基于改进粒子群算法和支持向量机的变压器故障诊断

摘要：

为了克服DGA数据边界模糊和支持向量机(Support Vector Machine,SVM)参数难以选择的缺点,提出了一种基于核主成分分析(Kernel Principal Component Analysis,KPCA)和改进的粒子群算法(Particle Swarm Optimization,PSO)优化支持向量机的电力变压器故障诊断方法.首先,核主成分分析是用来提取特征的DGA特征量.此外,进一步提出了利用MPSO对SVM参数进行优化,建立基于SVM的最优诊断模型.在粒子群优化算法(PSO)中加入干扰因素,干扰这种"早熟"粒子的位置,从而摆脱局部最优.为了测试MPSO的优化性能,使用了两个测试函数.结果表明,MPSO比PSO有更好的优化性能.最后,基于MPSO-SVM和SVM,并使用3倍交叉无效法,对DGA数据进行了故障诊断.诊断结果表明,MPSO-SVM的诊断性能最高.为解决故障诊断领域的实际工程问题提供了一种研究思路.

关键词：变压器、故障诊断、支持向量机、粒子群算法

分类号：TP309;TM715;TP273

在线出版日期：2023-11-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：5-11