基于自适应极限学习机的变压器故障识别方法
针对变压器状态数据累积规模和复杂程度均增大的情况,单一智能算法进行数据处理的能力有限、精度低,提出了基于自适应极限学习机的变压器故障识别方法.利用免疫算法(IA)的多样性调节机制和存储机制对粒子种群进行优、劣分类,对优、劣粒子分别采用不同的进化方式.经IA改进的粒子群优化(PSO)算法有效克服了种群容易早熟从而导致进化停滞的缺点,提高了全局寻优能力.在参数寻优的基础上,根据寻优输出结果建立变压器故障识别模型.实验计算结果表明所提方法比极限学习机(ELM)、粒子群优化极限学习机(PSO-ELM)、遗传算法优化极限学习机(GA-ELM)方法的故障识别精度高.
电力变压器、故障识别、免疫算法、粒子群优化算法、极限学习机
39
TM41(变压器、变流器及电抗器)
国家自然科学基金资助项目51567002,507670-01;广东省公益研究与能力建设专项资金资助项目2014A010106026;广东省应用型科技研发专项资金资助项目2016B020244003
2019-11-11(万方平台首次上网日期,不代表论文的发表时间)
共6页
181-186