改进AFSA算法优化SVM的变压器故障诊断

发布时间：2018-07-31 13:51

【摘要】：提出一种基于改进人工鱼群算法优化支持向量机(SVM)的变压器故障诊断方法。首先对基本人工鱼群算法进行改进,引入柯西变异优化觅食行为,并在算法的迭代过程中利用鱼群搜索到的信息和t分布变异的特点,对劣质个体鱼进行消亡与重生,提高鱼群算法的寻优效率和求解精度。然后,利用改进的人工鱼群算法优化SVM的核函数参数及惩罚系数,使SVM分类器获得最佳的分类精度。最后采用决策导向无环图(DDAG)方法建立变压器故障诊断SVM多分类决策模型。通过仿真实验将提出的方法与网格搜索法Grid-SVM、GA-SVM、PSO-SVM比较,所建模型具有更高的诊断正确率。
[Abstract]:This paper presents a transformer fault diagnosis method based on improved artificial fish swarm algorithm to optimize support vector machine (SVM). Firstly, the basic artificial fish swarm algorithm is improved, and Cauchy mutation is introduced to optimize foraging behavior. In the iterative process of the algorithm, the information searched by the fish swarm and the characteristics of t distribution variation are used to kill and rebirth the inferior individual fish. The optimization efficiency and accuracy of fish swarm algorithm are improved. Then, the improved artificial fish swarm algorithm is used to optimize the kernel function parameters and penalty coefficients of SVM, so that the SVM classifier can obtain the best classification accuracy. Finally, the multi-classification decision model of transformer fault diagnosis SVM is established by using Decision-oriented acyclic graph (DDAG) method. The proposed method is compared with the grid search method Grid-SVM GA-SVM PSO-SVM through simulation experiments. The proposed model has a higher diagnostic accuracy than that of the grid search method (Grid-SVMU GA-SVMU PSO-SVM).
【作者单位】： 洛阳理工学院计算机与信息工程学院;
【基金】：河南省科技厅科技攻关重点项目(No.162102210276)
【分类号】：TM407;TP18

【相似文献】

相关期刊论文 前10条

1 胡文平,尹项根,张哲,陈德树;变压器故障诊断与多传感器信息融合[J];高电压技术;2002年02期

2 苏宏升;李群湛;;概念格在变压器故障诊断中的应用研究[J];高电压技术;2006年02期

3 闫学杰;;煤矿变压器故障诊断的研究[J];煤矿现代化;2011年02期

4 王铮一;郑文杰;;基于基因表达式编程的变压器故障诊断[J];陕西电力;2012年04期

5 ;变压器故障诊断[J];电气制造;2012年05期

6 肖华兰;吴骏;;基于多分类相关向量机的变压器故障诊断[J];电子世界;2013年15期

7 ;《大型变压器故障诊断技术的研究》技术成果通过电力部鉴定[J];上海电力学院学报;1995年04期

8 张丰仁,张恩锋;气相色谱分析在变压器故障诊断中的应用[J];中国煤炭;2000年10期

9 马素媛;气相色谱法在电力变压器故障诊断中的实际应用[J];冶金动力;2000年05期

10 钱政,黄兰,严璋,罗承沐;集成模糊数学与范例推理的变压器故障诊断方法[J];电网技术;2001年09期

相关会议论文 前10条

1 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

2 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

3 赵继印;李建坡;黎巧生;;基于气相色谱分析方法的变压器故障诊断系统[A];“振兴吉林老工业基地——科技工作者的历史责任”吉林省第三届科学技术学术年会论文集（上册）[C];2004年

4 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

5 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

6 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

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 陈湘萍;;基于神经网络的变压器故障诊断[A];第八届全国信息获取与处理学术会议论文集[C];2010年

9 卞建鹏;廖瑞金;杨丽君;郑含博;;基于均值核聚类与二叉树支持向量机的变压器故障诊断新技术的研究[A];重庆市电机工程学会2010年学术会议论文集[C];2010年

10 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

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 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

2 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

3 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

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 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

6 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

7 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

8 唐勇波;数据驱动的大型电力变压器故障诊断和预测研究[D];中南大学;2013年

9 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

10 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

相关硕士学位论文 前10条

1 刘飞霞;基于蚁群算法的变压器故障诊断研究[D];长沙理工大学;2014年

2 李江浩;基于改进神经网络的变压器故障诊断方法的研究[D];华北电力大学;2015年

3 隋卓;基于振动能量法的电力变压器故障诊断与初步定位研究[D];华北电力大学;2015年

4 李洪超;基于M-LS-SVM的变压器故障诊断研究[D];浙江工商大学;2015年

5 宋桐;多模型组合优化的变压器故障诊断策略研究[D];西安工程大学;2015年

6 裴飞;基于在线序列极限学习机的变压器故障诊断研究[D];华北电力大学;2015年

7 朱紫娟;综合故障诊断方法在电力变压器故障诊断中的应用研究[D];西安工程大学;2016年

8 洪浪;基于油气量和超高频局放信号的变压器故障诊断研究[D];湖北工业大学;2016年

9 王莹;变压器故障诊断中油溶气体基本信任分配函数研究[D];长春工业大学;2016年

10 张楠乔;基于智能算法的扼流适配变压器故障诊断的研究[D];北京交通大学;2016年

，

本文编号：2155780