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.     

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。     

不对称样本下基于支持向量机的变压器故障诊断

为解决基于支持向量机(SVM)的变压器故障诊断中因样本不对称导致诊断准确率降低的问题,提出了一种改进的向上采样策略和SVM结合的方法。首先通过K-近邻算法提取少数类样本数据中的边界数据集并生成新的少数类随机样本,在此基础上向少数类样本中添加人工生成的随机新样本使得两类样本数量达到基本均衡。对比均衡样本和不对称样本下的SVM分类模型的性能,结果表明:该方法能够有效降低SVM分类平面的偏移程度,进一步提高了SVM变压器故障诊断的准确率。     

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。     

基于改进SMOTE不均衡样本处理和IHPO-DBN的变压器故障诊断方法研究

针对由于变压器故障样本不均衡和故障模型陷入局部最优而导致的分类准确率低的问题,提出了基于改进的合成少数类过采样技术和优化深度置信网络(deep belief network, DBN)的变压器故障诊断方法。首先采用聚类融合的K-means算法,通过分簇和匹配的方式筛选出不稳定的少数类样本用以改进中心点合成少数类过采样技术(center point synthetic minority oversampling technique, CP-SMOTE)算法,并对少数类样本进行扩增,解决了变压器故障数据分布不均衡的问题。其次,通过加入随机逆向学习和自适应惯性权重技术对猎食者优化算法进行改进,并用改进后的算法对DBN的内部参数进行优化调整,提高了模型精度。最后,将不同数据预处理情况下以及不同数据规模下的变压器故障模型进行仿真对比。结果表明,经过数据预处理和模型优化后的变压器故障识别准确率能够提高到98%,有效地解决了故障数据不平衡导致的分类精度低的问题。     

基于SMOTE与Bayes优化的LSTM网络变压器故障诊断

随着电力信息化的提高,智能算法结合历史数据进行变压器故障诊断的方法越来越受到关注。在溶解气体分析法基础上借助少数类样本过采样（SMOTE）算法合成新样本,实现样本多维度扩充,并以贝叶斯优化算法寻找长短期记忆（LSTM）网络模型参数的最优设置值,以降低训练集错误率,进而建立了变压器故障诊断模型。结果表明：样本扩充后的变压器故障诊断模型过拟合度降低约20%,测试集准确率提升约10%。     

基于SVM SMOTE的电力变压器故障样本均衡化方法

在变压器故障诊断领域,数据集不平衡性带来的极端值、噪声等问题严重影响了分类算法的故障识别能力。为此,提出了一种基于支持向量机(supportvectormachine,SVM)合成少数类过采样(syntheticminority over-samplingtechnique,SMOTE)算法的电力变压器故障样本均衡化方法,并结合机器学习进行故障诊断,以解决不平衡数据集下变压器故障诊断整体精度低的问题。首先,从原理、特点、应用等方面对传统SMOTE算法和SVM SMOTE算法进行了大量研究和分析;然后,以变压器油中溶解气体为样本集,构建了基于故障样本均衡化的变压器故障诊断模型;最后,对所提方法进行了算例仿真。结果显示:相较于传统变压器故障诊断算法,采用SVMSMOTE算法对故障样本进行均衡化后,各评价指标均有大幅提升,其中整体分类准确度αmacro-F1提升了18.9%。研究结果证明所提方法可以有效解决不平衡数据集下变压器故障样本漏判率高的问题,并在其分类上具有更高的精度。     

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。     

绝缘油ISMA-SVM法含气监测应用

对于变压器绝缘油含气（DGA）故障诊断识别准确率低问题,利用反向学习策略对黏菌算法（SMA）改进形成ISMA算法,提升全局寻优能力,并优化支持向量机（SVM）,建立ISMA-SVM优化故障诊断模型,用样本集进行学习训练。将诊断识别结果与灰狼算法GWO-SVM和粒子群算法PSO-SVM优化模型进行对比,ISMA-SVM故障诊断识别准确率为93.3%,相比GWO-SVM、PSO-SVM分别提高了6.66百分点、10.66百分点。     

基于混合采样和支持向量机的变压器故障诊断

针对变压器不平衡数据集对变压器故障诊断模型产生的影响,提出了基于混合采样和支持向量机（support vector machines, SVM）的变压器故障诊断方法,利用合成少数类过采样技术（synthetic minority oversampling technique, SMOTE）和基于最近邻规则的欠采样方法,分别对变压器故障数据和正常数据进行采样,再利用混合采样得到的平衡数据训练基于支持向量机变压器故障诊断模型。通过测试集对比不平衡数据和平衡数据下基于SVM的变压器故障诊断模型的性能。最后分析了采样率对于变压器故障诊断模型诊断准确率的影响。实验结果表明,该方法可以有效降低不平衡数据对诊断模型的影响,提高变压器故障诊断模型的准确率。     

基于多策略ISOA优化SVM的变压器故障诊断研究

针对由支持向量机（SVM）参数难以确定而导致的变压器故障诊断精度低及海鸥优化算法（SOA）易陷入局部寻优的问题,提出一种多策略改进海鸥优化算法（ISOA）优化SVM的变压器故障诊断方法。首先,提出一种多策略的改进方法来全方面提升SOA的寻优性能;然后,利用ISOA对SVM内部参数进行优化,构建基于ISOA-SVM的变压器故障诊断模型;最后,将油中气体溶解分析（DGA）数据的特征提取结果输入到ISOA-SVM模型中进行变压器故障诊断。实例分析表明,所提ISOA-SVM模型诊断精度更优。     

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。     

基于多策略改进蜣螂算法优化的变压器故障诊断

为了保证油浸式变压器故障诊断的可靠性,提出了一种基于多策略改进蜣螂算法(multi-strategy improved dung beetle optimizer, MIDBO)优化双向长短时记忆网络(bi-directional long short-term memory, BiLSTM)的变压器故障诊断方法。由于蜣螂算法存在全局搜索能力较差、容易陷入局部最优解的缺点,首先通过Bernoulli混沌映射、引入自适应因子和Levy飞行策略融合动态权重系数进行改进,并对其性能进行评估。然后针对BiLSTM的诸多超参数利用MIDBO进行优化,形成MIDBO-BiLSTM故障诊断模型。通过核主成分分析(kernel principal component analysis, KPCA)提取特征值,进而深入分析特征值与故障类型之间的关联性,提高模型的收敛速度。最终实验结果表明所提出的MIDBO-BiLSTM变压器故障诊断方法准确率高、泛化能力强。其准确率高达94.67%,适用于变压器的故障诊断。     

基于细菌觅食算法优化的电力变压器故障诊断技术

针对支持向量机(SVM)分类性能受参数影响,且最优参数难以获取这一问题,提出一种基于细菌觅食算法(BFA)的电力变压器故障诊断模型的参数寻优方法。该方法以电力变压器油中特征气体含量作为状态评价样本,通过BFA寻找全局最优SVM参数解,构建k-折平均分类准确率目标函数,建立变压器故障诊断模型。仿真结果表明,BFA对SVM最优参数的选取较遗传算法(GA)、粒子群算法(PSO)更迅速,且优化后的SVM电力变压器故障诊断模型具有更高的精确度;利用BFA优化方法建立的SVM电力变压器状态诊断模型,对IEC三比值法中无法判断的数据也可进行精确诊断。最后,通过实例分析,验证了方法的有效性。     

基于改进萤火虫算法和多分类支持向量机的变压器故障诊断

为了高效完成电力变压器故障诊断,引入萤火虫算法(FA),利用混沌优化理论和自适应变步长机制对算法进行改进,提高算法的收敛速度和精度,并将改进萤火虫算法(IFA)和支持向量机(SVM)理论相结合构造变压器故障诊断方法.该方法利用IFA选择合适的SVM参数,同时结合二叉树方法构造多分类SVM进行变压器故障类型识别.变压器故...     

多策略改进 MPA 算法与 HKELM 的变压器故障辨识

为解决目前变压器故障诊断精度低的问题,提出一种多策略改进海洋捕食者算法( MPA) 与混合核极限学习机 (HKELM)的变压器故障辨识方法。 首先通过核主成分分析法(KPCA)对高维线性不可分的变压器故障数据进行降维,获取特 征支持数据;然后通过伯努利混沌映射、改进阶段转换判据、最佳候选者等策略综合改进 MPA,加强全局开发能力;最后使用改 进的 IMPA 算法对 HKELM 的参数寻优,构建变压器故障诊断模型。 为验证模型有效性,分析比较常用算法优化的 HKELM 的 4 种变压器故障诊断模型。 其中 IMPA-HKELM 的诊断精度为 94. 7%,相比于另外 3 种基础算法优化的模型,诊断精度分别提升 了 5. 4%、8%、10. 7%。 结果表明,提出模型有效提升了故障诊断的分类性能,并实现了较高的故障诊断精度。