一种基于SAE-RF算法的配电变压器故障诊断方法

为有效解决配电变压器故障诊断中面临的数据特征人工提取、机器学习调参困难等问题,提出了一种基于堆栈自编码器(SAE)和随机森林(RF)组合的配电变压器故障诊断方法.建立SAE配电变压器故障特征自动挖掘模型,利用大量的无标签数据对SAE模型中的每一个自编码器进行逐层无监督训练,通过贝叶斯优化算法自动选择模型的最优参数;通过有标签数据对模型参数进行有监督细调,挖掘出能够代表各种故障本质属性的特征量;创建一个RF分类器对故障类型进行辨识,调参过程同样实现参数的自动寻优.试验结果表明,所提方法对配电变压器故障诊断准确率达到96.67％,显著优于单独使用SAE和RF的分类结果.     

基于LWP和改进RF的风机变流器故障诊断

变流器是永磁直驱风电系统中故障率最高的部件,为提高永磁直驱风电机组运行稳定性,提出了基于提升小波包(LWP)与随机森林(RF)的变流器故障诊断方法。首先搭建了永磁直驱风电仿真模型,采集了故障电流信号,然后利用遗传算法与LWP结合提取故障特征向量,最后利用经哈里斯鹰算法(HHO)优化后的RF诊断模型对变流器开路故障进行诊断,为了验证所提诊断模型的有效性,设计了一组基于贝叶斯优化RF的对比实验,结果表明:该方法诊断准确率高,能有效对变流器开路故障进行定位。     

基于贝叶斯优化XGBoost的现场校验仪误差预测

针对不同工况下现场校验仪会出现不同程度偏差的问题,通过搭建多维条件实验平台探究了电压、电流、温度、湿度以及功率因数对校验仪误差的影响,提出利用XGBoost对复杂现场条件下校验仪误差进行预测的方法,形成了基于多维条件耦合的校验仪误差预测模型。另外针对XGBoost中参数选择问题,将贝叶斯优化算法应用到模型的参数寻优之中。多组实验验证结果表明该模型泛化性能和预测精度均优于随机搜索和网格搜索等超参数调整方法,能够对不同环境下现场校验仪的误差进行评估。     

基于遗传算法优化参数的支持向量机燃煤发热量预测

利用支持向量回归机(SVR)和遗传算法(GA)对煤的低位发热量建模,采用遗传算法对支持向量机预测模型的各项参数进行寻优,为减少所选参数对训练样本的依赖性,引入交叉验证的思想,以推广能力最好的一组参数作为最终参数.将优化参数代入 SVR 模型,得到基于遗传算法的支持向量回归机(GA-SVR)模型.通过对电厂入炉煤的试验数据进行分析,并且与常规 SVR 模型和 BP 神经网络模型(BP-ANN)进行对比,以验证该模型的可靠性和精确性.结果表明,该方法可准确地预测燃煤发热量.     

基于RFRFE与ISSA-XGBoost的变压器故障辨识方法

针对变压器故障诊断精度低的问题,提出了随机森林-递归特征消除(RFRFE)算法与改进麻雀算法( ISSA)优化极端梯 度提升树(XGBoost)的变压器故障诊断方法。 首先以诊断精度为标准,利用 RFRFE 算法选择重要特征变量,去除冗余特征;然 后采用服从均匀分布随机调整策略和莱维飞行策略来对传统麻雀算法(SSA)进行改进,并将 ISSA 与 SSA 和粒子群算法(PSO) 进行算法性能测试,证明其分类精度和网络寻优能力均有所提升;最后使用改进的麻雀算法对 XGBoost 相关超参数进行寻优, 获取 RFRFE 与 ISSA-XGBoost 相结合的综合故障诊断模型,并与 PSO-XGBoost 和 SSA-XGBoost 故障诊断模型对比诊断效果,结 果表明 ISSA-XGBoost 故障诊断率为 91. 08%,比 PSO-XGBoost 和 SSA-XGBoost 分别提高了 9. 9%、6. 93%验证了所提方法能够有 效地提高变压器故障诊断性能。     

基于粒子群优化算法的电力系统稳定器设计

基于单机无穷大系统模型,用粒子群优化算法(PSO)对发电机电力系统稳定器(PSS)进行参数优化,来抑制低频振荡.介绍了基本的粒子群优化算法的原理,并用改进的带约束的粒子群优化算法优化PSS的参数,将PSS的整个设计过程转化为一组参数进行寻优的过程,提高了多参数寻优的效率.用Matlab仿真软件进行仿真,仿真结果表明,利用该方法设计的PSS,它的小信号稳定性有了较大的提高.     

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.     

采用 sEMG 的手势识别用 APSO/ CS-SVM 方法

针对基于参数寻优的支持向量机(SVM)方法存在早熟收敛、全局寻优能力差、局部寻优精度低等问题,提出一种自适应粒子群/布谷鸟(APSO/CS)参数寻优方法,旨在实现SVM模型中核函数参数、惩罚因子的优化。测试函数分别对APSO/CS、APSO、CS的参数寻优性能进行了对比分析,表明APSO/CS寻优能够加快局部和全局寻优的收敛速度。采用表面肌电信号(sEMG)对APSO/CS、APSO、CS寻优的SVM方法进行了手势识别对比测试,实验测试结果表明,采用APSO/CS寻优的SVM方法进行手势识别时正确率最高,最高正确率可达94.50%,该方法可为识别分类算法提供一种新思路。     

基于贝叶斯优化XGBoost的无创血压预测方法

为降低个体特征差异对无创血压预测模型精度的影响,提高预测准确率,提出建立贝叶斯优化（BO）XGBoost的无创血压预测方法。该方法首先通过脉搏波传导时间（PTT）和身体质量指数（BMI）建立多元线性模型获得初步血压预测值;进一步结合人体特征参数作为XGBoost血压预测模型的输入;再运用贝叶斯优化对XGBoost超参数自动寻优,最终建立BO-XGBoost模型进行血压预测,并与其他方法对比。实验结果表明,BO-XGBoost血压预测模型舒张压和收缩压测量值的平均误差满足美国医疗仪器促进协会（AAMI）制定的小于5mmHg的标准,与水银血压计具有更好的一致性。     

基于BOA-SVM的劣化绝缘子红外图谱诊断方法

线路绝缘子是电力系统运行中的重要设备之一,准确判断绝缘子是否有缺陷问题,关系到整个电网的运行安全,为了提高故障诊断的准确率,本文提出了一种二进制支持向量机(SVM)分类器和贝叶斯优化(BOA)相结合的线路绝缘子故障诊断方法,用于绝缘子闪络过程中红外图谱的分类识别,通过提取绝缘子红外图谱中的方向梯度直方图特征,利用贝叶斯优化算法获得诊断模型的最优超参数来提高分类算法的准确率,并采用主成分分析法对提取特征进行降维来提高分类算法的效率。结果表明,采用贝叶斯优化支持向量机可以准确、有效地对绝缘子进行故障诊断,得到的分类模型比常用的网格搜索算法(GS)、随机搜索算法(RS)等算法准确率更高。     

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。     

一种自主核优化的二值粒子群优化–多核学习支持向量机变压器故障诊断方法

支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性.提出了基于二值粒子群优化(binary particle swarm optimization , BPSO)的多核学习 SVM 分类方法(BPSO-MKSVC)进行变压器故障诊断.多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解.采用BPSO 优化算法对 MKSVC 中的基核数及模型参数进行优化,实现了参数的自主选择.与常用诊断算法相比, BPSO-MKSVC 具有更高的诊断精度;与 PSO 优化的 SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性     

基于IBA-KELM模型的TCT光伏阵列故障诊断研究

针对光伏阵列的开路故障、短路故障、老化故障和局部阴影故障,提出了一种基于核极限学习机KELM（kernel extreme learning machine）的光伏阵列故障诊断方法,并采用改进的蝙蝠算法IBA（improved bat algorithm）对核极限学习机模型的参数进行优化来提高模型的诊断准确率。为避免蝙蝠算法陷入局部最优并加快在参数寻优过程中的收敛速度,引入Levy飞行策略并在速度更新公式中引入指数递减的惯性权重。通过全连接TCT（total-cross-tied）结构光伏阵列的故障数据验证表明,与BA-KELM,PSO-KELM、PSO-ELM模型相比,IBA-KELM模型在参数优化过程中收敛速度更快,优化后模型诊断精度也更高。     

基于油中溶解气体特征量筛选的变压器故障诊断方法

油中溶解气体分析对变压器故障预警及诊断具有重要意义。针对油中溶解气体特征量种类众多、故障关联特征分析不足等问题,文中以油浸式变压器为研究对象,提出了基于油中溶解气体特征量筛选的变压器故障诊断方法。首先,对油中溶解气体的原始特征量进行特征衍生,通过随机森林(random forest, RF)计算特征量对故障诊断的重要度,筛选得到最佳特征组合。其次,采用树结构概率密度估计(tree-structured parzen estimator, TPE)实现RF模型的参数寻优,并形成TPE-RF诊断模型。同时,结合多种评价指标,证明所提方法能够对变压器作出准确的故障诊断。最后,提出TreeSAHP模型分析特征量对各故障的重要度,优选出各故障关联的主要特征量,并根据变压器运行案例,探讨了该方法在电力行业现场应用中的适用性,验证了该方法的有效性。     

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。     

支持向量机参数优化及其在变压器故障诊断中的应用

支持向量机(Support Vector Machines,SVM)分类器在变压器故障诊断中取得了较好的效果,然而对其性能起关键作用的参数选择,却没有理论依据或有效方法。鉴于交叉验证(Cross validation,CV)是模型性能评估和模型选择的有效方法,而遗传算法(Genetic Algorithm,GA)可以实现全局寻优,将CV与GA方法相结合用来选取SVM分类器参数。该方法采用GA方法对SVM分类器参数进行优化,利用CV构造GA适应度函数,为SVM分类器参数选择提供评价标准。并将其应用于变压器故障诊断,从而充分利用有限的变压器故障样本数据,提高SVM分类器的推广性。实例分析表明同Grid与SVM相结合,CV、Grid与SVM相结合及GA与SVM相结合的方法相比,所提方法具有更好的效果。     

改进秃鹰搜索算法优化SVM的变压器故障诊断研究

支持向量机(support vector machine, SVM)用于变压器故障诊断时,其核函数参数g和c的最优值难以根据人工经验选取,故障诊断准确率较低;而秃鹰搜索算法(bald eagle search, BES)存在易陷入局部最优和收敛精度低的缺陷。针对以上问题,提出一种改进秃鹰搜索算法(Ct-GBES)优化SVM参数g和c的变压器故障诊断模型。采用tent混沌映射、自适应t-分布及动态选择、黄金正弦算法对BES的3个阶段进行改进和优化,以提高算法的收敛速度和搜索能力。通过与原始BES、布谷鸟算法(cuckoo search, CS)和萤火虫算法(firefly algorithm, FA)的寻优对比测试,验证了Ct-GBES算法的优越性。将Ct-GBES-SVM模型与SVM、FA-SVM、CS-SVM模型进行故障诊断实验对比,并与BES-SVM模型进行稳定性实验对比。结果表明,所提模型准确率更高、稳定性更好、运行时间更短,其故障诊断效果更好。     

改进支持向量机在电力变压器故障诊断中的应用研究

针对电力变压器故障诊断中状态量判断指标过于绝对、智能算法准确率受参数影响等问题,在分析电力变压器故障的基础上,提出将支持向量机(Support Vector Machine,SVM)和细菌觅食算法(Bacterial Foraging Algorithm,BFA)相结合用于电力变压器的故障诊断方法。通过细菌觅食算法的寻优能力找到最优的支持向量机惩罚因子和核参数,提高了故障诊断能力。通过仿真和实例进行对比分析,验证了该方法的优越性。结果表明,相比于粒子群优化,细菌觅食算法具有更好的寻优能力。基于BFA-SVM的故障诊断模型,相比于改进前,具有更高的准确性、鲁棒性和寻优能力,故障诊断准确率相比于粒子群优化提高了7.50%,具有一定的实用价值。     

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。