共查询到20条相似文献,搜索用时 62 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
4.
针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM, PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。 相似文献
5.
6.
针对支持向量机(support vector machines,SVM)变压器故障诊断模型存在正确率低、运行时间长的问题,提出一种基于秃鹰搜索算法(bald eagle search,BES)优化SVM的变压器故障诊断模型。首先,选取4个测试函数对BES算法进行性能测试,并与布谷鸟算法(cuckoo search,CS)、人工蜂群算法(artificial bee colony,ABC)和萤火虫算法(firefly algorithm,FA)进行对比,结果表明BES算法不论是收敛速度还是泛化能力都有更好的优化性能。然后,采用BES算法对SVM的核函数参数g和c进行优化,建立了基于油中溶解气体分析(dissolved gas analysis,DGA)的BESSVM变压器故障诊断模型,并与ELM、SVM、CS-SVM、ABC-SVM、FA-SVM故障诊断模型进行仿真实验对比。结果表明,BES-SVM故障诊断模型综合正确率为98.67%,比上述对比故障诊断模型分别提高了22.67%、20%、13.34%、12%、10.67%,且运行时间最短,所提BES-SVM变压器故障诊断模型具有更好的故... 相似文献
7.
为进一步提高变压器故障诊断准确率,提出一种基于ReliefF-mRMR与IAO-SVM结合的变压器故障诊断模型。采用ReliefF和最大相关最小冗余(mRMR)算法对变压器故障数据进行特征优选;引入混沌反向学习和自适应混合变异策略改进天鹰优化算法,并对最优特征集合和支持向量机(SVM)参数联合寻优,构建最佳故障诊断模型;利用已有变压器故障数据对所提模型仿真实验,并与常用故障诊断模型灰狼算法支持向量机(GWO-SVM)、天鹰优化算法支持向量机(AO-SVM)相比较,准确率分别提高了10.76%和6.15%,高达95.38%,结果表明所提模型能有效提高变压器故障诊断精度。 相似文献
8.
9.
10.
11.
基于多级支持向量机分类器的电力变压器故障识别 总被引:12,自引:0,他引:12
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。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程,对色谱分析法检测到的特征气体含量进行数值预处理。提取出故障识别所需要的6个特征量。然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别。并最后判断输出变压器所处的状态。测试结果表明,该方法具有三个优点:1)具有较强的鲁棒性。识别正确率极高;2)训练时间很短,实时性能好;3)不存在局部极小问题。 相似文献
12.
13.
通过变压器故障诊断能及时发现变压器的故障,以往应用比较广泛的故障分类方法是基于DGA结果的比值法,但其存在比较严重的缺陷。通过采用自组织映射网络对变压器故障进行诊断分类,结果表明自组织映射网络对变压器故障的分类准确且快速,能够降低检测人员的分析难度,提高诊断速度,对于现场变压器故障诊断应用前景广阔。 相似文献
14.
基于概率神经网络的变压器故障诊断的研究 总被引:6,自引:0,他引:6
电力变压器故障诊断对变压器、电力系统的安全运行有着十分重要的意义,本文介绍了基于概率故障神经网络(PNN)在变压器故障诊断中的应用。通过运用所设计的网络针对不同类型故障进行定性诊断并比较实验数据的合理性,仿真结果表明,这种方法应用于工程实际问题具有良好的有效性和实用性。 相似文献
15.
16.
基于支持向量机和交叉验证的变压器故障诊断 总被引:1,自引:0,他引:1
为及时监测变压器潜伏性故障和准确诊断故障,提出基于优化惩罚因子C参数的支持向量机算法(C-SVC:C-support vector classification)和交叉验证算法相结合的变压器故障诊断方法。该方法利用变压器在故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的体积分数数据建立训练集和测试集。在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数的参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而诊断出变压器的故障类型。变压器故障诊断实例分析结果证明,该方法可行,有效,且具有较高的故障诊断准确率。 相似文献
17.
电力变压器是电网的核心设备之一。变压器故障一直是危及电网安全的主要因素。因此研究有效的故障诊断方法具有十分重大的现实意义。以BP网络为例。介绍了基于油中溶解气体分析的变压器神经网络故障诊断方法。试验结果表明。该方法是有效可行的,具有一定的实际应用价值。 相似文献
18.
19.
通过采用一种基于小波分析及SVM的电机故障诊断方法,利用Simulink工具对三相异步电机无故障、定子故障及转子故障三种情况进行了仿真建模及故障诊断分析。实验结果表明,所采用的电机故障诊断方法诊断速度快且诊断精度高,满足实际需求。 相似文献
20.
变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,提出一种基于自适应噪声完备集合经验模态分解(CEEMDAN)和特征熵权法(EWM)进行故障诊断的方法。通过相关系数加权峭度(CCWK)原则筛选CEEMDAN分量并重构信号,实现在剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数(FDC)实现单一数据诊断变压器故障类型;通过主成分分析法(PCA)减小混合域特征尺度,采用鸡群优化算法(CSO)优化支持向量机(SVM)模型进行故障诊断。对某变电站110kV三相油浸式变压器进行分析,结果表明与概率神经网络(PNN)和SVM等变压器故障诊断方法相比,文中方法在提前定性故障类型的同时,能够进一步提高变压器故障诊断准确率与效率。 相似文献