CN115327081A - 一种改进樽海鞘群优化支持向量机的变压器故障诊断方法 - Google Patents
一种改进樽海鞘群优化支持向量机的变压器故障诊断方法 Download PDFInfo
- Publication number
- CN115327081A CN115327081A CN202210948590.5A CN202210948590A CN115327081A CN 115327081 A CN115327081 A CN 115327081A CN 202210948590 A CN202210948590 A CN 202210948590A CN 115327081 A CN115327081 A CN 115327081A
- Authority
- CN
- China
- Prior art keywords
- transformer
- optimized
- leader
- support vector
- vector machine
- 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.)
- Withdrawn
Links
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 47
- 238000003745 diagnosis Methods 0.000 title claims abstract description 42
- 241000251555 Tunicata Species 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 6
- 241000251557 Ascidiacea Species 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 39
- 239000007789 gas Substances 0.000 description 28
- 238000000513 principal component analysis Methods 0.000 description 6
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 239000004215 Carbon black (E152) Substances 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229930195733 hydrocarbon Natural products 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- HSFWRNGVRCDJHI-UHFFFAOYSA-N alpha-acetylene Natural products C#C HSFWRNGVRCDJHI-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229920002678 cellulose Polymers 0.000 description 1
- 239000001913 cellulose Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 125000002534 ethynyl group Chemical group [H]C#C* 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Food Science & Technology (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medicinal Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Housings And Mounting Of Transformers (AREA)
Abstract
本发明公开了一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，包括：采集变压器故障样本，获取数据；对数据进行归一化预处理，得到优选特征量数据，对优选特征量数据进行特征优选；构建支持向量机模型；根据改进的樽海鞘群算法优化支持向量机模型；基于优化后的支持向量机模型构建变压器诊断模型，根据变压器诊断模型对变压器进行故障诊断。改进的樽海鞘群算法避免了原樽海鞘群算法中仅有一个食物源导致的陷入局部最优的不足。另外，基于获取的数据，通过改进后的樽海鞘群算法优化支持向量机；通过优化后的支持向量机构建变压器诊断模型；采用该模型对变压器的油中溶解气体进行诊断，从而判断变压器中的运行状态并分析出相应的故障类型。
Description
技术领域
本发明涉及变压器故障诊断技术领域，具体涉及一种改进樽海鞘群优化支持向量机 的变压器故障诊断方法。
背景技术
变压器是电力系统中关键的变电装置，其状况能够迅速联系到整个电网的稳定性。 当其发生故障时不能及时诊断，会使电力系统正常安全运行得不到保证，会影响对后续 设备的供电，带来不可预计的经济损失。因此如何确保故障诊断的高精准度意义重大.
当油浸式变压器突发内部故障，通常反映为油色谱在线监测气体异常升高，溶解气 体分析(Dis-solved Gas Analysis，DGA)已经成为变压器故障诊断最常用的方法，DGA主要用于分析溶于变压器油中的气体含量，依据不同气体含量判断变压器故障类型。近 年来，相关学者提出了采用DGA方法得到的溶解气含量比值作为特征量，据此诊断变 压器的故障类型。目前，故障诊断大多依据工作人员现场经验，通过溶解气含量或比 值判断运行状态和故障类型，导致工作人员经验对故障诊断影响较大。油浸式变压器中 主要包括油裂解气体和绝缘纤维素裂解气体(氢气(H2)、总烃(TH)、一氧化碳(CO) 和二氧化碳(CO2)，其中总烃为甲烷(CH4)、乙炔(C2H2)、乙烯(C2H4)及 乙烷(C2H6)含量之和)。相关学者研究表明采用DGA气体含量作为特征量时，会 影响油浸式变压器故障诊断的准确性，主要是因为相同油浸式变压器故障类型，DGA 气体含量变化范围较大。不同学者采用的DGA气体含量比值作为特征量存在区别，且 未形成统一的标准。
随着人工智能、机器学习和数据挖掘等技术日渐成熟,各种机器学习方法被一一应用 到变压器故障诊断当中,如采用支持向量机(SVM)等技术建立变压器故障诊断模型。然而不同文献中SVM诊断模型采用的特征量有明显的区别，若采用过多的特征量作为 故障诊断模型的输入特征量会引起输入特征量冗余及干扰故障诊断结果。因此利用主成 分分析法(PCA)对输入特征量进行降维处理达到降低特征量冗余的目的再结合SVM 模型的优点，进行变压器故障诊断，提升变压器故障诊断的准确率。
目前SVM参数c和g的优化选取，国际上并没有公认统一的最好的方法，随着群 体智能优化算法的出现，樽海鞘群算法自2017年被提出来就被广泛使用，很大程度上 解决了SVM在变压器故障诊断中存在的训练时收敛速度慢、诊断精度低等问题。但原 樽海鞘群算法存在仅有一个食物源导致的陷入局部最优的问题。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中的缺陷，从而提供一种改进樽 海鞘群优化支持向量机的变压器故障诊断方法。
本发明提供了一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，包括：
S1：采集变压器故障样本，获取数据；所述数据包括变压器油中DGA气体以及DGA气体含量比值；
S2：对所述数据进行归一化预处理，得到优选特征量数据；对优选特征量数据进行特征优选；
S3：采用径向基函数作为核函数，基于径向基函数和目标函数得到分类决策函数，； 根据所述分类决策函数和核函数构建支持向量机模型；
S4：根据改进的樽海鞘群算法优化所述支持向量机模型，得到优化后的惩罚因子以 及优化后的核参数；
改进的樽海鞘群算法包括：
步骤1：种群随机初始化；
步骤2：计算适应度的值；
步骤3：将樽海鞘群分为领导者和追随者，对领导者的位置以及追随者的位置进行更新；
步骤4：领导者组成领导者群体，计算领导者群体的加权平均位置；并对追随者的舒适度进行排序，确定适应度前三的追随者；领导者的位置在更新时，随机选取所述适 应度前三的追随者中一个追随者更新食物源；根据更新后的食物源再次更新领导者的位 置；
步骤5：判断终止条件，终止条件包括迭代次数是否达到预设的迭代次数或适应度的值不再提高；若满足终止条件，则输出再次更新后领导者的位置；若不满足则返回步 骤3；
S5：基于优化后的支持向量机模型、特征优选后的优选特征量数据、优化后的惩罚因子以及优化后的核参数构建变压器诊断模型，根据变压器诊断模型对变压器进行故障诊断。
优选的，步骤3中，对领导者的位置进行更新的计算公式为：
其中，
表示领导者的位置；Fj表示更新前的食物源；c1为收敛因子c2，c3为[0,1]内随机产生的数字；
对追随者的位置进行更新的计算公式为：
其中，
为更新之前第r个追随者在第j维的位置；
为更新之前第r-1个追随者在第j维的位置。
优选的，步骤4中，更新后的食物源记为：
其中，
分别为适应度前三的追随者；
表示领导者群体的加权平均位置；N表示樽海鞘群种群数量，ωr表示领导者种群中按适应度值降序排列 的权重系数；
根据更新后的食物源再次更新领导者的位置，计算公式为：
其中，
表示领导者的位置；Fj表示更新前的食物源；c1为收敛因子c2，c3为[0,1]内随机产生的数字；
再次更新后领导者的位置用于优化所述支持向量机模型。
优选的，S5中，将特征优选后的所述优选特征量数据作为优化后的所述支持向量机 模型的输入，并将优化后的惩罚因子以及优化后的核参数输入至所述支持向量机模型中， 构建变压器诊断模型。
优选的，对所述数据进行归一化预处理的表达式为：
其中，xsn表示优选特征量数据，xn表示DGA气体含量比值，xnmax是归一化处理前 的数据的最大值，xnmin是归一化处理前的数据的最小值。
优选的，S2中，采用主成分分析法对优选特征量数据进行特征优选。
优选的，S3中，目标函数表达式为：
其中，ω表示超平面的法向量，ξi为松弛变量，C为惩罚因子，l为缓和变量个数； i表示第i个样本；
目标函数满足约束条件，则得到分类决策函数；
约束条件的表达式为：
其中，xi表示变压器故障样本特征量；yi表示变压器故障样本类别；ξi为松弛变量；
表示非线性映射函数；b表示偏差量；ωT表示转置后的超平面的法向量，l为缓和 变量个数；
分类决策函数的表达式为：
其中，ω为超平面的法向量，b为偏差量，jk表示多分类，
为非线性映射，即 核函数σ；T表示转置。
优选的，径向基函数的表达式为：
其中，x表示核函数中任意一点；xi表示核函数中心点；x、xi均为变压器故障样本特征量；i表示第i个样本；σ表示核参数。
本发明技术方案，具有如下优点：改进的樽海鞘群算法避免了原樽海鞘群算法中仅 有一个食物源导致的陷入局部最优的不足。另外，基于获取的数据，并且通过改进后的樽海鞘群算法优化支持向量机；通过优化后的支持向量机构建变压器诊断模型；采用该 模型对变压器的油中溶解气体进行诊断，从而判断变压器中的运行状态并分析出相应的 故障类型。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实 施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的 前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施中故障诊断方法的流程图；
图2为本发明实施中改进的樽海鞘群算法的流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通 技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的 范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成 冲突就可以相互结合。
如图1所示，本实施例提供了一种改进樽海鞘群优化支持向量机的变压器故障诊断 方法，包括：
S1：采集变压器故障样本，获取数据；所述数据包括变压器油中DGA气体以及DGA气体含量比值；
DGA气体包括CH4、C2H2、C2H4、C2H6、H2共5个。DGA气体含量比值备选特征 量有CH4/C2H6、CH4/H2、C2H2/CH4、C2H2/C2H4、C2H2/C2H6、C2H2/H2、C2H4/CH4、 C2H4/C2H6、C2H4/H2、C2H6/H2共10个。
表1为变压器故障样本表；
油浸式变压器故障时，绝缘油会发生热裂解，产生H2、CH4、C2H2、C2H4和C2H6五种主要气体并溶解于绝缘油中，不同故障类型下溶解的气体浓度和各气体之间的比例关系各不相同。为了能完整的反映变压器故障类型特征，提高变压器故障诊断精度，选用五种 气体油中溶解相对浓度、两两气体间比例关系作为特征数据，具体特征数据如表2；
表2为油中溶解气体比值表；
S2：对所述数据进行归一化预处理，得到优选特征量数据；对优选特征量数据进行特征优选；
具体的，对表2中的数据进行归一化预处理，得到优选特征量数据；采用主成分分析法对优选特征量数据进行特征优选(利用主成分分析法(PCA)对DGA气体含量比 值进行降维分析，达到减少冗余信息的目的)；
对数据进行归一化预处理的表达式为：
其中，xsn表示优选特征量数据，xn表示DGA气体含量比值，xnmax是归一化处理前 的数据的最大值，xnmin是归一化处理前的数据的最小值。
利用主成分分析法对优选特征量数据的比值进行特征优选，PCA的综合特征量是原 始特征量经线性组合得到的，当综合特征量的累计贡献率能够达到80％以上时，则认为综合特征变量就能够代替原始特征量，表征该工况特征。对前k个综合特征量的累计贡 献率可表示为：
其中，v＝1,2，┈，p；λv为第v个综合特征量的特征值；η为前k个综合特征量的 累计贡献率；λh为第h个综合特征量的特征值。
S3：采用径向基函数作为核函数，基于径向基函数和目标函数得到分类决策函数，； 根据所述分类决策函数和核函数构建支持向量机模型；
目标函数表达式为：
其中，ω表示超平面的法向量，ξi为松弛变量，C为惩罚因子，l为缓和变量个数； i表示第i个样本；
目标函数满足约束条件，则得到分类决策函数；
约束条件的表达式为：
其中，xi表示变压器故障样本特征量；yi表示变压器故障样本类别，yi∈{-1,1}；ξi为松 弛变量；
表示非线性映射函数；b表示偏差量；ωT表示转置后的超平面的法向量；
对于以上两式的二次规划问题(Quadraiic Programming Problem，QP)，可借助拉格朗 日函数来表示：
其中，αi和βi为拉格朗日乘子，且αi>0和βi>0，于是得到
将上述代入拉格朗日函数中，得出的对偶优化形式为：
由C与αi的关系转换，可得出计算分类问题的决策函数为，分类决策函数的表达式为：
其中，K(x，xi)表示径向基函数；αi为拉格朗日乘子，b为偏差量；yi表示变压器 故障样本类别；i表示第i个样本；l表示缓和变量的数量。
径向基函数的表达式为：
其中，x表示核函数中任意一点；xi表示核函数中心点；x、xi均为变压器故障样本特征量；i表示第i个样本；σ表示核参数。
采用OAO(one-Agains-onedecomposiiion)方法将二分类支持向量机拓展为多分类 支持向量机，得出非线性多分类时支持向量机模型的分类决策函数为：
其中，ω为超平面的法向量，b为偏差量，jk表示多分类，
为非线性映射，即 核函数σ；T表示转置。
S4：根据改进的樽海鞘群算法优化所述支持向量机模型，得到优化后的惩罚因子以 及优化后的核参数；
如图2所示，改进的樽海鞘群算法包括：
步骤1：种群随机初始化；根据如下计算公式对种群进行初始化：
XN×D＝rand(N，D)·(ub-lb)+lb
其中，搜索空间为N×D维，N为种群规模，D为观测量维数，ub为搜索上界，lb 为搜索下界。
步骤2：计算适应度的值；计算公式为：
其中，i为支持向量机模型将训练集样本分类正确的数量，F为支持向量机模型将训练集样本分类错误的数量。
步骤3：将樽海鞘群分为领导者和追随者，对领导者的位置以及追随者的位置进行更新；
对领导者的位置进行更新的计算公式为：
其中，
表示领导者的位置；Fj表示更新前的食物源；c1为收敛因子c2，c3为[0,1]内随机产生的数字；
对追随者的位置进行更新的计算公式为：
其中，
为更新之前第r个追随者在第j维的位置；
为更新之前第r-1个追随者在第j维的位置。
步骤4：领导者组成领导者群体，计算领导者群体的加权平均位置；并对追随者的舒适度进行排序，确定适应度前三的追随者；领导者的位置在更新时，随机选取所述适 应度前三的追随者中一个追随者更新食物源；根据更新后的食物源再次更新领导者的位 置；
更新后的食物源记为：
其中，
分别为适应度前三的追随者；
表示领导者群体的加权平均位置；N表示樽海鞘群种群数量，ωr表示领导者种群中按适应度值降序排列 的权重系数；
根据更新后的食物源再次更新领导者的位置，计算公式为：
其中，
表示领导者的位置；Fj表示更新前的食物源；c1为收敛因子c2，c3为[0,1]内随机产生的数字；
再次更新后领导者的位置用于优化所述支持向量机模型。
步骤5：判断终止条件，终止条件包括迭代次数是否达到预设的迭代次数或适应度的值不再提高；若满足终止条件，则输出再次更新后领导者的位置；若不满足则返回步 骤3。
S5：基于优化后的支持向量机模型、特征优选后的优选特征量数据、优化后的惩罚因子以及优化后的核参数构建变压器诊断模型，根据变压器诊断模型对变压器进行故障诊断；
具体的，将特征优选后的所述优选特征量数据作为优化后的所述支持向量机模型的 输入，并将优化后的惩罚因子以及优化后的核参数输入至所述支持向量机模型中，构建变压器诊断模型。
依照传统方法选取的输入特征作为DGA特征量会陷入局部最优问题，无法全面放映 变压器的故障分类问题，在实际应用中极有可能造成故障诊断错误。若选用全部气体特征量作为故障诊断模型输入特征量，会引起输入特征量冗余及干扰故障诊断结果。因此 基于主成分分析的DGA气体含量比值特征量选择方法，当综合特征量的累计贡献率能够 达到80％以上时，则认为综合特征变量就能够代替原始特征量，表征该工况特征，达到 降低信息损失和降低特征量冗余的目的。
本发明采用改进的海鞘群优化算法对支持向量机的核函数和惩罚因子进行了优化， 一定程度上避免了原算法中仅有一个食物源导致的陷入局部最优的不足。并将二分类SVM拓展为多分类SVM，能够对变压器的故障特征量进行优选，提高了变压器故障诊断 的精确率以及诊断速度，减少了变压器故障诊断的时间和成本。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变 化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，其特征在于，包括：
S1：采集变压器故障样本，获取数据；所述数据包括变压器油中DGA气体以及DGA气体含量比值；
S2：对所述数据进行归一化预处理，得到优选特征量数据；对优选特征量数据进行特征优选；
S3：采用径向基函数作为核函数，基于径向基函数和目标函数得到分类决策函数，；根据所述分类决策函数和核函数构建支持向量机模型；
S4：根据改进的樽海鞘群算法优化所述支持向量机模型，得到优化后的惩罚因子以及优化后的核参数；
改进的樽海鞘群算法包括：
步骤1：种群随机初始化；
步骤2：计算适应度的值；
步骤3：将樽海鞘群分为领导者和追随者，对领导者的位置以及追随者的位置进行更新；
步骤4：领导者组成领导者群体，计算领导者群体的加权平均位置；并对追随者的舒适度进行排序，确定适应度前三的追随者；领导者的位置在更新时，随机选取所述适应度前三的追随者中一个追随者更新食物源；根据更新后的食物源再次更新领导者的位置；
步骤5：判断终止条件，终止条件包括迭代次数是否达到预设的迭代次数或适应度的值不再提高；若满足终止条件，则输出再次更新后领导者的位置；若不满足则返回步骤3；
S5：基于优化后的支持向量机模型、特征优选后的优选特征量数据、优化后的惩罚因子以及优化后的核参数构建变压器诊断模型，根据变压器诊断模型对变压器进行故障诊断。
2.根据权利要求1所述的一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，其特征在于，步骤3中，对领导者的位置进行更新的计算公式为：
其中，
表示领导者的位置；Fj表示更新前的食物源；c1为收敛因子c2，c3为[0,1]内随机产生的数字；
对追随者的位置进行更新的计算公式为：
其中，
为更新之前第r个追随者在第j维的位置；
为更新之前第r-1个追随者在第j维的位置。
3.根据权利要求2所述的一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，其特征在于，步骤4中，更新后的食物源记为：
其中，
分别为适应度前三的追随者；
表示领导者群体的加权平均位置；N表示樽海鞘群种群数量，ωr表示领导者种群中按适应度值降序排列的权重系数；
根据更新后的食物源再次更新领导者的位置，计算公式为：
其中，
表示领导者的位置；Fj表示更新前的食物源；c1为收敛因子c2，c3为[0,1]内随机产生的数字；
再次更新后领导者的位置用于优化所述支持向量机模型。
4.根据权利要求3所述的一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，其特征在于，S5中，将特征优选后的所述优选特征量数据作为优化后的所述支持向量机模型的输入，并将优化后的惩罚因子以及优化后的核参数输入至所述支持向量机模型中，构建变压器诊断模型。
5.根据权利要求4所述的一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，其特征在于，对所述数据进行归一化预处理的表达式为：
其中，xsn表示优选特征量数据，xn表示DGA气体含量比值，xnmax是归一化处理前的数据的最大值，xnmin是归一化处理前的数据的最小值。
6.根据权利要求4所述的一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，其特征在于，S2中，采用主成分分析法对优选特征量数据进行特征优选。
7.根据权利要求4所述的一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，其特征在于，S3中，目标函数表达式为：
其中，ω表示超平面的法向量，ξi为松弛变量，C为惩罚因子，l为缓和变量个数；i表示第i个样本；
目标函数满足约束条件，则得到分类决策函数；
约束条件的表达式为：
其中，xi表示变压器故障样本特征量；yi表示变压器故障样本类别；ξi为松弛变量；
表示非线性映射函数；b表示偏差量；ωT表示转置后的超平面的法向量；
分类决策函数的表达式为：
其中，ω为超平面的法向量，b为偏差量，jk表示多分类，
为非线性映射，即核函数σ；T表示转置。
8.根据权利要求7所述的一种改进樽海鞘群优化支持向量机的变压器故障诊断方法，其特征在于，径向基函数的表达式为：
其中，x表示核函数中任意一点；xi表示核函数中心点；x、xi均为变压器故障样本特征量；i表示第i个样本；σ表示核参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210948590.5A CN115327081A (zh) | 2022-08-09 | 2022-08-09 | 一种改进樽海鞘群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 |
|---|---|---|---|
| CN202210948590.5A CN115327081A (zh) | 2022-08-09 | 2022-08-09 | 一种改进樽海鞘群优化支持向量机的变压器故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115327081A true CN115327081A (zh) | 2022-11-11 |
Family
ID=83922456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210948590.5A Withdrawn CN115327081A (zh) | 2022-08-09 | 2022-08-09 | 一种改进樽海鞘群优化支持向量机的变压器故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115327081A (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 |
-
2022
- 2022-08-09 CN CN202210948590.5A patent/CN115327081A/zh not_active Withdrawn
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 |
|---|---|---|
| CN109543737B (zh) | 一种基于fahp_fca组合赋权的信息系统健康度评估方法 | |
| CN110929847A (zh) | 一种基于深度卷积神经网络的换流变压器故障诊断方法 | |
| CN109063734B (zh) | 结合多级局部密度聚类的油浸式变压器故障状态评估方法 | |
| CN110542819A (zh) | 一种基于半监督dbnc的变压器故障类型诊断方法 | |
| CN116842337A (zh) | 基于LightGBM优选特征与COA-CNN模型的变压器故障诊断方法 | |
| CN114418166A (zh) | 一种变压器油中的溶解气体浓度预测方法、装置及介质 | |
| CN111340248A (zh) | 一种基于智能集成算法的变压器故障诊断方法及系统 | |
| CN114066196A (zh) | 一种电网投资策略优化系统 | |
| CN115327081A (zh) | 一种改进樽海鞘群优化支持向量机的变压器故障诊断方法 | |
| CN109164248A (zh) | 一种变压器油中溶解气体浓度预测方法 | |
| CN110045237A (zh) | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 | |
| CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
| CN116204794A (zh) | 一种考虑多维数据的变压器油中溶解气体预测方法及系统 | |
| CN114372693B (zh) | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 | |
| CN113468461A (zh) | 基于支持向量机和遗传算法的油浸式变压器故障诊断方法 | |
| CN114358116A (zh) | 油浸式变压器故障诊断方法、系统及可读存储介质 | |
| CN115828185A (zh) | 一种油浸变压器故障诊断方法 | |
| CN116756939A (zh) | 一种基于anova-iwoa-svm混合模型的变压器故障诊断方法 | |
| CN116842433A (zh) | 一种基于集成学习及天牛须算法的配电网故障分类方法 | |
| CN115374859A (zh) | 一种针对非平衡、多类别的复杂工业数据的分类方法 | |
| CN113408187A (zh) | 基于随机森林的降低汽油辛烷值损失的优化方法 | |
| CN111008779A (zh) | 一种基于多因素评估模型的变压器健康状态评估方法 | |
| CN112345678B (zh) | 变压器故障率预测模型获取方法及系统、可读存储介质 | |
| Tian et al. | Subsystem Measurement-Based Condition Assessment for Power Transformers via Joint Inference of Data and Knowledge | |
| CN112801388B (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221111 |
|
| WW01 | Invention patent application withdrawn after publication |