基于支持向量机的电力变压器故障诊断与预测研究

发布时间：2020-04-20 00:04

【摘要】：电力变压器作为电力系统的枢纽电气设备,它担任着变电、输电和分配电能等重要功能,电力变压器的运行状态直接关乎到电网的稳定性和安全性。研究电力变压器故障诊断与预测技术,准确判断故障的性质,预测存在的潜在故障,具有重要意义。论文针对电力变压器故障的特点,以油中溶解气体含量为特征量,用支持向量机(SVM)理论作为基础,结合其他智能算法,建立了基于SVM的电力变压器故障诊断与预测模型,用于解决变压器内部故障类型诊断和运行状态趋势问题。SVM的参数直接决定了模型的性能,针对SVM参数选取难问题,引入人工鱼群算法(AFSA)对参数进行寻优。在对AFSA理论研究的基础上,分析了步长和视野两个参数对AFSA的影响,在算法寻优的初期,期望人工鱼的步长和视野具有较大的值,在算法寻优的后期,期望人工鱼的步长和视野具有较小的值,针对AFSA固定步长和视野的不足,提出了自适应人工鱼群算法(AAFSA),实验证明AAFSA寻优效果更好。对电力变压器故障诊断多分类问题,引入纠错输出编码支持向量机(ECOC-SVMs)模型。目前编码矩阵都是预先构造出来的,未与具体的应用相结合,针对此问题,提出了一种聚类编码矩阵,经实验对比验证了其有效性。但聚类编码矩阵码长固定且较短,不具备冗余性,针对此不足,将聚类编码矩阵和1-v-1编码矩阵进行结合,并适当删减编码,提出了一种混合编码矩阵,用混合编码的ECOC-SVMs建立了电力变压器故障诊断模型,经验证效果较好。对电力变压器故障预测问题,建立了AAFSA优化SVM的预测模型AAFSA-SVM,效果较好,说明将SVM运用到变压器油中溶解气体预测是可行的。采用单变量灰色预测模型(GM(1,1))和多变量灰色预测模型(MGM(1,n))进行预测对比,验证了变压器油中气体之间存在一定的关联性。针对MGM(1,n)模型的背景值问题,采用AAFSA寻优确定背景值,并用这种改进的MGM(1,n)模型建立了变压器故障预测模型。单一模型预测的风险较大,组合预测模型可以降低预测风险,提出将AAFSA-SVM模型与改进MGM(1,n)模型进行结合,建立了组合预测的电力变压器故障预测模型,经验证,比单一预测方法效果好。
【图文】：

与预测过程中涉及到的 SVM 理论，进行具体分析。计学习理论 是一门专门针对小样本问题的机器学习理论，在上世纪六、七等人就已经开始从事这方面的研究，到了九十年代，其理论知[52]，SLT 开始受到广泛的关注。下面简要介绍 SLT 的 VC 维小化（Structural Risk Minimization, SRM）原则。C 维理论 维是 SLT 的核心概念，用来描述学习机器的复杂度。VC 维可学习能力的指标，其值与学习机器容量成正比。函数集的 VC能打散的最大样本数目[35]。构风险最小化原则

人工鱼步长和视野的系数相同，，可得人工鱼步长和视野的自适应函数为iteritervalueitervaluevalueiterss*(max_)min_(1max_)max_min_( ) + =(iteritervalueitervaluevalueiterss*(max_)min_(1max_)max_min_( ) + =(s 为常数值， s 的值决定了曲线的幅度，综合考虑后，令 s = 3。令分段自适应函数的值域为[0.1,2]，最大迭代次数为 100，图 3-3 为人和视野的自适应系数变化趋势。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TM41

【相似文献】

相关期刊论文 前10条

1 张鹏举;刘建英;;红外激光光谱分析的变压器故障诊断[J];激光杂志;2016年11期

2 夏飞;罗志疆;张浩;彭道刚;张茜;唐依雯;;混合神经网络在变压器故障诊断中的应用[J];电子测量与仪器学报;2017年01期

3 贾立敬;;基于混合算法与支持向量机的电力变压器故障诊断[J];电气开关;2017年03期

4 刘忠杰;;电力变压器故障诊断方法初探[J];能源技术与管理;2017年04期

5 刘林凡;;基于机器学习的电力变压器故障诊断的研究进展[J];电子世界;2017年15期

6 龚健;;基于支持向量机的变压器故障诊断研究[J];电气开关;2016年02期

7 张仁民;黄雪昀;曹霞;;论电力变压器故障诊断方法[J];科技展望;2014年18期

8 隋双;;关于发电厂变压器故障诊断及处理措施思考[J];科技与企业;2015年02期

9 周颖佑;;变压器故障诊断技术探析[J];中国新技术新产品;2015年08期

10 周浩;高明;;基于可拓理论的变压器故障诊断[J];电气开关;2015年02期

相关会议论文 前10条

1 王邦林;段一雄;;基于C语言变压器故障诊断灰关联度计算研究[A];2009年云南电力技术论坛论文集（文摘部分）[C];2009年

2 于虹;张永刚;;基于模拟退火和支持向量机理论的变压器故障诊断方法[A];2011年云南电力技术论坛论文集（优秀论文部分）[C];2011年

3 于虹;孙鹏;;基于粗糙集和支持向量机理论的变压器故障诊断方法[A];2010年云南电力技术论坛论文集（优秀论文部分）[C];2010年

4 周柯;罗安;;信息融合技术在变压器故障诊断中的应用[A];2009年全国输变电设备状态检修技术交流研讨会论文集[C];2009年

5 禹建丽;周瑞芳;;一种基于神经网络和模糊理论的变压器故障诊断[A];2013年中国智能自动化学术会议论文集（第四分册）[C];2013年

6 李锐;;化学技术监督在变压器故障诊断中的应用[A];2009年云南电力技术论坛论文集（文摘部分）[C];2009年

7 李锐;;化学技术监督在变压器故障诊断中的应用[A];2009年云南电力技术论坛论文集（优秀论文部分）[C];2009年

8 于虹;张永刚;;基于模拟退火和支持向量机理论的变压器故障诊断方法[A];2011年云南电力技术论坛论文集（入选部分）[C];2011年

9 胡泽江;张海涛;;可拓关联函数与属性约简相结合的变压器故障诊断方法[A];2011年云南电力技术论坛论文集（入选部分）[C];2011年

10 李锐;;化学技术监督在变压器故障诊断中的应用[A];2009年全国输变电设备状态检修技术交流研讨会论文集[C];2009年

相关重要报纸文章 前1条

1 广西龙州县鸭水电厂 王f ;变压器故障诊断方法的探讨[N];中华合作时报;2004年

相关博士学位论文 前10条

1 邓宏贵;可拓理论与关联分析及其在变压器故障诊断中的应用[D];中南大学;2005年

2 苏宏升;软计算方法及其在电力系统故障诊断中的若干应用研究[D];西南交通大学;2007年

3 赵文清;基于数据挖掘的变压器故障诊断和预测研究[D];华北电力大学（河北）;2009年

4 郑元兵;变压器故障诊断与预测集成学习方法及维修决策模型研究[D];重庆大学;2011年

5 陈舵;模糊聚类分析及其在电力变压器故障诊断中的应用研究[D];西安理工大学;2008年

6 郑蕊蕊;智能信息处理理论的电力变压器故障诊断方法[D];吉林大学;2010年

7 尹金良;基于相关向量机的油浸式电力变压器故障诊断方法研究[D];华北电力大学;2013年

8 司马莉萍;基于改进支持向量机的电力变压器故障诊断与预测方法的研究[D];武汉大学;2012年

9 张利伟;油浸式电力变压器故障诊断方法研究[D];华北电力大学;2014年

10 武中利;电力变压器故障诊断方法研究[D];华北电力大学;2013年

相关硕士学位论文 前10条

1 易超人;基于支持向量机的电力变压器故障诊断与预测研究[D];武汉理工大学;2018年

2 张耀鹏;基于决策树算法的扼流适配变压器故障诊断系统研究与设计[D];北京交通大学;2018年

3 肖乾望;基于改进的模糊C均值聚类算法的变压器故障诊断研究[D];东南大学;2017年

4 何子襄;深度混合网络研究及其在变压器故障诊断中的应用[D];华北电力大学;2018年

5 雷倩;基于深度神经网络和贝叶斯网络的电力设备故障诊断方法研究[D];华北电力大学;2018年

6 周国庆;基于量子遗传神经网络的变压器故障诊断研究[D];华北理工大学;2018年

7 魏雪倩;基于向量机的变压器故障诊断研究[D];西安工程大学;2018年

8 赵洋;智能诊断方法在电力变压器故障识别中的应用研究[D];西安工程大学;2018年

9 张俞;基于信息物理融合的变压器故障诊断研究[D];华北电力大学(北京);2018年

10 李娅菲;基于鱼群算法优化BP神经网络的变压器故障诊断研究[D];湖北工业大学;2018年

本文编号：2633899