基于改进粒子群优化XGBoost的变压器故障诊断方法

变压器作为电网传输和变换电能的主要设备,对DGA数据进行异常分析,可为变压器故障诊断提供理论依据。鉴于此,文中提出了基于DGA和IPSO-XGBoost的变压器故障诊断方法。首先,将特征气体划分为无编码比值作为特征参量输入极端梯度提升（XGBoost）模型,提出了基于XGBoost的变压器故障诊断模型;其次,通过动态调整惯性权重和加速因子对粒子群算法（PSO）进行改进,并利用改进的粒子群算法（IPSO）对XGBoost的关键参数进行迭代优化;最后,随机抽取1 614例故障类型已知的DGA数据进行算例分析。结果表明：相比于其它传统机器学习分类模型,XGBoost的变压器故障诊断正确率更高,且与传统PSO算法相比,所提方法可以更好克服粒子群寻优速度慢和易陷入局部最优等问题,可为变压器安全稳定运行提供有力保障。     

变压器故障诊断用油中溶解气体新特征参量

油中溶解气体分析(dissolved gas analysis,DGA)是现场电力变压器故障诊断最常用的方法。然而,油中溶解气体含量较容易受到变压器结构、容量、故障位置以及故障程度等因素的影响,从而降低了变压器故障诊断的可靠性。为了提升变压器故障诊断正确率,该文提出了基于支持向量机(support vector machie,SVM)和遗传算法(geneti calgorithm,GA)优选的DGA新特征参量。首先,以28个DGA比值为输入,建立了基于SVM的变压器故障诊断模型;其次,采用GA同时对SVM参数和DGA比值进行优化,得到9个优选DGA比值作为变压器故障诊断用新特征参量。对IEC TC 10故障数据库的诊断结果表明:DGA新特征参量的故障诊断正确率为84%,较常用的DGA含量和IEC比值的诊断正确率提高10%~25%;并且无论采用哪种特征参量,支持向量机的诊断结果均优于神经网络诊断模型。最后,采用DGA新特征参量对国内117组变压器的故障诊断正确率达到了87.18%,再次验证了该方法的有效性。     

基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型

针对单一的特征气体或特征气体比值作为DGA特征量无法全面反映变压器故障分类的问题,本文从混合DGA特征量中优选出一组DGA新特征组合为输入,建立改进磷虾群(Improved Krill Herd,IKH)算法优化支持向量机(Support vector machine,SVM)的变压器故障诊断模型进行故障诊断。将SVM的c和s与11种候选特征量进行二进制编码,利用遗传算法结合支持向量机对DGA特征量进行优选,得到一组最优DGA新特征组合;利用IKH算法对SVM的参数进行优化,同时结合交叉验证原理构建IKH算法优化SVM的变压器故障诊断模型。基于IEC TC 10的诊断结果表明：与DGA全数据、三比值特征量相比,新DGA特征组合的故障诊断准确率分别高出10.14%和30.2%;IKHSVM准确率也要高于标准SVM和GASVM(分别为73.87%、81.13%和86.27%),说明该方法能有效诊断变压器故障。     

基于ReliefF-mRMR与IAO-SVM的变压器故障诊断

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。     

基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法

油中溶解气体分析(DGA)是电力变压器故障诊断的一种常用方法。然而,基于DGA的传统方法不能建立精确的数学模型,单一智能诊断方法在实际应用中存在分类能力不足等问题,导致诊断结果准确率较低。文中提出一种基于PSO⁃ELM融合动态加权AdaBoost的变压器故障诊断方法。首先利用PSO算法对ELM模型进行优化,得到PSO⁃ELM模型,然后利用多分类AdaBoost算法对PSO⁃ELM模型进行重复迭代,得到带有不同权重的弱分类器,通过计算各分类器对测试样本的分错率,不断调整每个弱分类器的权重系数,最终利用所有弱分类器加权投票对监测数据进行故障诊断。实验结果表明,相比于BP神经网络、ELM、支持向量机(SVM),文中算法的诊断准确率分别提高16.02%、9.78%、5.62%。     

基于秃鹰搜索算法优化SVM的变压器故障诊断

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...     

基于DGA和AO-PNN的变压器故障诊断方法研究

为提高油浸式电力变压器故障诊断的准确率,提出了一种将AO-PNN模型与油中溶解气体分析法(DGA)相结合的故障诊断方法。该方法引入天鹰优化算法对概率神经网络进行优化,将DGA比值输入模型最终得到变压器的故障诊断结果。仿真结果表明,与其他常用的机器学习模型相比,提出的模型有更高的准确率,可有效运用到变压器故障诊断领域。     

基于ISSA优化SVM的变压器故障诊断研究

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。     

基于RF特征优选的WOA-SVM变压器故障诊断北大核心CSCD

为进一步提高变压器传统故障诊断方法的准确率,提出了一种基于随机森林(RF)特征优选,结合鲸鱼算法(WOA)优化支持向量机(SVM)的变压器故障诊断方法。该方法首先利用5种常见油中溶解气体构建24维待选特征集合,其次利用RF算法中MDA指标对特征进行排序,通过序列反向搜索法优选出11维DGA特征量作为输入以消除冗余特征,最后将WOA算法用于SVM惩罚因子和核参数的优化,进而实现故障诊断。仿真结果表明,优选出的特征组合可有效提高诊断准确率,WOA-SVM故障诊断模型较PSO-SVM、GA-SVM,在诊断时间和准确率方面更具优势,验证了所提方法的可行性和有效性。     

基于 IPPA 优化 PNN 的变压器故障诊断研究

针对变压器故障诊断精度低的问题,本文提出一种改进寄生捕食算法(IPPA)优化概率神经网络(PNN)的电力变压器 故障诊断模型,首先利用主成分分析(PCA)对故障数据进行数据降维减少无效特征,然后利用混沌反向学习,柯西变异算子和 融合贝塔分布的线性递减函数的权重等多策略改进寄生捕食算法( IPPA),提高其优化能力,并使用改进后的 IPPA 算法优化 PNN 网络的平滑因子,以提高 PNN 的分类精度和鲁棒性。 最后将 PCA 处理后的数据输入到 IPPA-PNN 模型中进行故障诊断 并以变压器数据为依据进行测试,测试结果表明,IPPA-PNN 模型准确率达到 93%相比于 PPA-PNN 和 PSO-PNN 模型提高了 7%和 10%能够有效地提高变压器的故障诊断性能。     

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、...     

多策略改进SMA算法阶段优化HSVM变压器故障辨识

为解决变压器故障诊断精度较低的问题,提出了一种多策略改进黏菌算法（ISMA）阶段优化混合核支持向量机（HSVM）的变压器故障诊断新方法。首先,利用主成分分析（PCA）来消除变量之间的信息冗余并降低数据集维度。其次,引入黏菌算法（SMA）,并结合Logistic混沌映射、二次插值、自适应权重多策略改进SMA,以提高SMA算法收敛速度和局部搜索能力;然后,与原始SMA、WHO和GWO算法进行寻优测试,对比验证改进后SMA算法的优越性;最后,使用改进SMA算法分阶段对混合核支持向量机参数寻优,构建ISMA-HSVM变压器故障诊断模型。将降维后的特征数据输入HSVM模型与BPPN、ELM和SVM进行比较,HSVM模型的诊断准确性分别提高了5.55%、8.89%、5.55%。使用ISMA优化HSVM模型参数,与WHO、GWO、SMA算法优化效果比较,结果准确性提高了13.33%、12.22%、5.55%。其中,ISMA-HSVM模型的诊断精度为93.33%。实验结果表明,所提模型有效提升故障诊断分类性能,且具有较高的故障诊断精度。     

基于化学反应优化神经网络与融合DGA算法的油浸式变压器模型研究

为了及时准确掌握变压器的健康状况,对潜伏性故障进行预测分析,将人工智能算法与DGA算法相结合,提出了一种基于化学反应优化神经网络的变压器故障诊断模型。考虑到BP神经网络和传统DGA算法在变压器故障诊断应用过程中存在的缺陷,在模型中引入化学反应优化算法和融合DGA算法对其进行改进。通过实例分析表明,提出的故障诊断模型的诊断准确率达到87.88%,迭代次数和训练时间分别为1991次和1927 ms;与其他诊断模型相比,模型在诊断效率和训练时间上具有明显的优势,对于变压器的故障预测和实时诊断具有一定的参考意义。     

基于IDOA-DHKELM的变压器故障诊断

针对溶解气体分析(dissolved gas analysis,DGA)诊断变压器故障准确率偏低的问题,提出了一种基于改进野犬优化算法(improved dingo optimization algorithm,IDOA)优化深度混合核极限学习机(deep hybrid kernel extreme learning machine,DHKELM)的变压器故障诊断方法。首先采用核主成分分析(kernel principal component analysis,KPCA)对气体数据降维并提取有效的特征量;其次将多项式核函数与高斯核函数加权结合,构造出新的混合核函数,并引入自动编码器对极限学习机进行改进,建立DHKELM模型。将反向学习、柯西变异和差分进化算法融入到野犬算法中,并利用2种典型的测试函数对IDOA性能进行测试,证明了IDOA具有更强的稳定性和寻优能力。利用IDOA对DHKELM的关键参数进行寻优,建立IDOA-DHKELM变压器故障诊断模型。最后,将KPCA提取的特征量作为模型的输入集,并对不同变压器故障诊断模型进行仿真验证。研究结果表明,相较于其他模型,IDOA-DHKE...     

DGA与GRNN的联合变压器故障诊断研究

针对传统的变压器故障诊断方法的不足,提出了基于油中溶解气体分析(DGA)方法和广义回归神经网络(GRNN)的变压器故障诊断方法。以DGA方法获取GRNN故障诊断模型的输入特征向量,建立了GRNN故障诊断模型,为了检验GRNN诊断模型的实际诊断能力,以某变电所主变压器的4种典型故障诊断为例进行仿真实验,并与标准BP神经网络(BPNN)和LM算法改进的BPNN(LM-BPNN)的诊断结果进行对比。仿真结果表明:DGA方法与GRNN的联合变压器故障诊断方法的诊断速度更快、准确率更高和泛化能力更强,且GRNN故障诊断模型构建简单,验证了所提出方法的实用性和有效性。     

基于RF特征选择的BAS-SVM变压器DGA故障诊断技术研究

针对变压器故障诊断多特征量输入时产生的冗余信息以及支持向量机核函数与惩罚因子优化对分类器产生的影响的问题,建立一种基于随机森林（random forest,RF）的特征选择,结合天牛须搜索算法（beetle antennae search,BAS）优化支持向量机的变压器油中溶解气体分析（dissolved gas analysis,DGA）故障诊断方法。该方法选择常见的5种油中溶解气体生成22维待选特征向量,通过RF算法对待选特征集进行重要度排序并消除冗余信息,得到最终的10维输入量,最后利用BAS算法对SVM中的惩罚因子及核函数进行寻优改进,对输入特征量进行故障诊断。仿真结果表明：相比PSO-SVM和ABC-SVM,BAS-SVM故障诊断模型故障诊断准确率分别高出6.83%和10.1%,诊断用时减少3.64 s和1.62 s,验证了所用方法的有效性和可行性。     

基于GJO特征量优选的AO-RF的变压器故障诊断模型

在变压器故障诊断过程中,进行合理的特征优选,将有助于提高诊断模型的诊断精度,为此,文中提出了一种基于金豺优化算法（golden Jackal optimization,GJO）特征量优选与AO-RF的变压器故障诊断模型。首先,采用GJO对构建的21维变压器油中溶解气体特征量进行优选;然后,根据GJO得到的特征优选结果,采用天鹰算法（aquila optimizer,AO）优化随机森林（random forest,RF）的变压器故障诊断模型对变压器故障进行诊断,并与不同特征量、不同故障诊断模型的诊断结果进行了对比。实验结果表明：GJO优选特征量相比21维原始特征、三比值法、无编码比值法以及AO优选特征量的故障诊断准确率可提高1.12%～25.78%,kappa系数可提高0.02～0.24;AO-RF故障诊断模型较RF、SVM、ELM、SSA-RF、WOA-RF、GJO-RF模型的诊断准确率可提高1.84%～15.86%,kappa系数可提高0.02～0.16,验证了所提方法的有效性和准确性。     

改进BiLSTM在电力变压器故障诊断中的应用研究

针对目前电力变压器故障诊断方法存在的诊断准确率低、特征参数标准不一等问题,在分析电力变压器故障的基础上,提出了一种双向短期记忆网络与改进鲸鱼优化算法相结合的电力变压器故障诊断方法。引入混合策略（权重和收敛因子优化、蝙蝠算法和莱维飞行策略）对鲸鱼优化算法进行优化,并利用优化后的鲸鱼优化算法寻找双向短期记忆网络的最优参数建立电力变压器故障诊断模型。通过算例与常规方法进行对比分析,验证了该方法的优越性。结果表明,相比于常规方法,所提故障诊断方法具有更高的故障诊断准确率和最佳的实际应用效果,故障诊断准确率分别提高了10.42 %和7.85 %,为电力变压器故障诊断提供了一种新的思路。     

基于信息融合的变压器内部故障诊断方法

目前变压器内部故障诊断诊断的有效性仍有待进一步研究。为此,提出了一种基于信息融合的多证据体变压器内部故障诊断新方法。该方法基于神经网络、SVM和S_Kohone聚类算法形成初级诊断结果出现分歧时的多证据体,判断证据体之间是否存在隐藏冲突,不存在隐藏冲突则优先采用证据分类折扣算法,否则采用证据主元的证据折扣算法对证据源进行修改,利用Dempster规则合成得出故障诊断结论。基于DGA和电气试验的实例验证表明采用的变压器内部故障诊断方法的有效性。提出的基于信息融合的变压器内部故障诊断新方法合理协调了证据体之间的信息冲突,有效融合了各种不同智能算法的判断结果,且故障识别正确率较融合前提高到88.65%。     

基于DGA的QPSO-BP模型变压器故障诊断方法研究

为了提高变压器故障诊断的准确率,提出一种基于量子粒子群优化BP神经网络(quantum particle swarm optimized BP neural network,QPSO-BP)的故障诊断模型。在该算法中,用量子位的概率幅表示种群中各粒子的当前位置,用量子旋转门实现粒子位置的移动,用量子非门进行变异操作,以获取BP神经网络的权、阈值优化参数,最终实现了变压器故障诊断模型的构建。对故障DGA样本的诊断实例表明,与粒子群优化BP网络(particle swarm optimized BP neural network,PSO-BP)法、BPNN法以及IEC三比值法相比,QPSO-BP算法具有更高的诊断正确率,从而实现了变压器故障模式的有效识别。