应用贝叶斯框架的LS-SVM概率输出诊断电力变压器故障

针对传统最小二乘支持向量机（LS-SVM）分类器的参数选择具有随意性和不确定性等不足,采用贝叶斯推断方法、通过3级分层推断优化来确定最小二乘支持向量机的各参数,有效提高了最小二乘支持向量机的建模效率。结合最小二乘支持向量机的后验概率输出,可将其运用到变压器故障诊断中。仿真结果表明：该方法能有效地诊断电力变压器故障,且诊断精度和建模效率均优于传统的最小二乘支持向量机方法。     

基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法

电力变压器运行故障的准确诊断有利于提高变电设备状态检修和电网安全运行水平，为实现故障的准确分类，文章以油中溶解的5种典型气体作为故障诊断的特征量，提出一种基于改进灰狼算法与最小二乘支持向量机耦合的电力变压器故障诊断方法。该方法通过改进灰狼算法寻求最小二乘支持向量机中的最优惩罚系数C和核函数参数g，用以提高故障诊断的准确率。首先阐明最小二乘支持向量机和灰狼算法的改进点并将二者耦合，将其代入413组电力变压器的油中溶解气体检测数据来诊断故障类型，与其他诊断方法进行对比；其次研究惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响规律；最后借助训练后的改进灰狼算法与最小二乘支持向量机耦合方法，通过两台不同电压等级的变压器故障实例分析，验证了故障诊断方法的有效性。研究结果表明：相较于单一使用最小二乘支持向量机和传统灰狼算法与最小二乘支持向量机耦合，改进灰狼算法与最小二乘支持向量机耦合方法对电力变压器故障诊断的准确率分别提高了14%和7%。此外，惩罚系数C和核函数参数g对电力变压器故障类型识别准确率的影响呈现非线性规律，凸显了通过智能算法找到最优解的便捷性、必要性、有效性。     

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。     

基于灰色最小二乘支持向量机的变压器油溶解气体预测

变压器油中溶解气体的体积分数是进行变压器绝缘故障诊断的重要依据,对变压器油中溶解气体进行预测有助于及时预测变压器的故障。将灰色预测方法与支持向量机相结合,通过使用对原始数列进行一次累加生成的处理方法,以提取数列所具有的深层规律特征,建立了基于灰色最小二乘支持向量机的变压器油中溶解气体预测模型,并对最小二乘支持向量机参数的选取进行了优化,最终通过实例与BPNN、灰色模型预测结果相比较,验证了该模型的准确性和有效性。     

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。     

基于贝叶斯推断LSSVM的滚动轴承故障诊断

针对传统最小二乘支持向量机分类器的参数选择具有随意性和不确定性等不足,采用贝叶斯推断方法通过三级分层推断优化确定最小二乘支持向量机的各参数,有效提高了最小二乘支持向量机的建模效率.将基于贝叶斯推断最小二乘支持向量机分类方法应用于滚动轴承故障诊断中,实验仿真结果表明该方法能有效地识别滚动轴承的故障,且训练时间和测试时间均小于传统最小二乘支持向量机方法。     

基于最小二乘支持向量机的变压器故障诊断

介绍了一种基于最小二乘支持向量机(LS-SVM)的电力变压器故障诊断方法,将样本数据进行归一化处理,以绝缘油中特征气体种类及其含量为依据建立变压器故障诊断LS-SVM模型,对模型中的核参数σ与惩罚参数C进行优化,并将测试样本输入训练好的LS-SVM模型,得到诊断结果。实例结果分析表明,LS-SVM将原先的非线性问题转化为求解线性问题,即使在小训练样本的前提下,也能获得更为准确的诊断结果。     

用LS-SVMs分析油浸式变压器故障

鉴于支持向量机法可较好地解决小样本、非线性、高阶动态系统的检测、分类、诊断等领域的一类实际问题,为改进变压器的故障诊断方法,采用分层决策最小二乘支持向量机作为油浸式变压器故障分类器,利用多层动态自适应优化算法优化了径向基核函数δ,惩罚参数c。采用最少特征量—4种气体作为故障识别的依据,用4级支持向量机进行训练和诊断,以此判断油浸式变压器运行所处的状态。最小二乘多级支持向量机分类器克服了神经网络存在大量的学习样本又易陷入局部极小值等缺点,具有所用特征量少,训练时间短,诊断准确率高等优点。     

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.     

基于最小二乘支持向量机的电力变压器故障诊断

油中溶解气体分析是变压器绝缘故障诊断的重要方法。为了提高分类的准确度和可靠性,应用最小二乘支持向量机理论建立了变压器的分类模型。该模型以变压器油中5种主要特征气体作为输入量,以7种变压器状态作为输出量,选用了径向基核,使用了一对一的多分类算法,充分发挥了支持向量机具有较高泛化能力的优势。通过大量的实例分析,并将诊断结果与IEC三比值法、改良三比值法和BP神经网络的诊断结果相比较,表明基于径向基核的最小二乘支持向量机在变压器故障诊断中具有更高的准确率。     

基于自适应PSO算法的LS-SVM牵引变压器绝缘故障诊断模型

结合罗杰斯比值法,基于自适应PSO算法和最小二乘支持向量机(LS-SVM).提出一种牵引变压器绝缘故障诊断模型.该模型提出一种自适应PSO算法.即根据群体的收敛程度和个体的适应值来调整惯性权重,加快训练速度,利用该算法迭代求解LS-SVM中出现的矩阵方程,避免矩阵求逆,节省内存:为了快速和准确地区分牵引变压器12种绝缘...     

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。     

基于多级决策融合模型的电力变压器故障深度诊断方法

针对电力变压器故障的深度诊断问题,提出一种深度置信网络与D-S证据理论相结合的方法。采用深度置信网络对电力变压器故障的多维数据进行特征提取及分类,并结合D-S证据理论解决故障诊断中的不确定性问题,构造了电力变压器故障诊断的多级决策融合模型。以变压器油中溶解气体、局放量以及历史故障数据和家族质量史等数据为样本进行仿真实验,结果表明所提方法对于具备大量多源信息的电力变压器故障诊断问题是有效的。     

免疫遗传法结合概率因果模型诊断变压器故障

为了对电力变压器的绝缘故障进行诊断,提出了一种免疫遗传算法结合概率因果模型的故障诊断方法。该法先用概率因果模型将电力变压器的故障诊断问题转化为最优化求解问题,再将概率因果模型的似然值函数作为免疫遗传算法的抗原,故障诊断的解作为其抗体,对电力变压器进行故障诊断。基于生物系统的免疫遗传算法既保留了遗传算法随机全局并行搜索的特点,又在相当大程度上避免未成熟收敛,确保快速收敛于全局最优解。实例分析证明,该方法能有效诊断电力变压器的故障,具有较高的诊断准确率。     

Particle swarm optimization-least squares support vector regression based forecasting model on dissolved gases in oil-filled power transformers

This paper presents a forecasting model based upon least squares support vector machine (LS-SVM) regression and particle swarm optimization (PSO) algorithm on dissolved gases in oil-filled power transformers. First, the LS-SVM regression model, with radial basis function (RBF) kernel, is established to facilitate the forecasting model. Then a global optimizer, PSO is employed to optimize the hyper-parameters needed in LS-SVM regression. Afterward, a procedure is put forward to serve as an effective tool for forecasting of gas contents in transformer oil. The application of the proposed model on actual transformer gas data has given promising results. Moreover, four other forecasting models, derived from back propagation neural network (BPNN), radial basis function neural network (RBFNN), generalized regression neural network (GRNN) and support vector regression (SVR), are selected for comparisons. The experimental results further demonstrate that the proposed model achieves better forecasting performance than its counterparts under the circumstances of limited samples.     

基于改进PSO-BP神经网络和D-S证据理论的大型变压器故障综合诊断

阐述了已有变压器故障诊断方法的不足,并将信息融合的基本思想引入变压器故障诊断中。针对电力变压器故障综合诊断的特点和要求,运用改进粒子群优化-反向传播（PSO-BP）算法训练神经网络并结合D-S证据理论,提出了一种基于信息融合技术的变压器故障综合诊断决策模型。该模型以油中溶解气体色谱分析为基础,结合变压器常规电气试验结论与现场运行、维修经验,得出了较为可靠的诊断结果,实例验证也证明了该方法的有效性。     

基于DGA的反馈云熵模型电力变压器故障诊断方法研究

为了解决变压器故障诊断中存在的随机性和模糊性问题,提出了基于反馈云熵模型的电力变压器故障诊断新方法。通过对大量电力变压器故障征兆及故障类型的统计分析,并将其视作云滴输入贝叶斯反馈逆向云发生器中,得到故障特征气体的云模型参数值,构建变压器故障诊断标准正态云模型。将云关联系数和信息熵理论有机结合起来,降低了对单个标准正态云模型的依赖性,充分挖掘变压器油中溶解气体所包含的故障信息,提高了变压器故障诊断的准确率。通过不断丰富输入样本、修正云模型参数值的方法,可以进一步提高模型诊断效果。实例分析结果表明该模型的故障诊断准确率较高,并具有较好的理论价值和应用前景。