数据挖掘技术在变压器故障诊断中的应用

为克服支持向量机在求解二次规划问题时运算过程复杂、计算时间过长、收敛速度缓慢的问题,提出一种基于加权最小二乘的SVM变压器故障诊断方法,并通过粒子群算法对参数进行优化,可以充分保证计算速度和较高故障判断精度。实例分析验证了该模型能确定变压器故障种类,且具有较高的正确率。     

支持向量机多分类及其在变压器故障诊断中的应用

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。分析比较了目前常用的几种支持向量机多分类方法,并将其应用于变压器故障诊断中。通过实验表明,树形支持向量机多分类模型比较适用于变压器故障诊断。     

支持向量机多分类及其在变压器故障诊断中的应用

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题.分析比较了目前常用的几种支持向量机多分类方法,并将其应用于变压器故障诊断中.通过实验表明,树形支持向量机多分类模型比较适用于变压器故障诊断.     

多分类支持向量机在电力变压器故障诊断中的应用

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好地解决了小样本、高维数、非线性等学习问题。支持向量机分类性能的好坏很大程度依赖于核函数与核参数的选取。目前常用的参数寻优方法有网格搜索法、遗传算法和粒子群优化算法。本文提出了一种基于支持向量机多分类的电力变压器故障诊断模型,以变压器油中5种特征气体作为输入,5种故障状态作为相应的输出,选用高斯径向基核函数,使用网格搜索法获取最优参数C、g。经实验表明,该模型准确率为83.3%,具有较好的实用性。     

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。     

模糊支持向量机在变压器故障诊断中的应用

为了解决在变压器故障诊断时复杂难辨的问题,提出了利用模糊支持向量机构建变压器故障诊断模型的方法。该方法是在支持向量机(SVM)的基础上引入模糊度隶属函数,从而有效消除噪声和野点对诊断结果的影响。通过模糊C均值算法(FCM)求取模糊支持向量机的隶属度,对所得样本进行预处理,然后利用交叉验证和网格搜索相结合的方法对支持向量机进行参数寻优。实验表明,该方法比改良IEC比值法和传统支持向量机法具有更高的准确率,更适用于变压器故障诊断。     

相关向量机及其在变压器故障诊断中的应用

分析并用典型数据分类算例验证相关向量机(RVM)在分类性能方面优于支持向量机(SVM),在此基础上以标准化的变压器主要特征气体含量为输入量,采用二叉树的分类方法建立基于RVM的变压器故障诊断模型。实例分析表明,同基于SVM的故障诊断方法相比,该方法可以取得与其相当甚至更优的故障诊断正确率,相关向量个数明显少于支持向量个数,诊断速度显著提高。     

基于纠错能力的SVM在变压器故障诊断的应用

针对变压器的故障诊断,很多解决方法已被提出,但都有各种缺陷。为了提高变压器的故障诊断判正率,保证得到较高的精确度,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。介绍了纠错编码的原理应用并分析了编码长度、码间汉明距离与支持向量机多分类算法的推广性关系。运用VS2008对变压器中油中溶解气体(DGA)数据进行了仿真,结果表明该算法适合于变压器故障诊断。     

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。     

基于粗糙集与支持向量机的变压器故障诊断

介绍了基于粗糙集理论(RS)和支持向量机(SVM)的变压器故障诊断方法,使用这种方法可提高训练速度和诊断准确率。     

基于RS-SVM的油中溶解气体变压器故障诊断研究

建立了基于粗糙集和支持向量机组结合的故障诊断模型。     

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。     

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。     

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。     

基于混合免疫算法的变压器故障诊断

为了提高变压器故障诊断正确率,提出一种免疫支持向量机混合智能诊断方法,首先将变压器故障分为放电性和过热性,然后用免疫聚类算法对所荻取的数据进行预选取,加快模型参数的确定速度,利用支持向量机识别类内变压器故障,利用基于交叉验证的网格搜索法来确定支持向量基的参数.经过大量实例分析,并将其结果与神经网络方法进行对比,表明该算法具有较高的诊断精度.     

基于IABC优化SVM的变压器故障诊断

针对故障信息较少时无法准确诊断变压器故障的问题,提出一种改进的人工蜂群算法优化支持向量机的故障诊断方法。首先采用主成分分析(PCA)对输入变量进行特征提取,降低特征向量的维数,避免了变量信息之间的相互重叠。其次,通过基于二维均匀的种群初始化和基于欧氏距离的食物源更新来对传统的人工蜂群算法(ABC)进行改进,并将改进蜂群算法(IABC)与ABC和粒子群算法(PSO)进行性能测试,证明了搜索速率和收敛性都有显著提高。最后用IABC优化支持向量机(SVM)的参数,将PCA提取的新特征值分别输入IABC-SVM、GA-SVM、PSO-SVM模型并对比诊断效果。最终表明所提方法具有诊断准确率高、模型简单、泛化能力强的特点。     

自适应分级多分类支持向量机在变压器故障诊断中的应用

以变压器油中溶解气体和变压器故障之间的关系为基础,提出了一种自适应分级多分类支持向量机变压器故障诊断方法。此方法基于模式识别特征提取的思想,采用不同的输入向量,对变压器有无故障和故障类型判别时,采取分级决策结构。采用自适应优化算法对多分类支持向量机进行优化,通过诊断效果和不同类型故障识别率的比较,得出变压器油中溶解气体的组分含量比值更能反映变压器故障类型,最终测试效果比较和支持向量机参数分析,可以看出该方法具有较高的准确率和良好的泛化能力。     

基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用

提出了一种基于最小二乘支持向量机的变压器故障诊断的智能方法。为了提高故障诊断的精确度,利用改进粒子群算法来对最小二乘支持向量机进行参数优化,改进后的粒子群算法能够较好地调整算法的全局与局部搜索能力之间的平衡。试验结果证明：该方法不仅能够取得良好的分类效果,而且诊断速度与精度高于传统支持向量机和BP神经网络,更适合在变压器故障诊断中应用。     

基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用

提出了一种基于最小二乘支持向量机的变压器故障诊断的智能方法.为了提高故障诊断的精确度,利用改进粒子群算法来对最小二乘支持向量机进行参数优化,改进后的粒子群算法能够较好地调整算法的全局与局部搜索能力之间的平衡.试验结果证明:该方法不仅能够取得良好的分类效果,而且诊断速度与精度高于传统支持向量机和BP神经网络,更适合在变压器故障诊断中应用.     

基于高斯过程分类器的变压器故障诊断

构建了基于拉普拉斯近似方法的高斯过程分类器(LGPC)。LGPC可自行优化超参数,以概率形式输出分类结果,便于问题的不确定性分析,从而克服SVM规则化系数、核函数参数确定困难等局限。在用典型分类数据验证LGPC在分类性能方面优于SVM的基础上,提出了基于LGPC的变压器故障诊断方法,并给出了其具体实现方法。通过工程实例验证了均值函数采用常函数、协方差函数采用全平方指数函数、似然函数采用误差函数时,故障诊断的正确率较高。同基于SVM的故障诊断方法相比,本文所提方法可以取得更高的故障诊断正确率,具有可行性和推广性。