CN111814989A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111814989A CN111814989A CN202010489607.6A CN202010489607A CN111814989A CN 111814989 A CN111814989 A CN 111814989A CN 202010489607 A CN202010489607 A CN 202010489607A CN 111814989 A CN111814989 A CN 111814989A
- Authority
- CN
- China
- Prior art keywords
- locust
- support vector
- vector machine
- twin support
- twin
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了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,具体为:步骤1、收集油浸式变压器油故障特征气体浓度数据,将故障特征气体浓度数据作为总样本集,然后将总样本集分为训练样本与测试样本;步骤2、由于不同故障特征气体的量纲不同,其数值差异较大,因此对总数据集进行归一化处理;步骤3、初始化孪生支持向量机与蝗虫种群;步骤4、使用训练样本应用蝗虫算法优化孪生支持向量机参数并训练优化后的孪生支持向量机,得到诊断模型;步骤5、利用步骤4得到的TWSVM模型,对测试样本进行分类,从而完成油浸式变压器的故障诊断。该诊断方法具有能在较快的迭代时长的前提下得到最优参数,而且使诊断的准确度大大提高。
Description
技术领域
本发明属于变压器故障在线监测方法技术领域,具体涉及一种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。
背景技术
随着国民经济的发展,我们的生活越来越离不开电力。但是一旦发生电力事故,不仅会对生活带来不便,而且更有可能对社会生产造成不利影响。随着电网的扩大和电压等级的不断升高,变压器作为电网中能量转换、传输的核心,其正常稳定运行变得至关重要。目前,提高变压器运行可靠性的主要途径就是对变压器进行定期检修。但是人为的检修不仅耗费大量的人力物力,而且可靠性也有待提高,而如何做到防患于未然,正确把握变压器的运行状态实施状态评估和进行有效的故障诊断是状态检修成功与否的关键。
近年来计算机、传感器以及智能信息处理技术不断发展,电力变压器的状态检测手段得到了迅速发展,如油中溶解气体分析、局部放电监测、绕组变形和绕组热点温度监测、绝缘油中糠醛含量监测等。这些有效的变压器在线监测技术的出现,为实现以故障诊断为基础的状态检修提供了技术支持。油浸式变压器在所有变压器种类中占有极大的比例。因此,对油浸式变压器进行故障诊断非常有必要。
油浸式变压器在发生故障时,变压器内部的绝缘油会分解产生气体,其中具有故障特征的气体主要有氢气,甲烷,乙烷,乙炔,乙烯,根据以上五种气体,研究人员研究出来诸如大卫三角法,三比值法等传统故障诊断方法,但是随着电网信息数据的逐渐增加,传统的人工计算方式已无法满足故障诊断的需求,故需计算机来进行故障诊断的数据处理。
本发明提出了一种基于GOA-TWSVM(蝗虫算法优化孪生支持向量机)的变压器故障诊断方法,这种诊断方法具有能在较快的迭代时长的前提下得到最优参数,而且使诊断的准确度大大提高。
发明内容
本发明的目的是提供一种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,这种诊断方法具有能在较快的迭代时长的前提下得到最优参数,而且使诊断的准确度大大提高。
本发明所采用的技术方案是,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,包括以下步骤:
步骤1、收集油浸式变压器油故障特征气体浓度数据,将故障特征气体浓度数据作为总样本集,然后将总样本集分为训练样本与测试样本;其中,训练样本占总样本集数量的80%,测试样本占总样本集数量的20%;
步骤2、由于不同故障特征气体的量纲不同,其数值差异较大,因此对总数据集进行归一化处理;
步骤3、初始化孪生支持向量机与蝗虫种群;
步骤4、使用训练样本应用蝗虫算法优化孪生支持向量机参数并训练优化后的孪生支持向量机,得到诊断模型;
步骤5、利用步骤4得到的TWSVM模型,对测试样本进行分类,从而完成油浸式变压器的故障诊断。
本发明的特点还在于,
步骤1中,故障特征气体包括:氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳;将氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳共七种气体浓度数据为总样本集为S={(x1,y1),(x2,y2),...,(xi,yi)},其中i为正整数且代表样本的数量,xi均含有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳共七种属性;类别标签1、2、3、4、5、6分别对应正常、低能放电、高能放电、中低温过热、高温过热、局部放电6个状态,yi代表6个状态中的一种。
步骤2中,对总样本集中所有故障特征气体浓度进行归一化处理,采用如下公式
其中,n=1,2,3,4,5,6,7,xin分别代表第i个样本中氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳的气体浓度,xmax、xmin分别为采集到的原始的故障气体对应的气体浓度最大值和最小值,xnorm为归一化后的数据。
步骤3具体按照以下步骤实施:
步骤3.1、初始化孪生支持向量机模型模型
步骤3.1.1、确定孪生支持向量机的核函数为高斯径向基核函数,其表达式为:
其中,σ为高斯径向基核函数的参数;||α-β||2表示差向量的模即2范数,α,β代表不同数据矩阵;
步骤3.1.2、根据式(1),构造如下两个基于核函数的超平面:
K(αT,CT)u1+b1=0和K(αT,CT)u2+b2=0 (2)
上式中,C指所有训练样本组成的矩阵,其每一行都代表一个训练样本;u1对应孪生支持向量机第一个超平面的法向量,u2对应孪生支持向量机第二个超平面的法向量,b1对应孪生支持向量机的第一个超平面的偏移量;b2对应孪生支持向量机第二个超平面的偏移量;
步骤3.1.3、构造二次线性规划问题以求得两个超平面的法向量u1及u2和偏移量b1及b2:
其中第一个超平面的二次线性规划问题:
其中第二个超平面的二次线性规划问题:
由于孪生支持向量机的基本原理是根据两个超平面将样本分为两类样本集,故上式中矩阵A为第1类样本集,矩阵B为第2类样本集,两类样本集数量之和为训练样本的数量总数,即为总样本集数量的80%,c1代表第一个超平面的惩罚参数和c2表示第二个超平面惩罚参数,e1和e2是元素全为1的列向量,其中e1的行数与矩阵A的行数相等,e2的行数与矩阵B的行数相等;η为第一个二次线性规划问题的松弛变量和ζ为第一个二次线性规划问题的松弛变量;
步骤3.1.4、由于变压器故障诊断属于非线性问题,故根据样本离哪个超平面近就被归于哪个类的决策规则,确定孪生支持向量机决策函数以完成分类:
上式中x为输入决策函数的样本,此外,uk指孪生支持向量机的两个超平面的法向量,bk指孪生支持向量机的两个超平面的偏移量;
至此孪生支持向量机初始化完成;
步骤3.2、在一个3维空间中,初始化由N个蝗虫所组成的种群,其中第n个蝗虫的位置表示为一个3维的向量Yn=(Yn1,Yn2,Yn3);Yn可由函数表示为:
Yn=Sn+Gn+Dn (6)
上式中:Yn为第n个蝗虫的位置坐标;Sn为个体间的相互影响力,Gn为第n个蝗虫受到的重力;Dn为第n个蝗虫受到的风力,其中蝗虫个体间的相互影响力对蝗虫的位置影响最大;
式(6)模拟了蝗虫的运动,主要成分是蝗虫自身的社会相互作用,其中Sn的表达式如下所示:
式(7)中dvn=|lv-ln|为第v个蝗虫与第n个蝗虫之间的距离,为第v个蝗虫指向第n个蝗虫的单位向量;s为蝗虫受到其他蝗虫交互力的影响函数,当s为负数时表示相互排斥,当s为正数时表示相互吸引,公式如下:
s=fe-r/m-e-r (8)
式(6)中,f代表吸引强度;m为吸引尺度;r为[0,1]之间的随机数;
式(6)中的Gn计算如下:
Gn=-ge'g (9)
上式中g为重力常数;e'g为指向地球中心的单位向量;
式(6)中的Dn计算如下:
Dn=Ueω (10)
其中:U为风力常量,eω为指向风向的单位向量;
式(6)可改写为:
但上式无法直接进行求解优化问题,因为算法很难收敛到一个点,为解决优化问题,引入递减系数E以减小蝗虫活动空间,促进算法收敛,上式可改写为:
至此蝗虫的位置Yn初始化完成。
步骤4具体按照以下步骤实施:
步骤4.1、利用步骤3中初始化完成后的蝗虫种群,设置孪生支持向量机的两个惩罚参数c1、c2以及一个核函数参数σ分别等于蝗虫的个体坐标参数Yn1,Yn2,Yn3,后将步骤2中归一化后的全体训练样本作为孪生支持向量机的输入代入孪生支持向量机进行分类,以步骤1中的六种故障状态作为孪生支持向量机的输出,以输出后的准确率为适应度,得到每个蝗虫个体的初始适应度值;
步骤4.2、确定迭代次数为F并对蝗虫位置进行迭代寻优,根据式(12)更新蝗虫的位置,并计算对应的蝗虫个体适应度,若蝗虫新的适应度值高于当前的适应度值,则更新至新的适应度值,若蝗虫新的适应度值低于当前的适应度值,则继续迭代寻优,直至迭代次数用尽;迭代过程完成后,蝗虫的最佳位置的适应度值最高;迭代结束后的蝗虫最佳位置坐标为优化后的孪生支持向量机三个参数值;
步骤4.3、利用全体训练样本训练优化后的孪生支持向量机;
步骤4.4、训练结束后生成的模型既是最终的诊断模型。
发明的有益效果是:使用孪生支持向量机的优点是:与支持向量机相比,孪生支持向量机求解时数据减半,降低了计算成本,同时有效降低了时间复杂度,利于实时性分类。此外,孪生支持向量机可以有效的防止样本不平衡问题的出现,因为如果问题中的一类样本的数量远远大于另外一类样本的数量,孪生支持向量机可以分别对这两类的错分样本设置不同的惩罚系数。
附图说明
图1是本发明一种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的流程图;
图2是本发明一种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涉及的蝗虫算法迭代优化参数流程示意图。
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。
本发明基于蝗虫算法优化孪生支持向量机的变压器故障诊断方法,如图1-2所示,包括以下步骤:
步骤1、收集油浸式变压器油故障特征气体浓度数据,将故障特征气体浓度数据作为总样本集,然后将总样本集分为训练样本与测试样本;其中,训练样本占总样本集数量的80%,测试样本占总样本集数量的20%;
步骤1中,故障特征气体包括:氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳;将氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳共七种气体浓度数据为总样本集为S={(x1,y1),(x2,y2),...,(xi,yi)},其中i为正整数且代表样本的数量,xi均含有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳共七种属性;类别标签1、2、3、4、5、6分别对应正常、低能放电、高能放电、中低温过热、高温过热、局部放电6个状态,yi代表6个状态中的一种。
步骤2、由于不同故障特征气体的量纲不同,其数值差异较大,因此对总数据集进行归一化处理;
步骤2中,对总样本集中所有故障特征气体浓度进行归一化处理,采用如下公式
其中,n=1,2,3,4,5,6,7,xin分别代表第i个样本中氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳和二氧化碳的气体浓度,xmax、xmin分别为采集到的原始的故障气体对应的气体浓度最大值和最小值,xnorm为归一化后的数据。
步骤3、初始化孪生支持向量机与蝗虫种群;
步骤3具体按照以下步骤实施:
步骤3.1、初始化孪生支持向量机模型模型
孪生支持向量机的基本思想是对两类训练样本点中的每一类训练样本点分别构造一个分类超平面,使得每一个分类超平面与其中一类训练样本点尽可能近,而远离另一类训练样本点。新加入的训练样本点离哪个分类超平面的距离近,就被归为哪一类。
步骤3.1.1、确定孪生支持向量机的核函数为高斯径向基核函数,其表达式为:
其中,σ为高斯径向基核函数的参数;||α-β||2表示差向量的模即2范数,α,β代表不同数据矩阵;
步骤3.1.2、根据式(1),构造如下两个基于核函数的超平面:
K(αT,CT)u1+b1=0和K(αT,CT)u2+b2=0 (2)
上式中,C指所有训练样本组成的矩阵,其每一行都代表一个训练样本;u1对应孪生支持向量机第一个超平面的法向量,u2对应孪生支持向量机第二个超平面的法向量,b1对应孪生支持向量机的第一个超平面的偏移量;b2对应孪生支持向量机第二个超平面的偏移量;
步骤3.1.3、构造二次线性规划问题以求得两个超平面的法向量u1及u2和偏移量b1及b2:
其中第一个超平面的二次线性规划问题:
其中第二个超平面的二次线性规划问题:
由于孪生支持向量机的基本原理是根据两个超平面将样本分为两类样本集,故上式中矩阵A为第1类样本集,矩阵B为第2类样本集,两类样本集数量之和为训练样本的数量总数,即为总样本集数量的80%,c1代表第一个超平面的惩罚参数和c2表示第二个超平面惩罚参数,e1和e2是元素全为1的列向量,其中e1的行数与矩阵A的行数相等,e2的行数与矩阵B的行数相等;η为第一个二次线性规划问题的松弛变量和ζ为第一个二次线性规划问题的松弛变量;
步骤3.1.4、由于变压器故障诊断属于非线性问题,故根据样本离哪个超平面近就被归于哪个类的决策规则,确定孪生支持向量机决策函数以完成分类:
上式中x为输入决策函数的样本,此外,uk指孪生支持向量机的两个超平面的法向量,bk指孪生支持向量机的两个超平面的偏移量;
至此孪生支持向量机初始化完成;
步骤3.2、在一个3维空间中,初始化由N个蝗虫所组成的种群,其中第n(n∈N)个蝗虫的位置表示为一个3维的向量Yn=(Yn1,Yn2,Yn3);Yn可由函数表示为:
Yn=Sn+Gn+Dn (6)
上式中:Yn为第n个蝗虫的位置坐标;Sn为个体间的相互影响力,Gn为第n个蝗虫受到的重力;Dn为第n个蝗虫受到的风力,其中蝗虫个体间的相互影响力对蝗虫的位置影响最大;
式(6)模拟了蝗虫的运动,主要成分是蝗虫自身的社会相互作用,其中Sn的表达式如下所示:
式(7)中dvn=|lv-ln|为第v个蝗虫与第n个蝗虫之间的距离,为第v个蝗虫指向第n个蝗虫的单位向量;s为蝗虫受到其他蝗虫交互力的影响函数,当s为负数时表示相互排斥,当s为正数时表示相互吸引,公式如下:
s=fe-r/m-e-r (8)
式(6)中,f代表吸引强度;m为吸引尺度;r为[0,1]之间的随机数;
式(6)中的Gn计算如下:
Gn=-ge'g (9)
上式中g为重力常数;e'g为指向地球中心的单位向量;
式(6)中的Dn计算如下:
Dn=Ueω (10)
其中:U为风力常量,eω为指向风向的单位向量;
式(6)可改写为:
但上式无法直接进行求解优化问题,因为算法很难收敛到一个点,为解决优化问题,引入递减系数E以减小蝗虫活动空间,促进算法收敛,上式可改写为:
至此蝗虫的位置Yn初始化完成。
步骤4、使用训练样本应用蝗虫算法优化孪生支持向量机参数并训练优化后的孪生支持向量机,得到诊断模型;
步骤4具体按照以下步骤实施:
步骤4.1、利用步骤3中初始化完成后的蝗虫种群,设置孪生支持向量机的两个惩罚参数c1、c2以及一个核函数参数σ分别等于蝗虫的个体坐标参数Yn1,Yn2,Yn3,后将步骤2中归一化后的全体训练样本作为孪生支持向量机的输入代入孪生支持向量机进行分类,以步骤1中的六种故障状态作为孪生支持向量机的输出,以输出后的准确率为适应度,得到每个蝗虫个体的初始适应度值;
步骤4.2、确定迭代次数为F并对蝗虫位置进行迭代寻优,根据式(12)更新蝗虫的位置,并计算对应的蝗虫个体适应度,若蝗虫新的适应度值高于当前的适应度值,则更新至新的适应度值,若蝗虫新的适应度值低于当前的适应度值,则继续迭代寻优,直至迭代次数用尽;迭代过程完成后,蝗虫的最佳位置的适应度值最高;迭代结束后的蝗虫最佳位置坐标为优化后的孪生支持向量机三个参数值;
步骤4.3、利用全体训练样本训练优化后的孪生支持向量机;
步骤4.4、训练结束后生成的模型既是最终的诊断模型。
步骤5、利用步骤4得到的TWSVM(孪生支持向量机)模型,对测试样本进行分类,从而完成油浸式变压器的故障诊断。
Claims (5)
1.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,其特征在于,包括以下步骤:
步骤1、收集油浸式变压器油故障特征气体浓度数据,将故障特征气体浓度数据作为总样本集,然后将总样本集分为训练样本与测试样本;其中,训练样本占总样本集数量的80%,测试样本占总样本集数量的20%;
步骤2、由于不同故障特征气体的量纲不同,其数值差异较大,因此对总数据集进行归一化处理;
步骤3、初始化孪生支持向量机与蝗虫种群;
步骤4、使用训练样本应用蝗虫算法优化孪生支持向量机参数并训练优化后的孪生支持向量机,得到诊断模型;
步骤5、利用步骤4得到的TWSVM模型,对测试样本进行分类,从而完成油浸式变压器的故障诊断。
2.根据权利要求1所述的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,其特征在于,步骤1中,故障特征气体包括:氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳;将氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳共七种气体浓度数据为总样本集为S={(x1,y1),(x2,y2),...,(xi,yi)},其中i为正整数且代表样本的数量,xi均含有氢气、甲烷、乙烷、乙烯、乙炔、一氧化碳、二氧化碳共七种属性;类别标签1、2、3、4、5、6分别对应正常、低能放电、高能放电、中低温过热、高温过热、局部放电6个状态,yi代表6个状态中的一种。
4.根据权利要求3所述的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,其特征在于,步骤3具体按照以下步骤实施:
步骤3.1、初始化孪生支持向量机模型模型
步骤3.1.1、确定孪生支持向量机的核函数为高斯径向基核函数,其表达式为:
其中,σ为高斯径向基核函数的参数;||α-β||2表示差向量的模即2范数,α,β代表不同数据矩阵;
步骤3.1.2、根据式(1),构造如下两个基于核函数的超平面:
K(αT,CT)u1+b1=0和K(αT,CT)u2+b2=0 (2)
上式中,C指所有训练样本组成的矩阵,其每一行都代表一个训练样本;u1对应孪生支持向量机第一个超平面的法向量,u2对应孪生支持向量机第二个超平面的法向量,b1对应孪生支持向量机的第一个超平面的偏移量;b2对应孪生支持向量机第二个超平面的偏移量;
步骤3.1.3、构造二次线性规划问题以求得两个超平面的法向量u1及u2和偏移量b1及b2:
其中第一个超平面的二次线性规划问题:
其中第二个超平面的二次线性规划问题:
由于孪生支持向量机的基本原理是根据两个超平面将样本分为两类样本集,故上式中矩阵A为第1类样本集,矩阵B为第2类样本集,两类样本集数量之和为训练样本的数量总数,即为总样本集数量的80%,c1代表第一个超平面的惩罚参数和c2表示第二个超平面惩罚参数,e1和e2是元素全为1的列向量,其中e1的行数与矩阵A的行数相等,e2的行数与矩阵B的行数相等;η为第一个二次线性规划问题的松弛变量和ζ为第一个二次线性规划问题的松弛变量;
步骤3.1.4、由于变压器故障诊断属于非线性问题,故根据样本离哪个超平面近就被归于哪个类的决策规则,确定孪生支持向量机决策函数以完成分类:
上式中x为输入决策函数的样本,此外,uk指孪生支持向量机的两个超平面的法向量,bk指孪生支持向量机的两个超平面的偏移量;
至此孪生支持向量机初始化完成;
步骤3.2、在一个3维空间中,初始化由N个蝗虫所组成的种群,其中第n个蝗虫的位置表示为一个3维的向量Yn=(Yn1,Yn2,Yn3);Yn可由函数表示为:
Yn=Sn+Gn+Dn (6)
上式中:Yn为第n个蝗虫的位置坐标;Sn为个体间的相互影响力,Gn为第n个蝗虫受到的重力;Dn为第n个蝗虫受到的风力,其中蝗虫个体间的相互影响力对蝗虫的位置影响最大;
式(6)模拟了蝗虫的运动,主要成分是蝗虫自身的社会相互作用,其中Sn的表达式如下所示:
式(7)中dvn=|lv-ln|为第v个蝗虫与第n个蝗虫之间的距离,为第v个蝗虫指向第n个蝗虫的单位向量;s为蝗虫受到其他蝗虫交互力的影响函数,当s为负数时表示相互排斥,当s为正数时表示相互吸引,公式如下:
s=fe-r/m-e-r (8)
式(6)中,f代表吸引强度;m为吸引尺度;r为[0,1]之间的随机数;
式(6)中的Gn计算如下:
Gn=-ge'g (9)
上式中g为重力常数;e'g为指向地球中心的单位向量;
式(6)中的Dn计算如下:
Dn=Ueω (10)
其中:U为风力常量,eω为指向风向的单位向量;
式(6)可改写为:
但上式无法直接进行求解优化问题,因为算法很难收敛到一个点,为解决优化问题,引入递减系数E以减小蝗虫活动空间,促进算法收敛,上式可改写为:
至此蝗虫的位置Yn初始化完成。
5.根据权利要求4所述的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,其特征在于,步骤4具体按照以下步骤实施:
步骤4.1、利用步骤3中初始化完成后的蝗虫种群,设置孪生支持向量机的两个惩罚参数c1、c2以及一个核函数参数σ分别等于蝗虫的个体坐标参数Yn1,Yn2,Yn3,后将步骤2中归一化后的全体训练样本作为孪生支持向量机的输入代入孪生支持向量机进行分类,以步骤1中的六种故障状态作为孪生支持向量机的输出,以输出后的准确率为适应度,得到每个蝗虫个体的初始适应度值;
步骤4.2、确定迭代次数为F并对蝗虫位置进行迭代寻优,根据式(12)更新蝗虫的位置,并计算对应的蝗虫个体适应度,若蝗虫新的适应度值高于当前的适应度值,则更新至新的适应度值,若蝗虫新的适应度值低于当前的适应度值,则继续迭代寻优,直至迭代次数用尽;迭代过程完成后,蝗虫的最佳位置的适应度值最高;迭代结束后的蝗虫最佳位置坐标为优化后的孪生支持向量机三个参数值;
步骤4.3、利用全体训练样本训练优化后的孪生支持向量机;
步骤4.4、训练结束后生成的模型既是最终的诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489607.6A CN111814989A (zh) | 2020-06-02 | 2020-06-02 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010489607.6A CN111814989A (zh) | 2020-06-02 | 2020-06-02 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111814989A true CN111814989A (zh) | 2020-10-23 |
Family
ID=72848185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010489607.6A Pending CN111814989A (zh) | 2020-06-02 | 2020-06-02 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111814989A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150374A (zh) * | 2023-10-27 | 2023-12-01 | 国网江西省电力有限公司电力科学研究院 | 一种基于特征重要性排序的变压器故障辨识方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295153A (zh) * | 2016-08-03 | 2017-01-04 | 南京航空航天大学 | 一种基于孪生支持向量机的航空发动机气路故障诊断方法 |
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
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 |
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
CN109062180A (zh) * | 2018-07-25 | 2018-12-21 | 国网江苏省电力有限公司检修分公司 | 一种基于ifoa优化svm模型的油浸式电抗器故障诊断方法 |
CN109918720A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于磷虾群优化支持向量机的变压器故障诊断方法 |
CN110059714A (zh) * | 2019-03-11 | 2019-07-26 | 广东工业大学 | 基于多分类支持向量机的变压器故障诊断方法 |
CN110376458A (zh) * | 2019-07-03 | 2019-10-25 | 东华大学 | 优化孪生支持向量机的电力变压器故障诊断系统 |
CN111105045A (zh) * | 2019-11-13 | 2020-05-05 | 温州大学 | 一种基于改进的蝗虫优化算法构建预测模型的方法 |
-
2020
- 2020-06-02 CN CN202010489607.6A patent/CN111814989A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106295153A (zh) * | 2016-08-03 | 2017-01-04 | 南京航空航天大学 | 一种基于孪生支持向量机的航空发动机气路故障诊断方法 |
CN106443259A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 基于欧式聚类和spo‑svm的变压器故障诊断新方法 |
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 |
CN106779755A (zh) * | 2016-12-31 | 2017-05-31 | 湖南文沥征信数据服务有限公司 | 一种网络电商借贷风险评估方法及模型 |
CN107644127A (zh) * | 2017-09-08 | 2018-01-30 | 西安工程大学 | 基于imabc优化支持向量机的变压器故障诊断方法 |
CN109062180A (zh) * | 2018-07-25 | 2018-12-21 | 国网江苏省电力有限公司检修分公司 | 一种基于ifoa优化svm模型的油浸式电抗器故障诊断方法 |
CN109918720A (zh) * | 2019-01-23 | 2019-06-21 | 广西大学 | 基于磷虾群优化支持向量机的变压器故障诊断方法 |
CN110059714A (zh) * | 2019-03-11 | 2019-07-26 | 广东工业大学 | 基于多分类支持向量机的变压器故障诊断方法 |
CN110376458A (zh) * | 2019-07-03 | 2019-10-25 | 东华大学 | 优化孪生支持向量机的电力变压器故障诊断系统 |
CN111105045A (zh) * | 2019-11-13 | 2020-05-05 | 温州大学 | 一种基于改进的蝗虫优化算法构建预测模型的方法 |
Non-Patent Citations (5)
Title |
---|
JAYADEVA 等: "Twin Support Vector Machines for Pattern Classification", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》, pages 905 - 910 * |
SHAHRZAD SAREMI 等: "Grasshopper Optimisation Algorithm Theory and application", 《ADVANCES IN ENGINEERING SOFTWARE》, pages 30 - 47 * |
刘建明: "基于粒子群算法的双子支持向量机研究", 《软件导刊》, pages 72 - 75 * |
周广悦 等: "灰狼优化的混合参数多分类孪生支持向量机", 《计算机科学与探索》, pages 628 - 636 * |
高嵩: "支持向量机增量学习算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 140 - 799 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150374A (zh) * | 2023-10-27 | 2023-12-01 | 国网江西省电力有限公司电力科学研究院 | 一种基于特征重要性排序的变压器故障辨识方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
EP4198531A1 (en) | Battery cell defectiveness and fire early diagnosis method and apparatus based on neural network | |
CN111507422B (zh) | 基于cqfpa-wnn的变压器故障诊断方法 | |
CN110969262A (zh) | 一种变压器故障诊断方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN111275204B (zh) | 一种基于混合采样和集成学习的变压器状态识别方法 | |
CN116562121A (zh) | 基于XGBoost和FocalLoss结合的电缆老化状态评估方法 | |
CN111814989A (zh) | 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 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
CN111652478A (zh) | 基于伞式算法的电力系统电压稳定评估误分类约束方法 | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN114184861A (zh) | 一种油浸式变压器的故障诊断方法 | |
CN114660375A (zh) | 一种电力设备故障的辨识方法 | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN117151770A (zh) | 一种基于注意力机制的lstm碳价预测方法和系统 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN115271320A (zh) | 一种基于模糊聚类算法模型的可再生能源耗能评估方法 | |
CN115828185A (zh) | 一种油浸变压器故障诊断方法 | |
Cai et al. | Short-term forecasting of user power load in China based on XGBoost | |
CN113947502A (zh) | 基于支持向量机的输电网规划评估方法及装置 | |
CN114492559A (zh) | 一种基于数据时频域建模的电力设备故障诊断方法 | |
Shi et al. | An improved fuzzy c-means soft clustering based on density peak for wind power forecasting data processing | |
CN114896883B (zh) | 一种基于mea-svm分类机的变压器故障诊断方法 | |
Hong et al. | Power Transformer Fault Diagnosis Based on Improved Support Vector Machine |
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 |