基于改进粒子群算法与支持向量机的变压器状态评估

支持向量机(SVM)能较好地解决小样本、非线性特征的多分类问题,适用于电力变压器运行状态评估,但参数选择对分类效果有着显著影响。利用改进的粒子群算法(PSO)对支持向量机(SVM)参数进行寻优,通过引入收敛因子、惯性因子动态化和自适应粒子变异三种方法对传统的PSO算法进行改进,从而获得最佳的分类模型。该模型以变压器油中溶解气体浓度为评估指标,将变压器分成优秀、一般、良好、注意、故障等5个等级,其中故障又分为低温过热、中温过热、高温过热、低能放电、高能放电、局部放电6个类别。通过实例数据分析得出,用改进后的PSO算法优化得到的SVM分类器能对变压器的各种状态进行较准确的评估。