基于改进支持向量机和Kriging模型的变压器故障诊断方法
发布时间:2020-12-25 06:31
电力系统中最关键的枢纽设备为变压器,一旦发生故障,不仅影响到供电的可靠性,而且对电力系统的安全稳定运行构成严重威胁,会导致严重经济损失。由此可见,诊断变压器故障可以提前检测变压器潜在问题,减少变压器故障产生的经济损失,让电力系统可以更加可靠、安全地运行。本文通过研究变压器故障类型与特征气体间对应关系,采用溶解气体分析法,在此基础上提出两种不同诊断方式,分别为基于布谷鸟算法的改进支持向量机和基于布谷鸟算法的改进克里金模型的变压器故障诊断方法。本文主要研究内容如下:(1)收集整理样本数据、测试数据,建立最小二乘支持向量机的分类模型并给出建模步骤,运用布谷鸟算法对最小二乘支持向量机核参数g与惩罚参数C优化,为了提高布谷鸟算法的优化能力,应用惯性权重改进布谷鸟算法,并与最速下降法相结合,得到一种新的算法进行参数寻优。在MATLAB软件平台上训练模型并仿真。通过对比遗传算法、布谷鸟算法对支持向量机参数寻优的方法,验证本算法优越性。(2)提出基于克里金模型的变压器故障诊断方式,根据收集的数据创建克里金故障诊断模型,以改进的布谷鸟算法优化模型中的相关参数,利用MATLAB进行训练模型,通过实例仿真证...
【文章来源】:辽宁石油化工大学辽宁省
【文章页数】:65 页
【学位级别】:硕士
【部分图文】:
结构风险最小化原则示意图
22图 3.2 最优分类超平面Fig.3.2 Optimal separating hyperplane模型可以归纳为一个求凸二次优化的问题,给定一个ni R表示输入向量, 1, 1iy 代表了两类,维数以及样本数表征。遵循上述思路能够求解得到正确区分两类样本的超平的情况下,能够得到一个经验风险最小的最优超平台。最趋近别为 H1和 H2,分类间隔利用M arg in 2/ 来加以表征,一度呈正相关,越低的分类间隔,会产生越差的向量机分类效
映射回原输入数据。步骤,最终得到预期的分类结果。之所以要引入核函数,征向量空间映射过程中较复杂的空间维度情况。础之上,得到满足 Mercer 条件下的内积计算方案。 j x,从而可以得到最优超平面的分类优化函数公式 ijliljijliiL yy 11 121 述问题求解可以得到线性决策函数: miiiijdxykxxb1sgn ,方式,有效简化了该算法的运算步骤[59]。.3 可知,支持向量机中主要包含了三个基本组成部分,分含层。该构造类似于神经网络的结构,且具备诸多与后
【参考文献】:
期刊论文
[1]变压器油中气体常规故障诊断方法的探讨与展望[J]. 郭庆奎. 化工自动化及仪表. 2017(09)
[2]关于变压器故障诊断中油中溶解气体色谱分析技术的有效运用研究[J]. 刘秋洁. 通讯世界. 2017(05)
[3]国内外输电网可靠性性能管理对比分析[J]. 刘文霞,王舒,陈盛君,王志强,夏宝亮,江伟民. 供用电. 2016(10)
[4]变压器故障诊断研究现状[J]. 韩钰洁,叶晖,王然. 科技创新与应用. 2016(04)
[5]基于DGA的变压器故障诊断智能方法分析[J]. 王国平,余涛,傅森木,钟运平,张勇,程小华. 电力建设. 2015(06)
[6]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[J]. 郑含博,王伟,李晓纲,王立楠,李予全,韩金华. 高电压技术. 2014(11)
[7]支持向量机在船舶电力推进系统故障诊断中的应用[J]. 梁树甜,孟得东. 船电技术. 2014(09)
[8]基于粒子群优化支持向量机的变压器故障诊断[J]. 韩世军,朱菊,毛吉贵,詹汶燕. 电测与仪表. 2014(11)
[9]电力变压器的故障诊断研究[J]. 李春平. 黑龙江科学. 2014(05)
[10]布谷鸟算法优化支持向量机的网络热点话题预测[J]. 戴臻. 计算机应用与软件. 2014(04)
博士论文
[1]可靠性和可靠性灵敏度分析的函数替代方法研究及应用[D]. 赵海龙.西北工业大学 2015
[2]数据驱动的大型电力变压器故障诊断和预测研究[D]. 唐勇波.中南大学 2013
[3]电力变压器故障诊断方法研究[D]. 武中利.华北电力大学 2013
[4]大型电力变压器以油中溶解气体为特征量的内部故障诊断模型研究[D]. 李俭.重庆大学 2001
硕士论文
[1]基于灰色神经网络模型的电力变压器故障诊断研究[D]. 房艳军.长春工业大学 2018
[2]基于多维特征量的电力变压器故障诊断技术研究[D]. 袁海满.西南交通大学 2017
[3]基于支持向量机的电网故障诊断研究[D]. 袁柳杨.华北电力大学(北京) 2017
[4]基于改进神经网络的变压器故障诊断方法的研究[D]. 李江浩.华北电力大学 2015
[5]基于人工免疫算法优化支持向量机的电力变压器故障诊断研究[D]. 高文军.太原理工大学 2012
[6]电力变压器状态评估方法的研究[D]. 谌军.华北电力大学(北京) 2011
[7]智能诊断方法及其在变压器故障中的应用研究[D]. 董杏.华北电力大学 2011
[8]基于智能信息融合的油浸式电力变压器故障诊断[D]. 秦丽伟.山东大学 2009
[9]BP神经网络在斜拉桥换索中的应用[D]. 祁永利.重庆交通大学 2009
[10]基于遗传算法优化BP神经网络的变压器故障诊断[D]. 段侯峰.北京交通大学 2008
本文编号:2937141
【文章来源】:辽宁石油化工大学辽宁省
【文章页数】:65 页
【学位级别】:硕士
【部分图文】:
结构风险最小化原则示意图
22图 3.2 最优分类超平面Fig.3.2 Optimal separating hyperplane模型可以归纳为一个求凸二次优化的问题,给定一个ni R表示输入向量, 1, 1iy 代表了两类,维数以及样本数表征。遵循上述思路能够求解得到正确区分两类样本的超平的情况下,能够得到一个经验风险最小的最优超平台。最趋近别为 H1和 H2,分类间隔利用M arg in 2/ 来加以表征,一度呈正相关,越低的分类间隔,会产生越差的向量机分类效
映射回原输入数据。步骤,最终得到预期的分类结果。之所以要引入核函数,征向量空间映射过程中较复杂的空间维度情况。础之上,得到满足 Mercer 条件下的内积计算方案。 j x,从而可以得到最优超平面的分类优化函数公式 ijliljijliiL yy 11 121 述问题求解可以得到线性决策函数: miiiijdxykxxb1sgn ,方式,有效简化了该算法的运算步骤[59]。.3 可知,支持向量机中主要包含了三个基本组成部分,分含层。该构造类似于神经网络的结构,且具备诸多与后
【参考文献】:
期刊论文
[1]变压器油中气体常规故障诊断方法的探讨与展望[J]. 郭庆奎. 化工自动化及仪表. 2017(09)
[2]关于变压器故障诊断中油中溶解气体色谱分析技术的有效运用研究[J]. 刘秋洁. 通讯世界. 2017(05)
[3]国内外输电网可靠性性能管理对比分析[J]. 刘文霞,王舒,陈盛君,王志强,夏宝亮,江伟民. 供用电. 2016(10)
[4]变压器故障诊断研究现状[J]. 韩钰洁,叶晖,王然. 科技创新与应用. 2016(04)
[5]基于DGA的变压器故障诊断智能方法分析[J]. 王国平,余涛,傅森木,钟运平,张勇,程小华. 电力建设. 2015(06)
[6]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[J]. 郑含博,王伟,李晓纲,王立楠,李予全,韩金华. 高电压技术. 2014(11)
[7]支持向量机在船舶电力推进系统故障诊断中的应用[J]. 梁树甜,孟得东. 船电技术. 2014(09)
[8]基于粒子群优化支持向量机的变压器故障诊断[J]. 韩世军,朱菊,毛吉贵,詹汶燕. 电测与仪表. 2014(11)
[9]电力变压器的故障诊断研究[J]. 李春平. 黑龙江科学. 2014(05)
[10]布谷鸟算法优化支持向量机的网络热点话题预测[J]. 戴臻. 计算机应用与软件. 2014(04)
博士论文
[1]可靠性和可靠性灵敏度分析的函数替代方法研究及应用[D]. 赵海龙.西北工业大学 2015
[2]数据驱动的大型电力变压器故障诊断和预测研究[D]. 唐勇波.中南大学 2013
[3]电力变压器故障诊断方法研究[D]. 武中利.华北电力大学 2013
[4]大型电力变压器以油中溶解气体为特征量的内部故障诊断模型研究[D]. 李俭.重庆大学 2001
硕士论文
[1]基于灰色神经网络模型的电力变压器故障诊断研究[D]. 房艳军.长春工业大学 2018
[2]基于多维特征量的电力变压器故障诊断技术研究[D]. 袁海满.西南交通大学 2017
[3]基于支持向量机的电网故障诊断研究[D]. 袁柳杨.华北电力大学(北京) 2017
[4]基于改进神经网络的变压器故障诊断方法的研究[D]. 李江浩.华北电力大学 2015
[5]基于人工免疫算法优化支持向量机的电力变压器故障诊断研究[D]. 高文军.太原理工大学 2012
[6]电力变压器状态评估方法的研究[D]. 谌军.华北电力大学(北京) 2011
[7]智能诊断方法及其在变压器故障中的应用研究[D]. 董杏.华北电力大学 2011
[8]基于智能信息融合的油浸式电力变压器故障诊断[D]. 秦丽伟.山东大学 2009
[9]BP神经网络在斜拉桥换索中的应用[D]. 祁永利.重庆交通大学 2009
[10]基于遗传算法优化BP神经网络的变压器故障诊断[D]. 段侯峰.北京交通大学 2008
本文编号:2937141
本文链接:https://www.wllwen.com/kejilunwen/dianlidianqilunwen/2937141.html