基于优化支持向量机参数的变压器故障诊断.doc

文档介绍：基于优化支持向量机参数的变压器故障诊断
摘要：电力变压器是电力系统输变电的枢纽设备，为了提高电力变 压器故障诊断的准确性，提出一种混沌的粒子群优化支持向量机的变压器 诊断方法，该方法不仅具有很强的全局搜索能力。首先利用混沌的粒子群 算法优化支持向量机的参数，把气体的特征参数代入优化的支持向量机分 类模型中进行诊断，能够正确的分类变压器故障，从而达到故障诊断的目 的。
关键词：变压器 故障诊断粒子群优化 支持向量机 参数优化
中图分类号：TM41文献标识码：A文章编号：1007-9416 (2016) 04-0000-00
1引言
电力变压器是电力系统输变电的枢纽设备，如果不能及时发现电力变 压器的潜在故障，造成经济损失，所以变压器故障诊断是必要的［1］。近 年来，随着人工智能新技术的发展，很多的方法应用在变压器故障中，但 都存在一些不足，针对上述问题，本文提出一种混沌粒子群优化支持向 量机的变压器故障诊断方法，能够提高的分类变压器故障，从而达到故障 诊断的目的；所以该方法实现智能算法的有效互补，有效弥补单一算法的 不足，提高了故障诊断的效率性和精确度。
4变压器故障诊断的应用实例
在电力系统中，通常变压器的故障诊断主要手段应用油中溶解气体方 法，当变压器发生故障时，就会产生特征气体如H2、CH4、C2H2、C2H4、
C2H6、CO、C02以及坯类混合物；本文首先获取支持向量机的最优参数， 其次，由支持向量机的分类器诊断故障，最终实现电力变压器故障诊断。
4. 1基于CPOS的SVM参数优化
选取不同的核函数将生成不同的SVM,而对诊断结果有很大的影响 [5]。本文采用RBF核函数，对所以通过训练，适当调整惩罚因子C与径 向核函数 的宽度，使得SVM的正确率达到最高。
用优化的分类器进一步验证变压器故障的准确性，用CPOS-SVM分类 器进行故障诊断，%。

本文直接将原始样本集对下列的传统算法进行对比分析结果如表1所 Zjl O
通过