处理,以缓解诊断结果向多数类的偏移;然后使用 Tent 映射、轮盘赌随机搜索机制和最优个体扰动策略对传统蜜獾算法 (HBA)进行改进,并使用 IHBA 优化 SVM 参数,以进一步提升变压器故障辨识能力;最后对所提方法进行算例仿真,结果显示, 相较于传统的变压器故障辨识方法,采用 K 近邻去噪、K-means、SMOTE 混合采样与 IHBA-SVM 相结合的故障诊断模型获得了 最高的宏 F1 和微 F1 值,分别达到 0. 877 和 0. 886,表明提出模型不仅具有更高的整体分类能力,且更能兼顾对少数类故障的 辨识。     

考虑过采样器与分类器参数优化的变压器故障诊断策略

变压器故障样本的不平衡性使得故障诊断分类准确率低,且容易弱化少数类故障样本的分类效果。对此,采用过采样方法实现故障样本的均衡化,并提出一种考虑过采样器与分类器参数优化的变压器故障诊断策略。首先,搭建变压器故障诊断模型的整体结构,阐述故障诊断的实现过程。在此基础上,提出诊断模型中过采样器、分类器、参数优化器3种主要环节的算法实现：针对过采样器,提出一种基于近邻分布特性的改进合成少数过采样算法实现故障样本的均衡化;针对分类器,采用层次式有向无环图支持向量机算法实现故障样本的多标签分类;针对参数优化器,提出一种双层参数优化方法,上层采用层次搜索算法对过采样倍率寻优,下层采用改进哈里斯鹰算法对支持向量机参数寻优。最后,对所提策略进行算例分析,结果表明,所提策略能够合成质量更高的少数类故障样本,实现故障样本的准确分类。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

Power transformer fault diagnosis based on dissolved gas analysis by support vector machine

This paper presents an intelligent fault classification approach to power transformer dissolved gas analysis (DGA). Support vector machine (SVM) is powerful for the problem with small sampling (small amounts of training data), nonlinear and high dimension (large amounts of input data). The standard IEC 60599 proposes two DGA methods which are the ratios and graphical representation. According the experimental data, for the same input data, these two methods give two different faults diagnosis results, what brings us to a problem. This paper investigates a novel extension method which consists in elaborating an input vector establishes by the combination of ratios and graphical representation to resolve this problem. SVM is applied to establish the power transformers faults classification and to choose the most appropriate gas signature between the DGA traditional methods and a novel extension method. The experimental data from Tunisian Company of Electricity and Gas (STEG) is used to illustrate the performance of proposed SVM models. Then, the multi-layer SVM classifier is trained with the training samples. Finally, the normal state and the six fault types of transformers are identified by the trained classifier. In comparison to the results obtained from the SVM, the proposed DGA method has been shown to possess superior performance in identifying the transformer fault type. The SVM approach is compared with other AI techniques (fuzzy logic, MLP and RBF neural network); the proposed method gives a good performance for transformers fault diagnosis. The test results indicate that the novel extension method and the SVM approach can significantly improve the diagnosis accuracies for power transformer fault classification.     

基于油中气体分析与类重叠特征的变压器分层故障诊断模型

油中溶解气体分析可以有效识别变压器放电故障与过热故障,为提高变压器故障诊断准确度,提出一种基于类重叠特征的变压器分层故障诊断方法。首先使用支持向量数据描述（SVDD）划分出变压器故障样本数据空间的重叠区域,选择类重叠率与类重叠度作为重叠特征,分别对类重叠程度和样本点重要性进行描述,然后以类重叠率为分层标准建立分层故障诊断模型,采用分隔训练法将各诊断层的样本集分开训练,针对分类难度较大的重叠区,基于类重叠度构造二分类模糊支持向量机(FSVM)进行故障诊断。实验结果表明,相比于其他模型,所提方法具有更高的准确度。     

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。