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ISFLA-SVM的变压器故障诊断

为提高变压器故障诊断的准确性,提出了一种改进混合蛙跳算法优化支持向量机模型参数的变压器故障诊断方法。该方法首先采用均匀随机化与反近似对立相结合的方法对混合蛙跳算法的种群初始化进行改进,提高初始解的质量;其次引入差分变异算子,并将余弦适应性骨架差分进化算法内嵌入混合蛙跳算法的局部搜索算法中,同时利用Levy变异算子代替随机更新操作,提高了局部搜索算法的精度,加快了收敛速度;最后利用改进后的混合蛙跳算法对支持向量机模型参数进行优化,建立故障诊断模型。经典测试函数的仿真结果和实例验证结果表明,文中提出的改进混合蛙跳算法的性能有大幅度提高,优化后的支持向量机故障诊断模型相比于SFLA、AS-SFLA、ODSFLA算法优化结果具有更高的诊断准确率,更快的迭代速度,可对变压器故障进行有效诊断。     

基于DGA的差分进化支持向量机电力变压器故障诊断

针对支持向量机中参数选择严重影响分类效果的特点,提出采用差分进化算法对核函数g和惩罚因子c进行优化,得到最优的支持向量机模型,用于变压器的故障诊断。在简单介绍支持向量机的基础上,分析了采用差分进化算法对支持向量机优化的可行性。通过将收集的数据样本进行预处理,再利用差分进化的变异、交叉和选择对高斯径向基核函数进行优化,搜索出最优(c,g),并对得到的参数进行验证,获得最优的支持向量机模型。仿真实验表明,与SVM、GRID-SVM、GA-SVM、PSO-SVM相比,该方法误判率最低、全局寻优能力及鲁棒性较好。     

基于差分进化算法优化支持向量机的柴油机故障诊断

针对支持向量机核函数参数和惩罚因子的不同取值会影响到柴油机故障分类正确率的问题,提出利用差分进化算法对支持向量机相关参数进行选择优化,并在实际中通过柴油机故障诊断实验证明了该方法能够获得较高的故障分类正确率,而且运行时间较短,即说明该方法具有一定的实用性。     

基于二阶RQ-RLC模型的质子交换膜燃料电池水管理故障诊断

水淹和膜干故障严重影响质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)的工作性能及使用寿命。为充分刻画高频及低频段电化学反应信息,该文建立宽频PEMFC电化学阻抗谱,提出基于二阶RQ-RLC等效电路模型的水管理故障诊断方法。首先,搭建燃料电池测试台架,进行水管理故障模拟实验,测试得到对应的电化学阻抗谱,辨识二阶RQ-RLC等效电路模型的参数,并获得八维水管理故障数据集。然后,运用线性判别分析方法对高维水管理故障数据集降维得到故障特征样本集,并选取4个模型关键参数作为故障诊断特征量。最后,提出自适应差分进化优化支持向量机算法对故障特征样本集进行分类,在50组、130组和210组样本下测试集分类准确率分别100%、97.44%和95.24%,结果表明所提方法能准确诊断出燃料电池所处的水管理故障类型。     

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。     

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。     

基于改进最小二乘支持向量机的短期负荷预测

为了提高短期负荷预测的精度,提出基于量子差分进化算法(Quantum Differential Evolution,QDE)优化的最小二乘支持向量机(Least Squares-Support Vector Machine,LSSVM)模型。该算法克服了最小二乘支持向量机算法中依据经验选定参数的盲目性。实例验证结果表明,QDE-LSSVM的预测精度要远高于BP神经网络与单纯的最小二乘支持向量机,证明了利用量子差分进化选取最小二乘支持向量机的有效性。该算法更适用于当前中国短期负荷预测的需要。     

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。