基于天牛须搜索优化支持向量机的变压器故障诊断研究

发布时间：2021-09-23 15:40

　　为了准确地判断变压器绕组是否出现故障,保证变压器供电的可靠性,提出了一种基于天牛须搜索算法优化支持向量机（BAS-SVM）的变压器绕组故障诊断方法。采用支持向量机（SVM）作为变压器绕组形变程度的分类器,并应用天牛须算法对SVM的核函数和惩罚因子进行优化,通过人工经验训练BAS-SVM,使其具有很高的故障诊断精度。为了比较BAS-SVM算法在变压器绕组故障诊断的优越性,采用改进的粒子群优化算法（MPSO）优化SVM。通过仿真验证,BAS-SVM算法的故障诊断准确率比MPSO-SVM算法的故障诊断准确率高10%。最后通过实例验证了BAS-SVM算法对变压器绕组故障诊断的可行性。 

【文章来源】：电力系统保护与控制. 2020,48(20)北大核心CSCD

【文章页数】：7 页

【部分图文】：

天牛须算法建模步骤Fig.1ModelingstepsoftheBAS

txxfxfx(10)式中：sign()为符号函数；t为步长因子。图1天牛须算法建模步骤Fig.1ModelingstepsoftheBAS1.3BAS-SVM模型建立建立BAS-SVM模型主要是为了提高SVM的分类能力，使得该算法对变压器的故障诊断更加准确。SVM的惩罚因子C和核函数参数g是影响其分类能力的主要因素，其中惩罚因子C可以影响SVM对样本学习的准确性，参数g影响样本的空间投射。通过BAS算法找到最佳的C和g，进而提高SVM的故障诊断率。基于BAS算法优化SVM参数的故障诊断过程如图2所示。图2BAS算法优化SVM故障诊断流程图Fig.2FaultdiagnosisflowchartofBASoptimizedSVMBAS-SVM算法模型建立步骤如下：1)确定天牛触须的随机向量，以及空间维度k。2)设置步长因子δ。步长因子表达式为1(0,1,2,,)ttetatn(11)本文取eta=0.96。3)将测试数据的均方根误差MSE作为适应度评价函数。适应函数表达式为2sim11(())NiifitnessMSEtiyN(12)式中：N为训练样本数；simt(i)为第i个样本输出值；iy为第i个样本的实际值。4)更新天牛须位置。初始化天牛须位置，取[-0.5,0.5]之间的随机数作为天牛的初始位置，将所取随机数保存于bestX中；再根据表达式(12)计算在初始位置时的适应度函数值，将函数值保存在bestY中；最后，根据表达式(9)更新天牛左右须的位置坐标。5)更新bestY和bestX。天牛左右须位置分别由函数()rfx和()lfx求得，然后根据表达式(9)获得天牛的实时位置，即调整SVM的C和g，并通过计算实时更新bestY和bestX。6)迭代停止控制。如果适应度函数值满足设定的精度要求，则执行步骤7)，

人工经验分别训练BAS-SVM和MPSO-SVMFig.3UsingartificialexperiencetotrainBAS-SVMandMPSO-SVMrespectively

【参考文献】：
期刊论文
[1]基于混沌粒子群优化支持向量机的变压器故障诊断[J]. 谭贵生,石宜金,刘丹丹,李留文.  昆明理工大学学报(自然科学版). 2019(05)
[2]基于特征量优选与ICA-SVM的变压器故障诊断模型[J]. 田凤兰,张恩泽,潘思蓉,杭颖,任广为,范贤浩,张恒.  电力系统保护与控制. 2019(17)
[3]基于SVM和Kriging模型的变压器故障诊断方法[J]. 柳强,丁宇.  高压电器. 2018(12)
[4]基于频率响应二值化图像的变压器绕组变形故障诊断方法[J]. 赵仲勇,唐超,李成祥,周渠,夏麒,姚陈果.  高电压技术. 2019(05)
[5]遗传算法优化锅炉汽包水位不完全微分PID参数[J]. 袁雪峰,马进,强硕,王静.  华电技术. 2018(10)
[6]基于故障模型的大型变压器故障综合诊断方法与应用[J]. 韩志远,王广健,张晓静,周艳,付克俭.  华电技术. 2018(10)
[7]信息熵改进免疫遗传算法在火电厂主蒸汽温度控制系统中应用[J]. 孙宇贞,李朵朵,张婷,李康.  热力发电. 2018(08)
[8]粒子群优化的小波算法在避雷器老化诊断中的应用[J]. 梁可道.  中国电力. 2018(06)
[9]电力变压器绕组电气参数对绕组变形的全局灵敏度分析[J]. 李妍,周洪伟,沈小伟,曹程杰,吴昊,胡国伟,范逸斐,赵雪霖.  电力系统保护与控制. 2018(07)
[10]极坐标图像法用于检测变压器绕组的微小辐向变形故障[J]. 宋慧欣,张义华,李皓然,王冬梅.  电测与仪表. 2018(03)



本文编号：3405974