基于欧氏聚类和支持向量机的变压器故障诊断

以变压器油中溶解气体的相关信息作为特征向量,首次将基于欧氏聚类的支持向量机多分类模型应用于变压器故障诊断中。该组合模型以变压器状态类别间的欧氏距离为依据,构建支持向量机多分类模型。实验表明,该方法能够避免多分类模型组建的盲目性,同时能有效地对变压器进行故障诊断。     

基于模糊聚类和完全二叉树支持向量机的变压器故障诊断

为提高电力变压器故障诊断准确率,提出基于模糊聚类和完全二叉树支持向量机的故障诊断模型,即通过模糊C均值聚类,对样本采用完全二叉树结构逐层划分,直至最后得到各故障分类。该方法克服了一般方法对故障划分不明确、分类重叠和不可分等缺点。试验表明,相比改良三比值法、支持向量机分类"一对一"和"一对多"组合,该方法在电力变压器故障诊断中具有最高的诊断准确率。     

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 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。     

基于参数优化的电力变压器故障诊断模型

针对当前电力变压器故障诊断效率低、误差大的难题,提出了基于参数优化的电力变压器故障诊断模型。首先提取电力变压器故障的特征,将其作为最小二乘支持向量机输入,电力变压器故障类型作为输出,然后采用最小二乘支持向量机对电力变压器的故障诊断样本进行学习,构建电力变压器故障识别的分类器,并引入混沌粒子群算法对最小二乘支持向量机的参数进行优化,最后进行了电力变压器故障诊断的仿真对比测试。测试结果表明,本文模型可以准确辨识各种类型的电力变压器故障,获得较高正确率的变压器故障诊断结果,电力变压器故障诊断的速度,而且电力变压器故障诊断整体性能要优于当前其它电力变压器故障诊断模型。     

基于鲁棒能量模型LS-TSVM和DGA的变压器故障诊断

鲁棒能量模型最小二乘双支持向量机作为最小二乘双支持向量机(LS-TSVM)的改进算法,训练速度快、鲁棒性好且泛化能力强。将其引入到变压器故障诊断中,并提出一种鸡群算法优化鲁棒能量模型LS-TSVM的变压器故障诊断模型。在该模型中,结合二叉树和鲁棒能量模型LS-TSVM构造多类分类器用于变压器故障类型识别,并采用搜索性能较强的鸡群算法对鲁棒能量模型LS-TSVM的参数进行优化,以使模型的诊断性能达到最佳。基于DGA的变压器故障诊断实例表明,该方法故障诊断模型精度高,诊断效果优于PSO-SVM模型。     

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。     

基于蝙蝠算法优化最小二乘双支持向量机的变压器故障诊断*

变压器故障诊断是确保电力系统安全运行的重要技术手段,为了提高变压器的故障诊断精度,提出一种基于蝙蝠算法优化最小二乘双支持向量机的变压器故障诊断方法。针对变压器故障诊断过程中的多分类问题,为了减小误差积累、提高精度,本文根据类间相异度矩阵构建哈夫曼树,然后建立基于最小二乘双支持向量机的多类分类故障诊断模型,并采用蝙蝠算法对模型中的每一个两分类器的参数进行优化。仿真实例表明,与其他方法相比较,本文方法可以获得更高的故障诊断精度。     

基于粗糙集理论和支持向量机的变压器故障诊断

将粗糙集约简与支持向量机分类相结合,建立一个基于粗糙集和支持向量机的变压器故障诊断模型。该模型将油色谱数据诊断结果与电气试验数据相结合,通过粗糙集信息熵进行约简,建立了故障与信息的映射关系,再通过支持向量机分类器对其进行分类,使得变压器的故障分析到初步的部位。经实例分析和验证,该模型能对变压器进行初步定位,并有较高的正判率。     

基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究

提出用支持向量机作为分层决策电力变压器故障诊断模型。首先通过相关统计分析,选择典型油中气体作为支持向量机输入参数,然后在深入发掘油中气体所含故障信息基础上,利用典型故障气体的相对含量在高维空间的分布特性进行变压器故障类型诊断。该方法基于小训练样本条件下寻求最优解,具有很好的推广能力及一致性等优点,还适用 于变压器典型故障数据少的特点。文中还给出了两种不同支持向量机核函数分类结果的比较。为了提高故障诊断的正判率,该模型同时在相关性强的特征气体之间,利用K-近邻搜索聚类在最优分类面附近对分类结果进行精确逼近,使分层决策模型可靠性显著改善。计算结果表明,该模型具有很好的分类效果。     

基于粗糙集理论和支持向量机的变压器故障诊断

将粗糙集约简与支持向量机分类相结合,建立一个基于粗糙集和支持向量机的变压器故障诊断模型.该模型将油色谱数据诊断结果与电气试验数据相结合,通过粗糙集信息熵进行约简,建立了故障与信息的映射关系,再通过支持向量机分类器对其进行分类,使得变压器的故障分析到初步的部位.经实例分析和验证,该模型能对变压器进行初步定位,并有较高的正判率.     

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。     

基于支持向量机的变压器故障多层次诊断及定位

文中提出一种基于支持向量机的变压器故障多层次诊断及定位模型.其基本思路是将变压器的油色谱信息和电气实验特征结合,再通过支持向量机对其进行学习分类,形成分层次、可靠、开放的变压器故障多层次诊断模型,并逐步对变压器的故障进行定位.充分利用支持向量机在解决小样本、非线性及高维模式识别问题等方面特有的优势,解决变压器故障信息存在的冗余、不确定、小样本等问题.实验证明,将支持向量机应用到变压器的故障诊断及定位中是合理可行的.     

基于大数据采集模块的变压器绕组形变故障诊断方法

通过加速度传感器采集变压器工作情况下的绕组振动信号,利用小波包分析法对振动信号进行特征提取分析,建立基于支持向量机的故障诊断模型,实现变压器绕组形变故障分类诊断.     

一种基于M-ary支持向量机的功率变换器故障分类方法

针对功率变换器开关管的故障诊断和定位问题,提出了一种基于遗传算法优化的M-ary支持向量机故障分类方法。该方法以类内类间距离为判据,通过遗传算法来确定与故障本身有关的较优故障编码,然后建立优化后的M-ary支持向量机模型来对功率变换器进行故障诊断和定位。仿真和物理实验结果表明,基于遗传算法优化后的M-ary支持向量机与标准M-ary支持向量机相比,具有更高的诊断精度;与常用的一对一支持向量机和一对多支持向量机相比,需要的子分类器数目少,诊断速度快。     

基于粗糙集和支持向量机理论的变压器故障诊断方法

针对变压器故障诊断问题,提出了基于粗糙集和支持向量机理论的变压器故障诊断方法。该算法利用粗糙集技术对变压器知识进行属性约简,并通过属性表获得故障最简决策表作为支持向量机的输入,与此同时,利用粒子群优化算法获得支持向量机的最优参数设置。实验结果表明,该诊断方法分类性能良好、可靠性高且有效可行。     

基于粒子群算法优化支持向量机的变压器绕组变形分类方法

变压器是电网最为核心的设备,绕组变形是变压器主要的故障类型之一,频率响应分析法(frequency response analysis, FRA)是目前广泛应用的绕组变形检测方法。为提高绕组变形分类诊断的性能,文中提出基于粒子群算法优化支持向量机(particle swarm optimization-support vector machine, PSO-SVM)的变压器绕组变形分类方法,采用数学统计方法提取频率响应曲线的特征参量,并输入到支持向量机模型进行训练,利用粒子群算法优化支持向量机模型参数,使其能够有效区分不同的绕组故障类型。为证明文中方法在变压器绕组故障诊断方面的有效性,在一台特制模型变压器上进行了一系列故障模拟实验。数据处理结果表明,训练后的支持向量模型表现出了极高的性能,并且,相比传统的网格搜索参数优化算法,粒子群算法优化的支持向量机可以显著提高变压器绕组变形故障的分类性能。