CN107644127A - 基于imabc优化支持向量机的变压器故障诊断方法 - Google Patents
基于imabc优化支持向量机的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN107644127A CN107644127A CN201710806025.4A CN201710806025A CN107644127A CN 107644127 A CN107644127 A CN 107644127A CN 201710806025 A CN201710806025 A CN 201710806025A CN 107644127 A CN107644127 A CN 107644127A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- formula
- support vector
- transformer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于IMABC优化支持向量机的变压器故障诊断方法，步骤1、将采集的油浸式变压器带有类标签的样本集S＝{(x1,y2),(x2,y2)…(xn,yn)}分为训练样本和测试样本；xi代表样本属性，包含氢气、甲烷、乙烷、乙烯、乙炔五种属性；yi代表类别标签，1、2、3、4、5、6分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电；步骤2、提出一种改进人工蜂群算法，将种群分类和基因突变融入该人工蜂群算法，优化支持向量机的参数；步骤3、将Ci和σi作为支持向量机的优化参数，建立多级支持向量机故障诊断模型，利用步骤1中的数据进行变压器的故障诊断。本发明的变压器故障诊断方法能有效优化支持向量机的参数，提高了进行二分类时的准确率。
Description
技术领域
本发明属于变压器故障在线监测技术领域，具体涉及一种基于IMABC优化支持向量机的变压器故障诊断方法。
背景技术
随着电网建设的高速发展，全国联网的格局基本形成。电力系统是一个由众多发、送、输、配的用电设备连接而成的大系统，这些设备直接决定整个系统的稳定性和安全性。变压器在电力系统中应用广泛，其安全稳定的运行状态关系着电网与人民的安全，发生故障将会给人们的生活带来极大的不便，因此对变压器进行故障诊断尤为重要。变压器的主要故障包括高温过热、中低温过热、局部放电和火花放电等。
目前针对上述故障已经提出了多种监测方法，如：油中溶解气体分析技术、铁芯接地电流检测技术以及红外热像检测技术；其中油中溶解气体分析技术含有丰富的运行状态信息，可作为变压器故障诊断的依据，但由于太过于依赖人工经验且无法直接通过阈值判断，需要通过人工智能算法，如模糊理论、BP神经网络等进行故障诊断。然而，模糊控制则存在隶属函数和模糊规则的确定过程存在一定的人为因素，基于BP神经网络算法的故障诊断存在一定程度的收敛速度慢，容易陷入局部极小值的缺点。
发明内容
本发明的目的在于提供一种基于IMABC优化支持向量机的变压器故障诊断方法，能有效优化支持向量机的参数，提高了进行二分类时的准确率。
本发明所采用的技术方案是，基于IMABC优化支持向量机的变压器故障诊断方法，具体按照以下步骤实施：
步骤1、将采集的油浸式变压器带有类标签的样本集S＝{(x1,y2),(x2,y2)...(xn,yn)}分为训练样本和测试样本；xi代表样本属性，包含氢气、甲烷、乙烷、乙烯、乙炔五种属性；yi代表类别标签，1、2、3、4、5、6分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电；
步骤2、提出一种改进人工蜂群算法，将种群分类和基因突变融入该人工蜂群算法，优化支持向量机的参数；
步骤3、将步骤2中得到的Ci和σi作为支持向量机的优化参数，建立多级支持向量机故障诊断模型，利用步骤1中的数据进行变压器的故障诊断。
本发明的特点还在于：
步骤1中：将采集的油浸式变压器带有类标签的样本集S＝{(x1,y2),(x2,y2)...(xn,yn)}按3：1的比例分为训练样本和测试样本。
步骤2具体按照以下步骤实施：
步骤a、初始化，预先设定搜索次数上限为limit，最大迭代次数为max cycle，初始迭代cycle＝1；用式(1)产生NP个解，每个解Xi是一个二维向量(Ci，σi)，第j维取值Xij如下：
式(1)中，rand表示在[0，1]上的随机数；任何一个采蜜蜂的任何一个维度都完全随机生成，即采蜜蜂将随机放在解空间中的任何一点上；
步骤b、待步骤a完成后，进行采蜜蜂阶段，对每个蜜源Xi在其附近产生一个随机的扰动，生成一个候选解Vi，具体算法如下：
式(2)中：Xi为搜索空间中第i个蜜源，Xk为在其领域内随机选取的不同于Xi的另一个蜜源，为服从均匀分布的随机数，差值Xi-Xk为当前蜜源Xi的扰动项；
当搜索过程接近最优解时，扰动项Xi-Xk会自适应减小，能提高算法的局部开采能力；对候选解Vi计算相应的适应度值，根据贪婪规则在Vi和Xi中选出更优解，以确保种群向更优的方向发展；
步骤c、经步骤b后，进入观察蜂阶段，自适应度函数如下：
第i个蜜源的自适应度值在整个蜂群中所占的百分比Pi如下所示：
式(4)中：fitnessi表示第i个蜜源的适应度值，Pi越大优化解的质量越高；
当更多的观察蜂被吸引变成采蜜蜂时，采用式(2)所示的局部搜索策略再次进行开采，并以贪婪规则确保整个种群向最优方向发展；
步骤d、待步骤c完成后，进行种群划分；
根据设定的种群划分策略参数M，利用贪婪选择算法把种群划分为精英种群P和一般种群Q，对精英种群P中的每个个体使用式(5)进行交叉，用式(4)进行评估，用式(2)进行更新；对一般种群Q中的每个个体使用式(6)进行交叉，用式(4)进行评估，用式(2)进行更新；
式(5)中，且better1≠better2,
式(6)中，且poor1≠poor2,
步骤e、经步骤d后，进入侦察蜂阶段；
开采上限为limit，若蜜源多次开采仍无法改进即counter＞limit,则蜜源将被淘汰，根据式(1)随机选取新的蜜源，将计数器置0；
记录循环中搜索到的最优蜜源对应的解向量，若cycle＞maxcycle则循环结束，否则跳转到步骤b继续执行，循环结束后输出最优解Ci和σi。
步骤3中多级支持向量机故障诊断模型的建立方法如下：
首先将某一类别样本表示为正类，其他样本表示为负类，训练得出一个决策函数；然后从负类样本中选取一类表示为正类，其余的依然表示为负类，接着训练得出另一个决策函数，以此类推可以得到6个决策函数，同时也得到了多级支持向量机故障诊断模型。
每个所述支持向量机故障诊断模型的运行具体步骤如下：
步骤A、归一化处理：利用公式将输入量和输出量都归一化到[0,1]；
式(7)中，Xmax、Xmin分别为H2、CH4、C2H2、C2H6、C2H4等气体的浓度的最大值和最小值；
步骤B、经步骤A后，进行核函数选择；
选择最通用的径向基函数：
得到的支持向量机是一种径向基函数分类器，宽度γ2对所有核相同，由使用者预先设定；
步骤C、经步骤B后继续进行处理：所用的核心算法采用了StephaneCanu提供KernelMethodsMatlabTool的bo软x件包的支持向量机算法，其中惩罚因子C以及核函数σ的值对分类准确率有影响，为达到更好的分类准确率对其进行优化。
本发明的有益效果在于：
(1)本发明基于IMABC优化支持向量机的变压器故障诊断方法，其中的多级支持向量机可以对变压器和进行较为精确的故障诊断，且多级支持向量机有着简单易行，无误分、拒分的优点；
(2)本发明基于IMABC优化支持向量机的变压器故障诊断方法，利用IMABC对SVM参数进行优化，原理简单且能提高SVM的分类性能；
(3)本发明基于IMABC优化支持向量机的变压器故障诊断方法，利用油中气体(氢气、甲烷、乙烷、乙烯、乙炔)与IMABC-SVM算法进行结合，构建变压器故障诊断模型，能够有效检测出油浸式变压器内部故障。
附图说明
图1是本发明基于IMABC优化支持向量机的变压器故障诊断方法的流程图；
图2是本发明基于IMABC优化支持向量机的变压器故障诊断方法中构建的多级支持向量机故障诊断模型的示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于IMABC优化支持向量机的变压器故障诊断方法，其流程如图1所示，具体按照以下步骤实施：
步骤1、将采集的油浸式变压器带有类标签的样本集S＝{(x1,y2),(x2,y2)...(xn,yn)}按3：1的比例分为训练样本和测试样本，其中，xi代表样本属性(包含氢气、甲烷、乙烷、乙烯、乙炔五种属性)，yi代表类别标签，1、2、3、4、5、6分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电。
步骤2、提出一种改进人工蜂群算法(IMABC)，将种群分类和基因突变融入该人工蜂群算法，优化支持向量机的参数；
支持向量机的分类准确率与惩罚因子C以及核函数σ之间存在多峰值函数关系，因此会不同程度地陷入局部最优解，无法达到最优分类效果，因此采用改进IMABC来优化支持向量机的参数，具体过程如下：
步骤a、初始化，预先设定搜索次数上限为limit，最大迭代次数为max cycle，初始迭代cycle＝1；用式(1)产生NP个解，每个解Xi是一个二维向量(Ci，σi)，第j维取值Xij如下：
式(1)中，rand表示在[0，1]上的随机数；任何一个采蜜蜂的任何一个维度都完全随机生成，即采蜜蜂将随机放在解空间中的任何一点上；
步骤b、待步骤a完成后，进行采蜜蜂阶段，对每个蜜源Xi在其附近产生一个随机的扰动，生成一个候选解Vi，具体算法如下：
式(2)中：Xi为搜索空间中第i个蜜源，Xk为在其领域内随机选取的不同于Xi的另一个蜜源，为服从均匀分布的随机数，差值Xi-Xk为当前蜜源Xi的扰动项；
当搜索过程接近最优解时，扰动项Xi-Xk会自适应减小，能提高算法的局部开采能力；对候选解Vi计算相应的适应度值，根据贪婪规则在Vi和Xi中选出更优解，以确保种群向更优的方向发展；
步骤c、经步骤b后，进入观察蜂阶段，自适应度函数如下：
第i个蜜源的自适应度值在整个蜂群中所占的百分比Pi如下所示：
式(4)中：fitnessi表示第i个蜜源的适应度值，Pi越大优化解的质量越高；
当更多的观察蜂被吸引变成采蜜蜂时，采用式(2)所示的局部搜索策略再次进行开采，并以贪婪规则确保整个种群向最优方向发展；
步骤d、待步骤c完成后，进行种群划分；
根据设定的种群划分策略参数M，利用贪婪选择算法把种群划分为精英种群P和一般种群Q，对精英种群P中的每个个体使用式(5)进行交叉，用式(4)进行评估，用式(2)进行更新；对一般种群Q中的每个个体使用式(6)进行交叉，用式(4)进行评估，用式(2)进行更新；
式(5)中，且better1≠better2,
式(6)中，且poor1≠poor2,
步骤e、经步骤d后，进入侦察蜂阶段；
开采上限为limit，若蜜源多次开采仍无法改进即counter＞limit,则蜜源将被淘汰，根据式(1)随机选取新的蜜源，将计数器置0；
记录循环中搜索到的最优蜜源对应的解向量，若cycle＞maxcycle则循环结束，否则跳转到步骤b继续执行，循环结束后输出最优解Ci和σi。
步骤3、将步骤2中得到的Ci和σi作为支持向量机的优化参数，建立多级支持向量机故障诊断模型，利用步骤1中的数据进行变压器的故障诊断；
支持向量机是一种建立在统计学习理论的基础上，适用于有限情况的模式分类的方法，很大程度上解决了模型选择与过学习问题、非线性和维数灾难问题、局部极小点问题等传统分类器难以克服的难题，因而在故障诊断方面得以广泛应用；
其中，多级支持向量机故障诊断模型，如图2所示，具体的建立方法如下：
首先将某一类别样本表示为正类，其他样本表示为负类，训练得出一个决策函数；然后从负类样本中选取一类表示为正类，其余的依然表示为负类，接着训练得出另一个决策函数，以此类推可以得到6个决策函数，同时也得到了多级支持向量机故障诊断模型；
其中，每一个支持向量机故障诊断模型的运行具体步骤如下：
步骤A、归一化处理：利用公式将输入量和输出量都归一化到[0,1]；
式(7)中，Xmax、Xmin分别为H2、CH4、C2H2、C2H6、C2H4等气体的浓度的最大值和最小值；
步骤B、经步骤A后，进行核函数选择；
这里选择最通用的径向基函数：
得到的支持向量机是一种径向基函数分类器，宽度γ2对所有核相同，由使用者预先设定；
步骤C、经步骤B后，继续进行处理：所用的核心算法采用了StephaneCanu提供KernelMethodsMatlabTool的bo软x件包的支持向量机算法，其中惩罚因子C以及核函数σ的值对分类准确率有影响，为达到更好的分类准确率对其进行优化。
本发明基于IMABC优化支持向量机的变压器故障诊断方法，能在很大程度上解决模型选择与过学习问题、非线性和维数灾难问题、局部极小点问题等传统分类器难以克服的难题；但是由于支持向量机的分类准确率与惩罚因子C以及核函数σ之间存在多峰值函数关系，导致会不同程度地陷入局部最优解，无法达到最优分类效果，因而采用改进人工蜂群算法(IMABC)来优化支持向量机的参数，以达到更好的分类准确率。
Claims (5)
1.基于IMABC优化支持向量机的变压器故障诊断方法，具体按照以下步骤实施：
步骤1、将采集的油浸式变压器带有类标签的样本集S＝{(x1,y2),(x2,y2)...(xn,yn)}分为训练样本和测试样本；xi代表样本属性，包含氢气、甲烷、乙烷、乙烯、乙炔五种属性；yi代表类别标签，1、2、3、4、5、6分别对应正常状态、中温过热、高温过热、局部放电、火花放电、电弧放电；
步骤2、提出一种改进人工蜂群算法，将种群分类和基因突变融入该人工蜂群算法，优化支持向量机的参数；
步骤3、将步骤2中得到的Ci和σi作为支持向量机的优化参数，建立多级支持向量机故障诊断模型，利用步骤1中的数据进行变压器的故障诊断。
2.根据权利要求1所述的基于IMABC优化支持向量机的变压器故障诊断方法，所述步骤1中：将采集的油浸式变压器带有类标签的样本集S＝{(x1,y2),(x2,y2)...(xn,yn)}按3：1的比例分为训练样本和测试样本。
3.根据权利要求1所述的基于IMABC优化支持向量机的变压器故障诊断方法，所述步骤2具体按照以下步骤实施：
步骤a、初始化，预先设定搜索次数上限为limit，最大迭代次数为max cycle，初始迭代cycle＝1；用式(1)产生NP个解，每个解Xi是一个二维向量(Ci，σi)，第j维取值Xij如下：
<mrow>
<msub>
<mi>X</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mi>i</mi>
<mi>min</mi>
</msubsup>
<mo>+</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mi>j</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mi>j</mi>
<mi>min</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mi>P</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式(1)中，rand表示在[0，1]上的随机数；任何一个采蜜蜂的任何一个维度都完全随机生成，即采蜜蜂将随机放在解空间中的任何一点上；
步骤b、待步骤a完成后，进行采蜜蜂阶段，对每个蜜源Xi在其附近产生一个随机的扰动，生成一个候选解Vi，具体算法如下：
式(2)中：Xi为搜索空间中第i个蜜源，Xk为在其领域内随机选取的不同于Xi的另一个蜜源，为服从均匀分布的随机数，差值Xi-Xk为当前蜜源Xi的扰动项；
当搜索过程接近最优解时，扰动项Xi-Xk会自适应减小，能提高算法的局部开采能力；对候选解Vi计算相应的适应度值，根据贪婪规则在Vi和Xi中选出更优解，以确保种群向更优的方向发展；
步骤c、经步骤b后，进入观察蜂阶段，自适应度函数如下：
<mrow>
<msub>
<mi>fitness</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>+</mo>
<mo>|</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
第i个蜜源的自适应度值在整个蜂群中所占的百分比Pi如下所示：
<mrow>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>fitness</mi>
<mi>i</mi>
</msub>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>P</mi>
<mi>N</mi>
</mrow>
</munderover>
<msub>
<mi>fitness</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式(4)中：fitnessi表示第i个蜜源的适应度值，Pi越大优化解的质量越高；
当更多的观察蜂被吸引变成采蜜蜂时，采用式(2)所示的局部搜索策略再次进行开采，并以贪婪规则确保整个种群向最优方向发展；
步骤d、待步骤c完成后，进行种群划分；
根据设定的种群划分策略参数M，利用贪婪选择算法把种群划分为精英种群P和一般种群Q，对精英种群P中的每个个体使用式(5)进行交叉，用式(4)进行评估，用式(2)进行更新；对一般种群Q中的每个个体使用式(6)进行交叉，用式(4)进行评估，用式(2)进行更新；
式(5)中，且better1≠better2,
式(6)中，且poor1≠poor2,
步骤e、经步骤d后，进入侦察蜂阶段；
开采上限为limit，若蜜源多次开采仍无法改进即counter＞limit,则蜜源将被淘汰，根据式(1)随机选取新的蜜源，将计数器置0；
记录循环中搜索到的最优蜜源对应的解向量，若cycle＞maxcycle则循环结束，否则跳转到步骤b继续执行，循环结束后输出最优解Ci和σi。
4.根据权利要求1所述的基于IMABC优化支持向量机的变压器故障诊断方法，所述步骤3中，多级支持向量机故障诊断模型的建立方法如下：
首先将某一类别样本表示为正类，其他样本表示为负类，训练得出一个决策函数；然后从负类样本中选取一类表示为正类，其余的依然表示为负类，接着训练得出另一个决策函数，以此类推可以得到6个决策函数，同时也得到了多级支持向量机故障诊断模型。
5.根据权利要求4所述的基于IMABC优化支持向量机的变压器故障诊断方法，每个所述支持向量机故障诊断模型的运行具体步骤如下：
步骤A、归一化处理：利用公式将输入量和输出量都归一化到[0,1]；
<mrow>
<mover>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>min</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>X</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>min</mi>
</msub>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
式(7)中，Xmax、Xmin分别为H2、CH4、C2H2、C2H6、C2H4等气体的浓度的最大值和最小值；
步骤B、经步骤A后，进行核函数选择；
选择最通用的径向基函数：
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>,</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mo>{</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&gamma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>}</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
得到的支持向量机是一种径向基函数分类器，宽度γ2对所有核相同，由使用者预先设定；
步骤C、经步骤B后，继续进行处理：所用的核心算法采用了StephaneCanu提供KernelMethodsMatlabTool的bo软x件包的支持向量机算法，其中惩罚因子C以及核函数σ的值对分类准确率有影响，为达到更好的分类准确率对其进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710806025.4A CN107644127A (zh) | 2017-09-08 | 2017-09-08 | 基于imabc优化支持向量机的变压器故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710806025.4A CN107644127A (zh) | 2017-09-08 | 2017-09-08 | 基于imabc优化支持向量机的变压器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107644127A true CN107644127A (zh) | 2018-01-30 |
Family
ID=61111372
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710806025.4A Pending CN107644127A (zh) | 2017-09-08 | 2017-09-08 | 基于imabc优化支持向量机的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107644127A (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446562A (zh) * | 2018-03-27 | 2018-08-24 | 桂林电子科技大学 | 基于禁忌与人工蜂群双向优化支持向量机的入侵检测方法 |
| CN108875783A (zh) * | 2018-05-09 | 2018-11-23 | 西安工程大学 | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 |
| CN109856488A (zh) * | 2019-03-15 | 2019-06-07 | 长沙理工大学 | 一种基于多源数据融合的变压器状态评估及故障检测方法 |
| CN110082717A (zh) * | 2019-04-30 | 2019-08-02 | 上海海事大学 | 一种水下无线传感器节点定位方法 |
| CN110298399A (zh) * | 2019-06-27 | 2019-10-01 | 东北大学 | 基于Freeman链码和矩特征融合的抽油井故障诊断方法 |
| CN110348615A (zh) * | 2019-06-27 | 2019-10-18 | 西安工程大学 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
| CN110503153A (zh) * | 2019-08-26 | 2019-11-26 | 哈尔滨工程大学 | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 |
| CN110688762A (zh) * | 2019-09-30 | 2020-01-14 | 集美大学 | 一种新型固体氧化物燃料电池电堆模型构建方法 |
| CN110705657A (zh) * | 2019-11-21 | 2020-01-17 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
| CN111144431A (zh) * | 2018-11-06 | 2020-05-12 | 西安工程大学 | 一种基于cbbo-svm的变压器故障诊断方法 |
| CN111814989A (zh) * | 2020-06-02 | 2020-10-23 | 西安工程大学 | 基于蝗虫算法优化孪生支持向量机的变压器故障诊断方法 |
| CN114091540A (zh) * | 2021-11-23 | 2022-02-25 | 山东大学 | 柴油机冷试智能检测模型构建方法、检测方法及系统 |
| WO2023115875A1 (zh) * | 2021-12-24 | 2023-06-29 | 深圳前海微众银行股份有限公司 | 硬件设备维护方法、装置及电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090079330A (ko) * | 2008-01-17 | 2009-07-22 | 한남대학교 산학협력단 | 에스브이엠 침입 탐지 시스템 및 그 동작 방법 |
| CN105930864A (zh) * | 2016-04-15 | 2016-09-07 | 杭州电子科技大学 | 一种基于abc-svm的脑电信号特征分类方法 |
| CN105930685A (zh) * | 2016-06-27 | 2016-09-07 | 江西理工大学 | 高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 |
| CN106067066A (zh) * | 2016-05-31 | 2016-11-02 | 西安工程大学 | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 |
| CN106646158A (zh) * | 2016-12-08 | 2017-05-10 | 西安工程大学 | 基于多分类支持向量机变压器故障诊断提升方法 |
-
2017
- 2017-09-08 CN CN201710806025.4A patent/CN107644127A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090079330A (ko) * | 2008-01-17 | 2009-07-22 | 한남대학교 산학협력단 | 에스브이엠 침입 탐지 시스템 및 그 동작 방법 |
| CN105930864A (zh) * | 2016-04-15 | 2016-09-07 | 杭州电子科技大学 | 一种基于abc-svm的脑电信号特征分类方法 |
| CN106067066A (zh) * | 2016-05-31 | 2016-11-02 | 西安工程大学 | 基于遗传算法优化装袋算法的电力变压器故障诊断方法 |
| CN105930685A (zh) * | 2016-06-27 | 2016-09-07 | 江西理工大学 | 高斯人工蜂群优化的稀土矿区地下水氨氮浓度预测方法 |
| CN106646158A (zh) * | 2016-12-08 | 2017-05-10 | 西安工程大学 | 基于多分类支持向量机变压器故障诊断提升方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张卫等: "人工蜂群算法用于优化KELM参数的研究及应用", 《第十三届全国人机语音通讯学术会议》 * |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108446562A (zh) * | 2018-03-27 | 2018-08-24 | 桂林电子科技大学 | 基于禁忌与人工蜂群双向优化支持向量机的入侵检测方法 |
| CN108446562B (zh) * | 2018-03-27 | 2021-08-03 | 桂林电子科技大学 | 基于禁忌与人工蜂群双向优化支持向量机的入侵检测方法 |
| CN108875783A (zh) * | 2018-05-09 | 2018-11-23 | 西安工程大学 | 一种面向不平衡数据集的极限学习机变压器故障诊断方法 |
| CN111144431A (zh) * | 2018-11-06 | 2020-05-12 | 西安工程大学 | 一种基于cbbo-svm的变压器故障诊断方法 |
| CN109856488A (zh) * | 2019-03-15 | 2019-06-07 | 长沙理工大学 | 一种基于多源数据融合的变压器状态评估及故障检测方法 |
| CN110082717A (zh) * | 2019-04-30 | 2019-08-02 | 上海海事大学 | 一种水下无线传感器节点定位方法 |
| CN110298399B (zh) * | 2019-06-27 | 2022-11-25 | 东北大学 | 基于Freeman链码和矩特征融合的抽油井故障诊断方法 |
| CN110348615B (zh) * | 2019-06-27 | 2023-05-16 | 西安工程大学 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
| CN110348615A (zh) * | 2019-06-27 | 2019-10-18 | 西安工程大学 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
| CN110298399A (zh) * | 2019-06-27 | 2019-10-01 | 东北大学 | 基于Freeman链码和矩特征融合的抽油井故障诊断方法 |
| CN110503153A (zh) * | 2019-08-26 | 2019-11-26 | 哈尔滨工程大学 | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 |
| CN110503153B (zh) * | 2019-08-26 | 2021-06-11 | 哈尔滨工程大学 | 基于差分进化算法和支持向量机的光伏系统故障诊断方法 |
| CN110688762A (zh) * | 2019-09-30 | 2020-01-14 | 集美大学 | 一种新型固体氧化物燃料电池电堆模型构建方法 |
| CN110688762B (zh) * | 2019-09-30 | 2023-06-23 | 集美大学 | 一种固体氧化物燃料电池电堆模型构建方法 |
| CN110705657A (zh) * | 2019-11-21 | 2020-01-17 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
| CN110705657B (zh) * | 2019-11-21 | 2022-08-30 | 北京交通大学 | 一种质子交换膜燃料电池系统的模式识别故障诊断方法 |
| CN111814989A (zh) * | 2020-06-02 | 2020-10-23 | 西安工程大学 | 基于蝗虫算法优化孪生支持向量机的变压器故障诊断方法 |
| CN114091540A (zh) * | 2021-11-23 | 2022-02-25 | 山东大学 | 柴油机冷试智能检测模型构建方法、检测方法及系统 |
| CN114091540B (zh) * | 2021-11-23 | 2024-05-07 | 山东大学 | 柴油机冷试智能检测模型构建方法、检测方法及系统 |
| WO2023115875A1 (zh) * | 2021-12-24 | 2023-06-29 | 深圳前海微众银行股份有限公司 | 硬件设备维护方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107644127A (zh) | 基于imabc优化支持向量机的变压器故障诊断方法 | |
| CN105930901B (zh) | 一种基于rbpnn的变压器故障诊断方法 | |
| CN106646158B (zh) | 基于多分类支持向量机变压器故障诊断提升方法 | |
| Gacto et al. | A multi-objective evolutionary algorithm for an effective tuning of fuzzy logic controllers in heating, ventilating and air conditioning systems | |
| CN108596212A (zh) | 基于改进布谷鸟搜索优化神经网络的变压器故障诊断方法 | |
| Yao et al. | Explicit boundary guided semi-push-pull contrastive learning for supervised anomaly detection | |
| CN107085164A (zh) | 一种电网故障类型确定方法及装置 | |
| CN105574589B (zh) | 基于小生境遗传算法的变压器油色谱故障诊断方法 | |
| CN111612125B (zh) | 一种面向在线学习的新型htm时间池方法及其系统 | |
| CN106597154A (zh) | 基于dag‑svm的变压器故障诊断提升方法 | |
| CN110428005A (zh) | 一种基于伞式算法的电力系统动态安全误分类约束方法 | |
| CN109711707A (zh) | 一种船舶动力装置综合状态评估方法 | |
| CN109298330A (zh) | 基于ghpso-bp的高压断路器故障诊断方法 | |
| CN107656152A (zh) | 一种基于ga‑svm‑bp变压器故障诊断方法 | |
| Yan et al. | Cycle representation learning for inductive relation prediction | |
| CN108803554A (zh) | 一种发电机信号的智能诊断方法 | |
| CN104182613B (zh) | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 | |
| CN107103361A (zh) | 基于粗糙集与回答集的变压器故障诊断方法和系统 | |
| CN104598657B (zh) | 一种基于memetic算法的基因模体重构方法 | |
| Wang et al. | Rule induction of breast cancer medical diagnose based on combination of rough sets, artificial neutral network and genetic algorithm | |
| CN106356994A (zh) | 一种基于电网pmu大数据的电网稳定性判别方法 | |
| CN114896883B (zh) | 一种基于mea-svm分类机的变压器故障诊断方法 | |
| Xing et al. | Intelligent Diagnosis Method of Distribution Network Fault for Construction of Digital Twin Coordination System | |
| Hao et al. | Scheme of big-data supported interactive evolutionary computation | |
| Chen et al. | Research on transformer fault diagnosis based on sparrow algorithm optimization probabilistic neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180130 |