基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

被引：122

作者：

郑含博

王伟

李晓纲

王立楠

李予全

韩金华

机构：

[1] 国网河南省电力公司电力科学研究院

来源：

高电压技术 | 2014年 / 40卷 / 11期

关键词：

最小二乘支持向量机; 多类分类; 粒子群优化; 故障诊断; 电力变压器; 准确率;

D O I：

10.13336/j.1003-6520.hve.2014.11.018

中图分类号：

TM41 [电力变压器];

学科分类号：

摘要：

为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。

引用

页码：3424 / 3429

页数：6

共 11 条

[1] 基于3层贝叶斯网络的变压器综合故障诊断 [J].

白翠粉 ;

高文胜 ;

金雷 ;

于文轩 ;

朱文俊 .

高电压技术, 2013, 39 (02) :330-335

[2] 基于多模型的变压器故障组合诊断研究 [J].

赵文清 ;

李庆良 ;

王德文 .

高电压技术, 2013, 39 (02) :302-309

[3] 采用改进人工鱼群优化粗糙集算法的变压器故障诊断 [J].

陈小青 ;

刘觉民 ;

黄英伟 ;

付波 .

高电压技术, 2012, 38 (06) :1403-1409

[4] 基于小波网络及油中溶解气体分析的电力变压器故障诊断方法 [J].

陈伟根 ;

潘翀 ;

云玉新 ;

王有元 ;

孙才新 .

中国电机工程学报, 2008, (07) :121-126

[5] 模糊粗糙集理论在变压器故障诊断中的应用 [J].

熊浩 ;

李卫国 ;

畅广辉 ;

郭惠敏 .

中国电机工程学报, 2008, (07) :141-147

[6] 基于粗糙集理论和贝叶斯网络的电力变压器故障诊断方法 [J].

王永强 ;

律方成 ;

李和明 .

中国电机工程学报, 2006, (08) :137-141

[7] 输变电设备状态在线监测与诊断技术现状和前景 [J].

孙才新 .

中国电力, 2005, (02) :1-7

[8]

Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm[J] . Sheng-Wei Fei,Yu Sun.Electric Power Systems Research . 2007 (3)

[9] Benchmarking least squares support vector machine classifiers [J].

van Gestel, T ;

Suykens, JAK ;

Baesens, B ;

Viaene, S ;

Vanthienen, J ;

Dedene, G ;

de Moor, B ;

Vandewalle, J .

MACHINE LEARNING, 2004, 54 (01) :5-32

[10] Asymptotic behaviors of support vector machines with Gaussian kernel [J].

Keerthi, SS ;

Lin, CJ .

NEURAL COMPUTATION, 2003, 15 (07) :1667-1689

← 1 2 →