基于PSO-SVM的变压器故障诊断研究

合集下载

基于VMD和PSOＧSVM_的输电线路故障诊断

第３７卷第６期２０２３年１１月兰州文理学院学报(自然科学版)J o u r n a l o fL a n z h o uU n i v e r s i t y ofA r t s a n dS c i e n c e (N a t u r a l S c i e n c e s )V o l ．３７N o ．６N o v ．２０２３收稿日期:２０２３Ｇ０２Ｇ２５作者简介:张尔康(１９９８Ｇ),男,安徽宿州人,在读硕士,研究方向为电力系统及其自动化．E Ｇm a i l :１４２８６４２８３１＠q q．c o m．㊀∗通信作者:杨岸(１９６５Ｇ),男,安徽淮南人,副教授,硕士生导师,研究方向为电力系统及其自动化．E Ｇm a i l :１０８４５３８９８９＠q q．c o m．㊀㊀文章编号:２０９５Ｇ６９９１(２０２３)０６Ｇ００６７Ｇ０５基于VM D 和P S O ＧS VM 的输电线路故障诊断张尔康,杨㊀岸∗(安徽理工大学电气与信息工程学院,淮南２３２００１)摘要:针对现有的高压输电线路故障信号分析方法难以有效同时判断出所有线路故障类型,以及故障信号特征丢失且难以反映故障特征的问题,提出一种基于故障暂态电流信号的变分模态分解(VM D )结合粒子群优化支持向量机(P S O ＧS VM )的高压输电线路故障选相方法．在M a t l a b /S i m u l i n k 中对多工况高压输电线路的不同故障参数进行仿真提取,将提取的各相故障信号首先进行变分模态分解并计算;然后将每个分量的包络熵值作为特征向量,带入粒子群优化的支持向量机中进行故障识别．仿真结果表明,VM D 结合P S O ＧS VM 的输电线路故障诊断模型精度可高达９８％以上,且识别精度不受故障类型影响．关键词:故障诊断;输电线路;变分模态分解;支持向量机中图分类号:TM ７２㊀㊀㊀文献标志码:AT r a n s m i s s i o nL i n eF a u l tD i a gn o s i sB a s e d o nV M Da n dP S O ＧS V MZ HA N GE r Ｇk a n g ,Y A N G A n ∗(S c h o o l o fE l e c t r i c a l a n d I n f o r m a t i o nE n g i n e e r i n g,A n h u iU n i v e r s i t y o f S c i e n c e a n dT e c h n o l o g y,H u a i n a n２３２００１,A n h u i ,C h i n a )A b s t r a c t :A i m i n g a tt h ee x i s t i n g f a u l ts i g n a la n a l y s i s m e t h o d so fh i g h Ｇv o l t a get r a n s m i s s i o n l i n e s ,t h ek n o w na n a l y s i sm e t h o d sa r ed i f f i c u l t t oe f f e c t i v e l y d e t e r m i n ea l l t h e t y p e so f l i n e f a u l t s t h a t o f t e no c c u r a t t h e s a m e t i m e ,a n d t h e f a u l t s i gn a l f e a t u r e s a r e l o s t a n d i t i s d i f f i c u l t t o r e f l e c t t h e e s s e n t i a l c h a r a c t e r i s t i c s o f f a u l t i n f o r m a t i o n ,a f a u l t p h a s e s e l e c t i o n m e t h o d f o r h i g h Ｇv o l t a g e t r a n s m i s s i o n l i n e s b a s e do n f a u l t t r a n s i e n t c u r r e n t s i gn a l (VM D )c o m b i n e dw i t h p a r t i c l e s w a r mo p t i m i z a t i o n s u p p o r t v e c t o rm a c h i n e (P S O ＧS VM )i s p r o po s e d ．I n MA T L A B /S i m u l i n k ,d i f f e r e n tf a u l t p a r a m e t e r so f m u l t i Ｇc o n d i t i o nh i g h Ｇv o l t a get r a n s m i s s i o nl i n e sa r e s i m u l a t e d a n d e x t r a c t e d ,a n d t h e e x t r a c t e d f a u l t s i g n a l s o f e a c h p h a s e a r e f i r s t d e c o m po s e d i n v a r i a t i o n a lm o d e a n d t h e e n v e l o p e e n t r o p y v a l u eo f e a c hc o m p o n e n t i s c a l c u l a t e da s a f e a t u r e v e c t o r ,a n db r o u g h t i n t o t h e s u p p o r t v e c t o rm a c h i n e f o r p a r t i c l e s w a r mo pt i m i z a t i o n f o r f a u l t i d e n t i f i c a t i o n ,a n d t h e s i m u l a t i o n r e s u l t s s h o wt h a t t h e a c c u r a c y of t h e t r a n s m i s s i o n l i n e f a u l t d i ag n o s i sm o d e l c o m b i n e dw i t hVM Dc o m b i n e dw i t hP S O ＧS VMc a nb e a shi g ha s ９８％,a n d t h e r e c o g n i t i o na c c u r a c y i sn o t a f f e c t e db y t h e f a u l t t y pe ．K e y w o r d s :f a u l t d i ag n o s i s ;t r a n s m i s s i o n l i n e ;v a r i a t i o n a lm o d e d e c o m p o s i t i o n ;s u p p o r t v e c t o r m a chi n e0㊀引言随着电力系统越来越智能化,分布式电源接入电网的线路也更加复杂化,高压以及超高压中远距离输电所占比重也更大,使得减少或避免输电线路故障成为保障电力系统安全稳定运行的关键．电力线路发生故障时,快速分析并处理故障类型对维护电力系统安全稳定具有重要意义[１]．目前,高压输电线路保护大多采用自动重合闸技术,智能化的保护装置为电网自愈提供了可能[２]．在线路发生故障时能快速判断出故障,尤其是在超高压电力系统中,及时有效地分辨出单相故障㊁两相故障及三相故障所在相,提高电力线路的供电质量和有效性,从而减少输电线路因故障带来的损失(工厂停工造成经济损失,电气元件的损坏)．在输电线路故障中短路故障发生频率最高㊁最严重,因此在故障发生时需要快速准确判断故障类型,才能保证继电保护装置正确响应和精准切除故障[３]．输电线路发生故障时会产生暂态信号,且故障暂态分量包含大量的故障信息,为故障判断提供了来源．故障暂态电流的分析方法大多为小波变换[４]㊁傅里叶变换[５]和经验模态分解(E m p i r iＧc a lM o d eD e c o m p o s i t i o n,E M D)[６]等．上述方法中小波变换需要手动选择小波基和分解尺度,容易导致故障信号特征丢失;E M D可以对信号进行自适应分解,但容易发生模态混叠现象,无法准确识别故障信号微弱的特征信息[７Ｇ８]．许多学者提出了集合经验模态分解(E nＧs e m b l eE m p i r i c a lM o d eD e c o m p o s i t i o n,E E M D)[９]来抑制模态混叠问题,但是没有从根本上解决问题．变分模态分解(V a r i a t i o n a lM o d eD e c o m p o s iＧt i o n,VM D)在２０１４年被D r a g o n m i r e t s k i y等[１０]提出,是一种自适应信号分解方法．和E M D的分解模式对比,VM D采用变分㊁非递归分解模式,信号分解稳定且可以有效避免模态混叠现象[１１Ｇ１２],在电力系统雷击故障定位[１３]㊁设备健康状态监测[１２]㊁风电机组故障诊断[１４]和滚动轴承故障诊断[１５]等领域广泛应用．针对以上问题,本文提出一种利用VM D信号分解各故障相电流信号的方法,首先提取各相分量的包络熵并将其作为特征向量,然后将上述特征向量输入支持向量机模型进行识别分类,诊断出故障线路的故障类型．1㊀故障诊断算法介绍1.1㊀VMDVM D方法将信号在变分框架内进行分解,即通过搜索变分最优解确定本征模态分量(I nＧt r i n s i c M o d eF u n c t i o n,I M F)的中心频率和带宽,实现各I M F分量的自适应分离．假设现有一输入原始信号f,应用VM D将f分解为K个I M F,构造约束条件数学表达式为:m i nu k{}{w k}ðk ∂tδ(t)＋jπtæèçöø÷u k(t)éëêêùûúúe－j w k t ２{}s．t．ðk u k＝f(t)ìîíïïïï(１)式(１)中,{u k}＝{u１,u２, ,u k}表示K个I M F 分量;{w k}＝{w１,w２, ,w k}表示各I M F分量的频率中心．为获得式(１)变分问题的最优解,须引入拉格朗日乘法算子λ和惩罚参数α,将上式(１)变为:L u k{},w k{},λ()＝αðk ∂tδ(t)＋jπtæèçöø÷u k(t)éëêêùûúúe－j w k t ２＋f(t)－ðk u k(t) ２２＋λ(t),f(t)－ðk u k(t)[]．(２)求解式(２)的变分问题采用交替方向乘子算法,即交替更新u k n＋１㊁w k n＋１和λn＋１求得式(２)拉格朗日表达式的鞍点 ,其中,u k n＋１的表达式为:u k n＋１＝a r g m i nu kɪXα ∂tδ(t)＋jπtæèçöø÷u k(t)éëêêùûúúe－j w k t{ ２２＋f(t)－ði u i(t)＋λ(t)２２２},(３)式(３)中,w k＝w k n＋１,ði u i(t)＝ðiʂk u i(t)n＋１．基于傅里叶等距变换方法,将u n＋１k和w k n＋１转换到频域,其频域表达式变为:uɡn＋１k(w)＝fɡ(w)－ðiʂk uɡi(w)＋λɡ(w)２１＋２α(w－w k)２,(４)８６㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀兰州文理学院学报(自然科学版)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３７卷w k n ＋１＝ʏ¥０w u ɡk (w )２d wʏ¥０u ɡk(w )２d w,(５)上式中,uɡn ＋１k(w )为f ɡ(w )－ði ʂku ɡi(w )的维纳滤波;w k n ＋１表示I M F 分量功率谱重心;u ɡk (w )为傅里叶逆变换,u k (t )为实部．根据以上步骤,给定判断精度e ＞０,若迭代终止条件ðku ɡn ＋１k －u ɡn k ２２/ u ɡn k ２２＜e ,则终止循环,通过真实数据源的频域特性确定k 个I MF 分量,避免出现模态混叠现象,从而对I M F进行有效分离．1.2㊀包络熵包络熵(E n v e l o p i n g E n t r o p y ,E P )代表原始信号的稀疏特性,其原理是通过对原始信号分量进行希尔伯特变换得到包络信号,并对事故信号进行特征提取的过程[１６]．采用希尔伯特变换调解,原始信号会转变为一个概率分布的序列．包络熵的数学表达式为:E P ＝－ðmj ＝１P j l g P j ．(６)P j ＝a (j )/ðmj ＝１a (j )．(７)a (j )＝x (j )[]２＋H x (j )[]{}２．(８)上式中,P j 是a (j )的归一化形式;a (j )是信号x (j )(j ＝１,２, ,m )经过希尔伯特调解后得到的包络信号序列;H 为信号的H i l b e r t 变换．1.3㊀PSO ＧSVM 分类原理(１)S VM 原理支持向量机是通过监督学习的方式对数据进行分类的[１７]．若存在线性可分数据集(x １,y １),(x ２,y ２), ,(x n ,y n ){},x i ɪR n,yi ɪ－１,１{},n 为数据量．线性判断函数表达式为:f (x )＝w x ＋b ,(９)式中,w 表示惯性权重;b 表示超平面的截距．将f (x )进行归一化,使得所有数据集满足f (x )ȡ１．针对非线性问题,引入核函数:K (x i ,x j )＝Φ(x i )Φ(x j ),(１０)式中,K 为核函数,Φ为从原空间到特征空间的映射．本文采用径向基核函数(R a d i a l B a s i sF u n c t i o n ,R B F )作为S VM 算法的核函数,其数学表达式为:K (x i ,x j )＝e x p －x i －x j２σ２æèçöø÷,(１１)式中,σ表示径向基函数．因为在实际应用中故障特征往往为非线性,所以本文采用P S O 优化S VM 参数,具体优化流程如图１所示．图１㊀P S O 优化S V M 的流程图2㊀特征提取本文将VM D 包络熵和P S O ＧS VM 应用到输电线路故障信号特征提取中．首先,对故障信号进行VM D 分解,选取有效的I M F 分量;然后,计算各有效分量的包络熵值,得到故障特征集;最后,将特征集输入P S O ＧS VM 分类器进行诊断识别．对短路电流信号的特征提取流程如图２所示．特征提取的主要步骤如下．(１)在搭建的仿真模型中设置不同工况的故障并采集故障后的三相电流;(２)根据实际情况,确定有效的I M F 分量层数;(３)计算每一个有效I M F 分量的包络熵,组成故障特征向量;(４)将故障特征向量输入P S O ＧS VM 进行故障识别．图２㊀短路电流信号特征提取流程3㊀仿真实验及分析在M a t l a b 中利用S i m u l i n k 搭建２２０k V 双９６第６期张尔康等:基于VM D 和P S O ＧS VM 的输电线路故障诊断端电源输电线路模型,原理如图３所示．图３㊀高压输电线路仿真模型原理㊀㊀仿真模型参数设置:系统的基波频率为５０H z ,线路参数L １＝０．９３３７M h /k m ,C １＝００１２８μF /k m ,R １＝００１２８Ω/k m ,L １和L ２全长２０００６k m ;短路持续时间为０．２s,仿真总时间为０．５s ．在高压线路故障时,故障相的电流暂态分量包含了大量的故障信息,因此把故障电流作为研究对象．通过观察分解不同层数I M F 分量的中心频率来确定K 的取值,不同K 值对应的中心频率如表１所列,当K 为７时,I M F 的中心频率出现相近,存在过分解现象．因此,本文令K 为６．表１㊀K 值不同时对应的中心频率K中心频率２１．１７５４２．４８８８３１．０４２８２．４７３１３．８６５３４１．０２５６２．４７０２３．４９７８６．６７４０５１．０２３０２．４６９６３．４０８３５．５６６６１１．２５７５６１．４２８５２．４７３３３．４８９０５．６９９９６．３５６１１１．３４７７以A 相接地短路为例,对故障相A 相的短流电流进行VM D 分解,结果如图４所示,将短路电流带入VM D 分解后,得到６个I M F 分量．图４㊀A 相接地短路电流信号I M F 分量结果㊀㊀经过VM D 分解A 相故障信号后,计算每相电流I M F 分量的包络熵值,共有１８个,将其放在一行作为该故障的特征向量．A 相故障电流经过分解后的结果如表２所列．表２㊀A 相故障时各相的包络熵值电流I M F 分量的包络熵A 相４．９３０６６．９９０５７．０１２６７．２８１４７．１５６２７．５９２７B 相７．２９８３７．７７９２７．７０００７．６５９７７．７８３１７．９７１１C 相６．２５０６７．４５０１７．５１２６７．６８８４７．６４８４７．９９３２㊀㊀本文仿真设置线路故障类型共有４种(A G ,A B ,A B G ,A B C ),故障相角在０ʎ－９０ʎ之间设置４种,故障位置在线路L １上设置１０种,故障过渡电阻在０．１Ω－１００．１Ω设置４种,共获得４ˑ４ˑ１０ˑ４＝６４０组数据．A G ,A B ,A B G ,A B C 分别标记为故障１,２,３,４．每一种数据集进行分解计算包络熵,得到一个６４０行１８列的特征向量集．选取３２０组特征向量故障数据按７ʒ３用于诊断模型的训练和测试．P S O ＧS VM 的适应度曲线如图５所示,不同K 值对应的中心频率诊断结果如图６所示．图５㊀P S O ＧS V M 适应度曲线图６㊀P S O ＧS V M 诊断结果㊀㊀从图６可以看出,诊断结果的准确率约为０７㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀兰州文理学院学报(自然科学版)㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第３７卷９８．９６％,所提VM D结合P S OＧS VM诊断模型的诊断方法准确可靠．4㊀结论本文所提的基于VM D和P S OＧS VM的输电线路故障诊断方法将故障电流进行变分模态分解得到I M F分量,计算各分量包络熵的值并组成特征向量作为故障诊断模型的特征输入,通过诊断结果表明该方法能较好诊断出故障类型．所得结论如下:(１)将故障电流进行变分模态分解,通过观察中心频率确定分解层数K的取值,得到I M F分量,计算各分量包络熵的值并组成特征向量作为故障诊断模型的输入向量,诊断结果表明,该方法能较好诊断出故障类型;(２)得到的I M F分量包含不同频率的故障电流信息,计算各I M F分量的包络熵值,将其作为故障特征识别依据;(３)将包络熵值组成特征向量,用VM D和P S OＧS VM的方法进行诊断,诊断结果具有很高的准确率．参考文献:[１]K E Z U N O V I C M．S m a r t f a u l t l o c a t i o n f o r s m a r t g r i d s [J]．I E E E T r a n s a c t i o n so nS m a r tG r i d,２０１１,２(１):１１Ｇ２２．[２]段建东,金转婷,雷阳,等．自动重合闸期间电流互感器剩磁抑制研究[J]．中国电机工程学报,２０１９,３９(５):１４９８Ｇ１５０５．[３]魏东,龚庆武,来文青,等．基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究[J]．中国电机工程学报,２０１６,３６(S１):２１Ｇ２８．[４]Z HA N GJ,Z HA N G Y,G U A N Y．A n a l y s i so f t i m eＧd o m a i nr e f l e c t o m e t r y c o m b i n e d w i t h w a v e l e tt r a n sＧf o r m f o r f a u l t d e t e c t i o n i na i r c r a f t s h i e l d e dc a b l e s[J]．I E E ES e n s o r s J o u r n a l,２０１６,１６(１１):４５７９Ｇ４５８６．[５]高晓芝,王磊,田晋,等．基于参数优化变分模态分解的混合储能功率分配策略[J]．储能科学与技术,２０２２,１１(１):１４７Ｇ１５５．[６]贺利芳,曹莉,张天琪．L e v y噪声中E M D降噪的随机共振研究[J]．电子测量与仪器学报,２０１７,３１(１):２１Ｇ２７．[７]张小明,唐建,韩锦．基于S V D的E M D模态混叠消除方法[J]．噪声与振动控制,２０１６,３６(６):１４２Ｇ１４７．[８]孙蓉,马寿虎,葛乐,等．基于小波能量和E M D小电流接地故障选线[J]．中国科技论文,２０１７,１２(１１):１２４７Ｇ１２５１．[９]杨恭勇,丁潇男,王珺琦,等．基于VM D的V o l t e r r a 模型奇异值熵的转子故障诊断方法[J]．制造技术与机床,２０２２(３):１５０Ｇ１５６．[１０]A N E E S H C,K UMA RS,H I S HAM P M,e t a l．P e rＧf o r m a n c e c o m p a r i s o no fv a r i a t i o n a lm o d ed e c o m p oＧs i t i o no v e r e m p i r i c a lw a v e l e t t r a n s f o r mf o r t h e c l a sＧs i f i c a t i o no f p o w e r q u a l i t y d i s t u r b a n c e su s i n g s u pＧp o r t v e c t o rm a c h i n e[J]．P r o c e d i aC o m p u t e r S c i e n c e,２０１５,４６:３７２Ｇ３８０．[１１]王晓龙,唐贵基．基于变分模态分解和１．５维谱的轴承早期故障诊断方法[J]．电力自动化设备,２０１６,３６(７):１２５Ｇ１３０．[１２]张宁,朱永利,高艳丰,等．基于变分模态分解和概率密度估计的变压器绕组变形在线检测方法[J]．电网技术,２０１６,４０(１):２９７Ｇ３０２．[１３]高艳丰,朱永利,闫红艳,等．基于VM D和T E O的高压输电线路雷击故障测距研究[J]．电工技术学报,２０１６,３１(１):２４Ｇ３３．[１４]武英杰,甄成刚,刘长良．变分模态分解在风电机组故障诊断中的应用[J]．机械传动,２０１５,３９(１０):１２９Ｇ１３２．[１５]刘长良,武英杰,甄成刚．基于变分模态分解和模糊C均值聚类的滚动轴承故障诊断[J]．中国电机工程学报,２０１５,３５(１３):３３５８Ｇ３３６５．[１６]刘强,赵荣珍,杨泽本．KＧVM D融合包络熵与S VM 滚动轴承故障识别方法研究[J]．噪声与振动控制,２０２２,４２(３):９２Ｇ９７,１２１．[１７]王卫玉,何葵东,金艳,等．基于C E E M D A N样本熵和P S OＧS VM的水电机组振动信号特征提取[J]．武汉大学学报(工学版),２０２２,５５(１１):１１６７Ｇ１１７５．[责任编辑:李㊀岚]１７第６期张尔康等:基于VM D和P S OＧS VM的输电线路故障诊断。

基于SVM算法的变压器DGA和故障诊断

电气工程与自动化♦Dianqi Gongcheng yu Zidonghua基于SVM算法的变压器DGA和故障诊断陆敏安'任堂正'肖远兵'陈敬德'崔明飞(1.国网上海市电力公司青浦供电公司，上海201799；2.亿可能源科技(上海)有限公司，上海200433)摘要:油中溶解气体分析(DGA)是评估变压器运行状态和故障诊断的重要指标。

现将支持向量机算法(SVM)应用于DGA和故障诊断中，并对比了SVM算法和其他传统算法在故障诊断中的正确率。

研究明，传统算法的故障诊断正确率在43%〜54%,的SVM算法正确率76.77%。

23%的正确率分证明了SVM算法在故障征识别中的先进性,对变压器运维提供了力的技术支持。

关键词:变压器;支持向量机;油中溶解气体分析;故障诊断0引言确评估变压器运行状态对电网可性运维故有重要。

油中溶解气体分析(DGA)是反映变压器运行状态的重要指标!1。

传统的DGA方法主要使用IEC60599提出的三比值法［2］,国内的科研了压器油中溶解气体分析和判断〉(DL/T722—2014)用正确评估变压器油的量和运行状况!3。

传统分析法有国电的支持，的法保证正确率!4$5。

,统和性理论等方法逐渐被应用于DGA!6$7"。

比于传统的DGA法，这些评估体的确了故障识别的正确率，但是有限的■依于的机识，中的，应用。

先进的能算法用于DGA，如BP神经网络，是网络收敛速度慢，容易过拟合，并且在量少时无法保证正确率的缺点阻碍了它的进一步应用与推广冈。

基于对往发表论文的研究，了显著提升基于DGA的故障诊断的正确率，需要使用有坚实基础并且适用于小样本的机器学习算法。

本文将介绍支持向量机算法(SVM)在DGA中的应用。

第一节首先介绍SVM算法的原；第二节则验证SVM在DGA故障诊断中的正确率，并将其与传统算法进行对比;第三节对文章成进行了总。

1SVM算法原理支持向量机(SVM)［9$10］的理论依据是统计学习，通过数据挖掘的方法，解决模式识别、时间序列分析问题，最小了经验风险和型复杂度的同时，在样本有限的条件下，能够确输岀函数的平滑性型的广性［11］o二分类问题举［10］，如图1(a)所示，要将灰、黑两种类别分类，图1(b)中供了一个分割线A，可称为分类线。

基于支持向量机的变压器故障诊断方法

基于支持向量机的变压器故障诊断方法施竹君;王宝华【摘要】We propose a fault diagnosis method based on the modified cuckoo search algorithm (WCS), steepest descent method and support vector machine (SVM) to improve the accuracy of transformer fault diagnosis. A new inertia weight is also proposed and applied to solve the problem that the convergence rate of cuckoo search algorithm decreases in final iterations. SVM parameters are optimized by the algorithm which is combined with improved cuckoo search algorithm and steepest descent method, overcoming the defects that SVM model is easy to fall into local optimum. Support vector machine is trained on the MATLAB platform using LIBSVM toolbox, and the well-trained SVM will be adopted to diagnose the #1 transformer fault for 110kV Gantang substation. Study of practical cases indicate that, with this method, transformer faults can be diagnosed effectively and accurately, and the accuracy is higher than that using particle swarm optimization(PSO)、genetic algorithm(GA)and grid search(GS).%为了提高变压器故障诊断的准确率,提出了一种支持向量机(SVM)和改进布谷鸟算法(WCS)及最速下降法相结合的电力变压器故障诊断方法.引入一种新的惯性权重,解决布谷鸟算法在迭代后期收敛速度下降的问题.利用最速下降法与改进的布谷鸟算法相结合的算法进行SVM参数的寻优,克服了基本的SVM模型容易陷入局部最优的缺陷,从而得到具有最佳参数的支持向量机分类模型,利用LIBSVM工具箱在MATLAB软件平台上训练支持向量机,用训练良好的支持向量机诊断110kV甘棠变电所#1主变压器故障情况.通过实例验证分析表明,采用该算法可以准确、有效地对变压器进行故障诊断;相较于粒子群算法(PSO)、遗传算法(GA)、网格搜索算法(GS)等算法,该方法具有更高的诊断准确率.【期刊名称】《计算机系统应用》【年(卷),期】2017(026)005【总页数】7页(P163-169)【关键词】支持向量机;布谷鸟算法;最速下降法;故障诊断;分类模型【作者】施竹君;王宝华【作者单位】南京理工大学自动化学院, 南京 210094;南京理工大学自动化学院, 南京 210094【正文语种】中文电力变压器安全稳定地运行是整个电网稳定的基础.若设备出现故障,一般会使设备停止运行,并会造成巨大的经济损失[1].所以为了预防变压器发生故障,必须对其进行故障诊断研究,从而降低故障发生的概率,并及时采取措施,对变压器进行维修或更换. 如今,油中溶解气体分析法(DGA)已普遍应用于油浸电力变压器的故障诊断.通过大量研究表示,基于DGA的电力变压器故障诊断技术主要分为传统诊断方法和智能诊断方法两种[2-6].其中传统的诊断方法主要有关键气体法、三比值编码法、立方图法、大卫三角法、ETRA法等;近些年,BP神经网络理论、信息融合技术、灰色关联理论、模糊数学理论以及支持向量机等[7-14]可用于变压器的故障诊断.支持向量机算法在解决小样本问题的同时,能解决高维和非线性等问题,因此广泛应用于故障诊断领域中.在电力变压器故障诊断领域,董明等[15]学者首先将支持向量机引入电力变压器故障诊断中,将邻近搜索聚类应用于分层决策,来修正支持向量分类器参数难于选择带来的误差,提高了诊断的正确性.文献[16]提出自适应参数优化的模糊支持向量机增量算法的电力变压器故障诊断.文献[17]将有向无环图支持向量机成功应用于故障诊断中,取得了一定的效果.文献[18]提出将蚁群算法用于支持向量机模型参数的寻优.支持向量机不仅算法简单而且具有较好的鲁棒性,但也较易陷入全局最优.本文通过引入一种新的惯性权重对布谷鸟算法进行改进,随后提出了一种最速下降法与改进的布谷鸟算法相融合的算法(SDWCS),改善布谷鸟算法在运算后期收敛速度过慢的缺点.并将油色谱数据(DGA)各气体含量的比值作为评估标准,利用新算法对SVM模型的惩罚参数c和核函数参数g进行全局寻优,利用优化得到的SVM模型进行变压器故障诊断,通过实例进行分析验证.与粒子群算法(PSO)、遗传算法(GA)、网格搜索算法(GS)相比,本文所提出的方法诊断准确率较高.支持向量机在数据分类问题中,其考虑寻找一个满足分类要求的超平面,并且使训练集中的点距离分类面尽可能的远.分类线方程为对它进行归一化,使对线性可分样本集满足:最优分类面的问题可以描述为以下的被约束优化问题:可以通过拉格朗日(Lagrange)乘子方法解决.拉格朗日算子为:分别对参数w和b求导,并令其等于零得由式(4)得到使用拉格朗日优化方法,根据沃尔夫(Wolef)的对偶理论[19]可以把上述分类问题转化为如下的对偶问题,把式(5)带入式(3)中得:其中, 为与第i个样本相对应的拉格朗日乘子.参数b可由下式计算:最后得到的最优分类函数是然而当存在少量样本无法用线性方法分开时,此时需要引入一个松弛变量式(2)的约束条件变为如下形式:于是得到下面的优化问题:构造拉格朗日方程,最后得到如下的对偶拉格朗日算子:其中,c>0称为惩罚参数.然而,当存在非线性问题时,即对于给定的样本点不能用一个超平面分离时,上面提到的线性分类方法将不再适用,此时,在高维空间,需要将低维的非线性问题转化为线性可分问题,及使用核函数将所有样本点映射到高维空间[16].根据希尔伯特—施密特(Hibert-Schmidt)原理,只要核函数满足莫塞尔(Mercer)条件[20]:对任意给定函数g(x),当有限时,就对应某一空间的内积此时,其优化问题变为如下形式:而分类决策函数变为:目前常用的核函数有以下三种[21]:多项式核函数、高斯(Gauss)径向基核函数(RBF)及Sigmoid核函数.本文采用RBF核函数:其中,g>0称为核参数.由此可知,SVM模型的关键在于惩罚参数c和核参数g的选定,本文通过SDWCS 算法对参数c和g进行全局寻优,从而得到最好的c和g.2.1布谷鸟算法布谷鸟搜索算法[22](cuckoo search,CS)是由YANG等提出的一种新型元启发式搜索算法.其思想主要基于两个策略:布谷鸟的巢寄生性和莱维飞行(L’evy flights)机制. 布谷鸟算法是模拟布谷鸟随机产卵的行为.为了简化描述CS算法,可以用下面的三条规律[23]:①每只布谷鸟每次只下一个蛋,并且随机选择一个鸟巢进行孵化;②在这些鸟巢中,产出最优鸟蛋的鸟巢将被保留到下一代;③鸟巢的数量是固定的,并且设鸟巢的主人发现鸟巢中含有外来蛋的概率为pa,则满足如果发现外来蛋,鸟巢主人将蛋丢出,或者重新建立一个鸟巢.根据以上3条规律,布谷鸟搜索鸟巢位置的更新公式如下:式中:为第i个鸟巢在第t代的鸟巢位置;为步长控制量,一般取为用于确定随机搜索范围:其中是常数示当前最优解.式(15)中,Å表示点对点乘积;为随机搜索路径服从Levy分布.则相应的位置更新公式为:其中,u和v均服从正态分布:式中,G是标准的Gamma函数.2.2 改进的布谷鸟算法(WCS)在标准的布谷鸟算法中,布谷鸟的飞行路径是随机的,不利于算法的迭代.针对这一问题,通过引入一种非线性惯性权重并对CS算法进行改进,加快其后期收敛速度[24].考虑到较小的惯性权重可以减小搜索步长,迭代逐渐收敛到极值点,但过小的惯性权重会使算法一旦进入局部极值点邻域内很难跳出,使全局寻优难度增加;较大的惯性权重可以使算法不易陷入局部最小,从而能收敛到全局最优值.改进后的布谷鸟算法位置更新表达式如下: 其中:式(20)中, 为充分大的正常数,t和tmax分别为当前迭代次数和最大迭代次数,t0为取定的正整数.3.1 SDWCS算法最速下降法作为最简单和最古老的优化算法之一,具有直观有效等优点,目前许多有效的优化算法均建立在该算法的基础之上.为了改进布谷鸟搜索算法的缺点,利用最速下降法进修正[25],其步骤如下:通过改进的布谷鸟搜索算法保留得到鸟类孵出上代的最优解,并利用最速下降法进行迭代,不断修正最优鸟巢的位置,最终获得最优解.3.2 基于SDWCS优化的SVM故障诊断模型基于SDWCS和SVM的故障诊断算法的流程图如图1所示.4.1 实例分析本模型选用LIBSVM作为训练和测试工具,选用RBF核函数作为核函数,将气体相对含量(H2、CH4、C2H6、C2H4、C2H2、总烃、CO、CO2)作为输入,各故障类型(包括变压器正常状态和其他4种变压器故障:低能放电、高能放电、中低温过热故障以及高温过热故障)所对应的编码(1、2、3、4、5)作为输出.考虑到变压器的容量、型号等因素的影响,本文收集了大量的变压器油色谱数据(GDA),从中整理了200组样本.从样本中抽取每个状态样本各30组数据作为训练集,其余50组数据作为测试集,变压器故障样本统计如表1所示.本文设定SVM的参数c和RBF核函数的参数g取值范围;设置鸟巢总数n=25,发现外来鸟的概率pa=0.25,最大迭代次数为100次.图 2为SDWCSSVM模型进行参数优化的适应度曲线,得到的最优参数为:c=2.1045,g=2.4586.从图 2中可以看出,适应度曲线在前5个周期内收敛速度较快,随后逐渐趋于平缓,最终趋与一条直线,实现了参数的优化.由图3可知,在50组训练样本中,有2组样本(分别为1组正常状态和1组高温过热故障)出现了诊断错误,其训练集和测试集的诊断准确率分别为87.3333%和96%,由此结论可知,该方法可有效地用于电力变压器故障诊断.4.2 比较结果为便于比较,在采用相同的训练集及测试集样本的情况下,分别采用粒子群算法(PSO)、遗传算法(GA)、网格搜索算法(GS)对变压器进行故障诊断.图4、6、8分别分别代表 PSO、GA、GS算法的寻优过程.图5、7、9分别为其对应的变压器故障样本结果对比图.由图4、5中可以看出,适应度曲线在第40代时趋于平缓,最终收敛,其训练集及测试集准确率分别为86.6667%和94%.由图6和图7可以看出,适应度曲线在第20代时趋于平缓,最终趋于一条直线,训练集和测试集的样本准确率分别为86.6667%和92%.由图8和9看出,GS算法的训练集与测试集准确率分别为86.6667%和94%.通过比较几种算法,发现SDWCS算法的收敛速度最快,在第5代就收敛到最优鸟巢,并且变压器故障诊断测试样本的准确率最高.4.3 故障预测110kV甘棠变电所#1主变压器(40000kVA)于2012年12月投运,投运后设备一直很正常,直到2016年4月6日,色谱周期检测中总烃含量突然明显升高,总烃含量由2016年1月15号的9.4uL/L变为346.9uL/L,见表2,远远超过注意值.采用训练良好的支持向量机对110kV甘棠变电所#1主变压器的故障进行预测,诊断结果为中低温过热故障.检修单位对该台变压器在停电状态下,分别测量了绕组的直流电阻、介质损和吸收比,无异常,说明故障点不在电气回路和主绝缘部位,打开铁芯接地,测量铁芯对地电阻,结果为0.由此判断该设备存在铁芯接地故障,是中低温过热所致.由此证明,采用SDWCS算法优化支持向量机的判断结果与实际相符.为避免布谷鸟搜索算法在后期搜索速度过慢和搜索精度过低的缺陷,本文提出了一种最速下降法与改进的布谷鸟算法结合的算法(SDWCS),并且通过引入一类非线性惯性权重,加快了算法的收敛速度,使其更容易收敛到全局最优.再将其与支持向量机相结合,形成SDWCS—SVM模型,并运用于电力变压器的故障诊断与预测.从分析实例可以看出,SDWCS算法具有较好的收敛速度与准确率.1陈树勇,宋书芳,李兰欣,等.智能电网技术综述.电网技术, 2009,33(8):1–7.2 Muthanna KT,Sarkar K,Waldner K.Transformer insulation lfeasessment.IEEE Trans.on Power Delivery,2006,21(1): 150–156.3 Singh J,Sood YR,Jarial RK,et al.Condition monitoring of power transformers—bibliography survey.IEEE Electrical Insulation Magazine,2008,24(3):11–25.4 Tang WH,Goulermas JY,Wu QH,et al.A probabilistic classifier for transformer dissolved gas analysis with a particle swarm optimizer.IEEE Trans.on Power Delivery, 2008,23(2):751–759.5 IEEE Standard C57.104—2008 IEEE guide for the interpretation of gases generated in oil-immersed transformers,2008.6任静,黄家栋.基于免疫RBF神经网络的变压器故障诊断.电力系统保护与控制,2010,38(11):6–9.7 Zhang Y,Ding X,Liu Y,et al.An artificial neural network approach to transformer fault diagnosis.IEEE Trans.on Power Delivery,1996,11(4):1836–1841.8蔡红梅,陈剑勇,苏浩益.基于灰云模型的电力变压器故障诊断.电力系统保护与控制,2012,40(12):151–155.9刘同杰,刘志刚,韩志伟.自适应模糊支持向量机中邻近增量算法在变压器故障诊断的应用.电力系统保护与控制, 2010,38(17):47–52.10尚勇,闫春江,严章.基于信息融合的大型油浸电力变压器故障诊断.中国电机工程学报,2002,22(7):115–118.11 Naresh R,Sharma V,Vashisth M.An integrated neural fuzzy approach for fault diagnosis of transformers.IEEE Trans.on PowerDelivery,2008,23(4):2017–2024.12 Fei SW,Sun Y.Forecasting dissolved gases content in power transformeroil based on support vector machine with genetic algorithm.Electrical Power Systems Research,2008, 78(3):507–514.13 Wu HY,Hsc CY,Lee TF,et al.Improved SVM and ANN in incipient fault diagnosis of power transformers using clonal selectionalgorithms.International Journal of Innovative Computing Information and Control,2009,5(7):1959–1974.14赵文清,李庆良,王德文.基于多模型的变压器故障组合诊断研究.高电压技术,2013,39(2):302–309.15董明,孟源源,徐响,等.基于支持向最机及油中溶解气体分析的大型电力变压器故障诊断模型研究.中国电机工程学报,2003,23(7):88–92.16董秀成,陶加贵,王海滨,等.适应模糊支持向量机增量算法在变压器故障诊断中的应用.电力自动化设备,2010,30 (11):48–52.17 Zhao W,Wang L.Fault diagnosis of power transformer based on DDAG-SVM.2010 IITA Internation Conference on Nanotechnology and Computer Engineering,CNCE 2010.2010.819–824.18 Niu W,Xu L,Hu S.Fault diagnosis methed for power transformer based on ant colony-SVM classifier.2nd International Conference on Computer and Automation Engineering,ICCAE 2010.2010.629–631.19 Vapnik VN.The nature of statistical learning theory.NewYork,USA.Springer-Verlag.1998.1–17.20 Mangasarian OL.Mathematical programming in machinelearning.Nonlinear optimization in and Applications.NewYork.Springer.1996.283–295.21 Burges CJC.Atutorial on support vector machines for patternrecognition.Data Mining and Knowledge Discovery,1998, 2(2):121–167.22 YANG X S,DEB S.Cuckoo search via L’evy flights.Proc. of World Congress on Nature&Biologically Inspired Computing.IEEE A.2009.210–214.23戴臻.布谷鸟算法优化支持向量机的网络热点话题预测.计算机应用软件,2014,31(4):330–333.24 Fan SKS,Chiu YY.A decreasing inertia weight particle swarm optimizer.Engineering Optimization,2007,39(2): 203–228.25屠立峰,包腾飞,唐琪,赵斌.基于SDCS-SVM的大坝安全监测模型.三峡大学学报,2015,37(2):6–9.。

基于SVM的油浸式变压器故障诊断及定位的研究

基于SVM的油浸式变压器故障诊断及定位的研究变压器是电力系统中重要的枢纽设备,它的可靠运行与整个电力系统的安全与稳定紧密相关。

为了解决应用油中溶解气体分析方法(Dissolved Gases Analysis,DGA)诊断变压器内部绝缘故障时遇到的主要技术难题,本论文提出了用于提高变压器故障诊断及故障点定位准确性和可靠性的诊断模型及实现方法。

通过仿真实验,证明了该方法的实用性及有效性。

主要研究工作如下：(1)通过对变压器绝缘油中溶解的碳氢气态化合物及其他特征气体的产生过程进行热力学理论分析,找出特征气体产生的原因、产生特征气体所需要的各种外部条件以及不同外部条件所对应的特征气体组分含量。

(2)研究并理清变压器各种类型故障的产生机理,找出不同故障给绝缘油及其它绝缘材料造成的影响,例如引起的物理、化学变化,是否会生成新物质及其成分及数量等。

(3)探寻特征气体的产生过程与变压器故障产生机理的内在联系,确定不同类型的故障对应不同特征气体组分的关系,实现故障类型与特征气体组分之间的“一一对应”关系。

(4)将支持向量机理论引入到变压器的故障诊断问题中,在对支持向量机的多类分类问题深入研究的基础上,通过分析变压器运行不正常的现象,甚至发生故障时与绝缘油中溶解性气体组分的关系,建立一种故障诊断模型。

通过实验证明,该方法能有效地确定变压器的故障类型,大大提高工作效率。

(5)引入支持向量机理论,进一步分析变压器故障与油中溶解性特征气体的组分关系,并结合变压器电气试验相关信息,将支持向量机的多类分类算法引入到故障点的定位问题中,建立一种变压器故障点定位模型。

通过仿真实验,证明该故障定位模型能够实现对变压器的故障点进行有效定位,为变压器故障点的定位
研究工作提供参考。

支持向量机在变压器故障诊断中的应用

支持向量机在变压器故障诊断中的应用变压器故障诊断的本质是一个多分类识别问题。

支持向量机（Suppot Vector Machine，SVM）能够在小样本的情况下很好的解决这种故障识别，而参数合理选择对SVM的分类性能有很大的影响。

讨论利用多种算法优化SVM分类器参数，并结合LIBSVM工具箱进行分析，给出了其GUI图形界面。

对比分析了单一算法和混合算法对SVM性能的影响，并结合具体数据进行实例验证，可以作为变压器故障诊断辅助方法。

标签：变压器；故障诊断；支持向量机；混合优化算法引言变压器为系统中最重要的设备之一，运行状态直接影响到整个系统的安全性和稳定性。

近几年，在变压器故障诊断中，提出了将DGA技术与人工智能算法相融合。

支持向量机为一种机器学习算法，能够很好解决多分类识别问题。

而在支持向量机参数选择过程中，提出了利用算法进行优化。

例如文献1提出利用改进网格在SVM故障诊断应用；文献2给出利用CV和GA相结合的方法。

讨论利用单一算法寻优SVM参数，在其分类器的性能不是较高的基础上，提出了利用交叉验证和粒子群相融合方法，来提高分类器的分类性能，达到提高故障诊断率目的。

1 基于网格法参数寻优基于RBF核函数的SVM，其优化的参数为（C，g）[3]。

参数（C，g）的搜索范围为[2-x，2x]。

其指数的大小影响到网格的密度，如果指数取值很大，虽然能找出最优的参数，但是其复杂程度很高，且运算时间长。

其搜索的过程为：取参数（C，g）的初始值为。

给定搜索的范围为[2-15，215]。

在这个范围内搜寻最佳的参数C和g。

固定初始值C，选取g的步长为L为0.5。

在范围[2-15，215]内以L为0.5的迭代步长进行搜索。

寻找出最佳的g。

固定初始值g，同样选取C的步长L为0.5。

在范围[2-15，215]内以L为0.5的迭代步长进行搜索。

寻找出最佳的C。

基于LIBSVM FARUTO版本的函数调用格式为：[bestacc，bestc，bestg]=SVMcgForClass（train_label，train，cmin，cmax，gmin，gmax，cstep，gstep，accstep）其中，train_label、train分别为训练集的标签和训练集数组，其输入格式与LIBSVM相同。

基于PSO-SVM模型的感应电机故障诊断的研究PPT文档44页

基于PSO-SVM模型的感应电机故障诊断的研究
11、用道德的示范来造就一个人，显然比用法律来约束他更有价值。—— 希腊
12、法律是无私的，对谁都一视同仁。在每件事上，她都不徇私情。—— 托马斯
13、公正的法律限制不了好的自由，因为好人不会去做法律不允许的事情。——弗劳德
14、法律是为了保护无辜而制定的。——爱略特 15、像房子一样，法律和法律都是相互依存的。——伯克
谢谢！
51、天下之事常成于困约，而败于奢靡。——陆游 52、生命不等于是呼吸，生命是活动。——卢梭
53、伟大的事业，需要决心，能力，组织和责任感。 ——易卜生 54、唯书籍不朽。——乔特
55、为中华之崛起而读书。 ——周恩来

基于PSO和SVM的牵引变压器绝缘故障诊断

关键词：牵引变压器；障诊断；故特征气体；子群优化；支持向量机粒
中图分类号：Ｍ８５Ｔ５文献标志码：Ａ
Ｉｕａｉｎｆｕｔｄｉｇｏｉｏｒｃｉｎｔａｆｒｅｓｄｏｎｓｌｔｏａｌａｎｓｓｆｒｔａｔｏｒｎｓｏｍｒｂａｅｎ
ｆｌｃａａｔｒｔｓｎｉｓｌｉａｌｄａｎｓｅｈｄｂｓｄｏａｉｅＳａｍＯｔｚｔｎ（Ｓａｔｈｒｃｅｓｃ，ａｎｕａｏｆｕｔｉｏｉｍｔｏａｅｎＰｒｃｗｒｐｉａｉＰＯ）ｕｉｉｔｎｇｓｔｌｍｉｏａｏｔｎｕｐｒＶｃｏＭａｈｎ（ＶｌｒｈａｄＳｐｏｅｔｃｉｅＳＭ）ｉｐｅｅｔｙａａｙｉｅｌｄｃａａｔｒｔｓｆｒｃｏｇｉｍｔｒｓｒｓｎｅｂｎｌｎｔａｈｒｃｉｉａｔｎｄｚｇｈｏｅｓｃｏｔｉ
ＰＳａｄＳ０ｎＶｎ
ＦＮＧＫ，ＳａｊｎＡｅＵＶｎｕ，ＨＵＮＧＹｕｅＡｏｗｎ
（ｌｃｉＡｔｔｎＲｓａｃｓｔｔ，ｈｈｉｏｌｅＪａｎｖ，ｈｈｉｕｎｄｎ１００，ｈｎ）ＥｅｔｃｕｏｉｅｅｒｈＩｔｕｅＺｕａＣｌｇ，ｉｎＵｉＺｕａＧａｇｏｇ５９７Ｃｉｒｍａｏｎｉｅｎ．ａ
第１９卷第３期
２１００年９月
计算机辅助工程
ＣｏｕｅｄｄＥｎｉｅｉｇｍｐｔｒＡｉｅｇｎｅｒｎ

基于PSO-LSSVM的模拟电路故障诊断

机，之后再采用粒子群算法来优化支持向量机的结构参数，避免了参数选择的盲目性，进而提高了模型的诊断精度。在对
ＥｌｌｉｐｔｉｃａｌＦｉｌｔｅｒ电路进行的故障检测中，验证了该方法的可行性。
２．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅｎｄａＴｅｃｈｎｏｌｏｇｙ，ＴａｉｙｕｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，
Ｔａｉｙｕａｎ０３００２４，Ｃｈｉｎａ）
ＬＳＳＶＭ．ＴｈｅｐａｒａｍｅｔｅｒｓｏｆＬＳＳＶＭｒｅａｏｐｔｉｍｉｚｄｅｗｉｔｈＰＳＯｌｇａｏｒｉｈｍｔｔＯｉｍｐｒｏｖｅｈｅｔａｃｃｕｒａｃｙｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓ．ａｖｏｉｄｉｎｇｈｅｔｂｌｉｎｄｎｅｓｓｏｆｐａｒｍｅａｔｅｓｒｅｌｓｅｃｉｔｏｎ．ｈｅＴＥｌｌｉｐｔｉｃｌａＦｉｌｔｅｒｉｓｕｓｅｄｆｏｒｔｈｅｆａｕｌｔｓｓｉｍｕｌａｉｔｏｎｅｘｐｅｒｉｍｅｎｔ，ｈｅｔｅｓｒｕｌｔｓｄｅｍｏｎｓｔｒａｔｄｅｆｅａｓｉｂｉｌｉｔｙｏｆｔｈｅｐｒｏ —
陈志凡，单剑锋，宋晓涛，王文清

基于PSO-SVM的三相SPWM逆变电路故障诊断研究

Ａｂｓｔｒａｃｔ：Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｆａｕｌｔｔｈｒｅｅ－ｐｈａｓｅ— ＳＰＷＭ．ａｎｅｗｍｏｄｅｌｏｆｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｏｎｗａｓｐｒｏｐｏｓｅｄ．Ｐａｒｔｉｃｌｅｓｗａｒｍ
种方法是可行的，具有很好的故障诊断能力。关键词：三相逆变器；故障诊断；粒子群算法；支持向量；小波变换
中图分类号：ＴＰ１８３文献标识码：Ａ文章编号：０２５８ — ７９９８（２０１４）０３ — ００５２ — ０３
ｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｓｔｒｏｎｇｇｌｏｂａｌｓｅａｒｃｈｃａｐａｂｉｌｉｔｙ．Ｔｈｕｓ，ＰＳＯｉｓｓｕｉｔａｂｌｅｔｏｄｅｔｅｒｍｉｎｅｆｒｅｅｐａｒａｍｅｔｅｒｓｏｆｓｕｐｐｏｔｒｖｅｃｔｏｒｍａｃｈｉｎｅ
（ＳＶＭ）．Ｕｓｉｎｇｔｈｅｍｅｔｈｏｄｏｆｍｕｌｔｉ－ｒｅｓｏｌｕｔｉｏｎａｎａｌｙｓｉｓｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍｔｈｅｏｒｙｔｏｅｘｔｒａｃｔａｎｄａｎａｌｙｚｅｆａｕｌｔｓｉｇｎａｌ，ｅｘｔｒａｃｔｉｎｇｅｉｇｅｎ一

基于混合核函数PSO-SVM的模拟电路故障诊断

ｖｏｌｔａｇｅｆｅａｔｕｒｅ；ｓｅｃｏｎｄ，ｗｅｕｓｅＰＳＯｔｏｏｐｔｉｍｉｚｅｔｈｅｋｅｒｎｅｌｗｅｉｇｈｔａｎｄｓｔｒｕｃｔｕｒｅｐａｒａｍｅｔｅｒｓｏｆＨＳＶＭ；ｌａｓｔ，ｔｈｅｔｒａｉｎｅｄｍｏｄｅｌｉｓ
ａｆｔｅｒａｎａｌｙｚｉｎｇｔｈｅｔｒａｎｓｉｅｎｔｃｉｒｃｕｉｔｕｎｄｅｒｔｅｓｔ，ａｎｄｗｒｉｔｉｎｇｄｏｗｎｔｈｅｏｕｔｐｕｔｖｏｌｔａｇｅ，ｗａｖｅｌｅｔｐａｃｋａｇｅｉｓｕｓｅｄｔｏｅｘｔｒａｃｔｔｈｅｏｕｔｐｕｔ
5o0349704381oo433o1291ooo55o0094oo138oollo10c2500457203799oo45200814000360o099001860041由上述分析可知待诊断电路共11种故障模式1测试集的实际分类和预测分类图且各故障模式经小波包变换后的特征向量有8个通08llo实际测试集分类l过二叉树模型构造hsvm多分类器该模型的主要o6预沏j测试集分类l方法是先将正常状态类与故障状态样本分开应用小04波包技术并归一化处理后的数据作为hsvm诊断模o2型的输入向量输出向量为1或一1定义hsvm1鉴o模型用来判别正常状态和故障状态并用1代表相j1一o
裴杰才，李志华，丁伟聪
（河海大学能源与电气学院，江苏南京２１１１００）

基于SVM的变压器故障诊断研究

基于SVM的变压器故障诊断研究摘要：变压器作为电能传送过程当中的核心装备之一，对整个电力系统而言，起到了电能输送以及电压等级变换的作用。

然而，其也是导致电力系统网络发生故障的电气装备之一。

能否准确地预判出变压器的潜伏性故障类型，对于变压器的安全稳定运行是至关重要的。

因此，针对于变压器的运行状态进行监控是必要的。

本文将围绕变压器故障诊断方面的内容进行相关阐述。

关键词：SVM；变压器；故障诊断1变压器故障类型电力变压器在整个电力系统中位置特殊，是故障的多发区。

变压器的正常与否将对用户产生的影响。

一般情况下，电力变压器故障大致分为两个方面:即油箱内故障和油箱外故障。

油箱外故障大多在于套管以及引出线对地发生直接或间接性短路；油箱内故障是指：包括内部绕组的相间短路、绕组接地短路、匝间短路)以及铁芯内部材料破损等。

油箱内故障发生概率较低，主要集中在油箱外故障，尤其是油箱外故障引起的端电流不平衡，而导致的励磁涌流，引起变压器误动、拒动等故障，己经成为当前的研究热点。

2故障诊断的基本原理系统故障诊断是通过测量设备、电力系统、继电保护装置、开关等相关信息，从而对系统运行状态和异常情况作出分析、判断，最终作出决策、确定故障元件的过程。

一般来说，对系统进行故障诊断主要有以下四点：第一，故障检测。

就是通过测量设备、系统的实时响应数据，以此判断是否发生诊断。

第二，故障分析。

在发生系统故障时，确定并细化故障类型，找出故障原因。

第三，故障评价。

明确故障的性质及其对整个系统的影响，做出故障评估。

第四，故障决策。

即通过评估报告，确定故障具体部位，最终找到解决方案。

作为一门故障诊断型的学科，虽然学科发展历史短暂，但是相关故障诊断理论算法不断进行不断地融合，交叉，提出了很多实用新型的理论方法，并最终形成一门独立的综合性新学科。

总的来说，故障诊断方法主要可以分成两个方向：数学模型；人工智能。

在实际的应用中，故障诊断理论涉及范围广，囊括故障类型方案多，在实际问题解决中取得了很好的效果。

基于SVM的故障诊断技术研究

基于SVM的故障诊断技术研究随着工业自动化程度的不断提高，工艺设备越来越复杂，随之带来的故障诊断难度也不断增加。

出现故障时，如何快速准确地定位故障原因，是保证设备正常运转的关键。

传统的故障诊断方法主要依赖于经验判断或者专家推断，无疑存在着效率低、准确率不高等问题。

而基于机器学习的故障诊断技术，则可以有效解决这些问题，提高故障诊断的自动化水平。

本文将探讨一种基于SVM的故障诊断技术。

一、SVM 算法简介支持向量机(SVM)是一种广泛应用于分类与回归分析的监督学习方法，它的基础理论是在高维空间中构造间隔最大的分类超平面，并将分类问题转化为求解一个凸二次规划问题来获得最优解。

SVM 的核心思想在于，通过选取一定数量的样本点，并将它们划分到不同的分类区域内，使得分类区域之间的距离最大化。

这些样本点被称为支持向量，它们可以有效地表达样本分布的特征。

在分类时，若新的样本点被划分到已经确定好的分类区域中，则该样本是属于该分类的；反之则属于另一个分类。

二、基于SVM的故障诊断技术流程1. 数据采集与预处理对于故障诊断来说，数据采集是一个非常重要的环节。

只有获得了足够量和充分的数据，才能够开展有效的故障诊断工作。

在实际应用中，通常采用传感器对工艺设备进行实时监测，获取相关物理量的数据，然后进行处理。

处理包括滤波、降噪等，以达到更好的信号质量。

2. 特征提取在获得了处理好的数据之后，需要进一步提取出有用的特征信息。

常用的特征包括信号的平均值、标准差、峰值等统计量，以及时域、频域等不同的特征参数。

目的是找到最能区分各种故障的特征。

3. 特征归一化由于不同的特征之间具有不同的量纲，因此需要将它们归一化到同一量级。

常用的归一化方法包括最小-最大归一化、z-score标准化等。

4. 训练 SVM 模型在数据预处理和特征提取等工作完成后，就可以开始训练 SVM 模型了。

在分类时，将已知类型的样本作为训练集，通过SVM算法得到分类规则，并将其应用到新的样本上，以判断它所属的故障类型。

用于变压器DGA故障诊断的改进PSO优化SVM算法研究

2018 年 8 月 1 日第 41 卷第 15 期
现代电子技术 Modern Electronics Technique
124 DOI：10.16652/j.issn.1004⁃373x.2018.15.028
Aug. 2018 Vol. 41 No. 15
用于变压器 DGA 故障诊断的改进 PSO 优化 SVM 算法研究
MIN Yaqi1，MA Xin2，ZHAI Zhengang3，MO Jiaqing1，4，LÜ Xiaoyi1
（1. College of Information Science and Engineering，Xinjiang University，Urumqi 830046，China； 2. Xinjiang Transformer Company，TBEA Co.，Ltd.，Changji 831100，China；
3. Economy and Development Reform Commission，Urumqi High⁃tech Industrial Development Zone，Urumqi 830011，China； 4. School of Electronic and Information Engineering，Xi’an Jiaotong University，Xi’an 710049，China）
0引言
电力变压器是输变电系统的核心设备，其在运行过程中性能的好坏直接决定供电系统能否安全稳定运行，一旦变压器在运行过程中发生故障，将造成不可估量的
损失，因此及时、准确地诊断出变压器的潜在故障具有重要意义。变压器故障类型有很多，如绝缘导线过热，高湿度、高含气量引起油中低能量密度的局部放电等。随着变压器运行年限的增加，设备自身存在的各种故障隐患如渗漏油、绝缘材料老化、油质不佳、油量过少等会使变

基于PSO_SVM模型的感应电机故障诊断研究

学位论文基于PSO-SVM模型的感应电机故障诊断应用申专业名称：控制工程论文题目：PSO-SVM模型在感应电机故障诊断中的应用摘要感应电动机能够适应各种复杂的工作环境因而在工业、农业、科学技术现代化和国防中得到了广泛的应用。

它是一种覆盖面最广、使用量最大的电动机。

感应电动机的正常运行，可以保证生产过程中的高效，安全，快捷，电动机发生故障不仅会导致生产设备的毁坏，影响生产的进行，甚至停产，还会危与工人的人身安全，造成巨大的经济损失，因此对电动机进行故障检测，特别是早期故障检测，是很有必要的。

目前很多故障诊断技术的主观性较强，研究一种能以客观的方式进行故障诊断的技术势在必行；智能诊断技术十分符合现实的需要，其强大的自我学习能力能客观的发掘历史数据中的潜在故障规则，能更好的指导故障定位与检修。

本文主要以智能诊断技术为研究方向，分析传统的智能诊断技术的研究现状以与存在缺陷，提出了基于支持向量机理论的故障诊断技术方法。

支持向量机(Support Vector Machine,SVM)具有严谨的理论基础以与良好的泛化能力，在处理小样本事件中能保证很高的准确率，它在处理许多工程实际问题方面获得了成功的应用，本文试着将一种改进的支持向量机模型引入电机故障诊断中，主要容如下：1. 分析了轴承和转子断条两种故障的特征机理，给出了两种故障特征频率的计算公式，并对目前常用的故障诊断方法进行了分析和总结。

2. 研究了统计分析方法、模糊系统以与神经网络等的故障诊断方法。

这些传统的方法都是在样本数目足够大的前提下进行故障诊断的，模糊系统缺乏自学习能力，隶属度函数和模糊规则的选取带有一定的主观性且依赖于专家；神经网络易陷入局部极小值、学习能力差、隐含层节点数难以确定，严重影响了故障诊断的准确率。

针对以上缺点，提出了基于PSO-SVM模型的故障诊断方法，此改进的支持向量机模型不仅克服了以上缺点，而且采用PSO算法对SVM模型的参数进行优化，使得故障诊断结果更加准确。

基于PSO-SVM模型的感应电机故障诊断研究57页PPT

拉
60、生活的道路一旦选定，就要勇敢地走到底，决不回头。 ——左
基于PSO-SVM模型的感应电机故障诊断研究
16、云无心以出岫，鸟倦飞而知还。 17、童孺纵行歌，斑白欢游诣。 18、福不虚至，祸不易来。 19、久在樊笼里，复得返自然。 20、羁鸟恋旧林，池鱼思故渊。
56、书不仅是生活，而且是现在、过去和未来文化生活的源泉。 ——库法耶夫 57、生命不可能有两次，但许多人连一次也不善于度过。— —吕凯特 58、问渠哪得清如许，为有源头活水来Байду номын сангаас。—— 朱熹 59、我的努力求学没有得到别的好处，只不过是愈来愈发觉自己的无知。 ——笛卡儿

基于1D-CNN-PSO-SVM的电力变压器故障诊断

基于1D-CNN-PSO-SVM的电力变压器故障诊断
陈志勇;杜江
【期刊名称】《计算机仿真》
【年(卷),期】2024(41)3
【摘要】针对变压器故障诊断过程中人工提取特征泛化性差,诊断正确率低的问题,提出了一种基于一维卷积神经网络(1D-CNN)和粒子群优化支持向量机(PSO-SVM)的故障诊断模型。

首先构建一个1D-CNN作为特征提取器,以变压器油中溶解气体原始数据作为输入进行训练,逐层自适应的学习与故障类型相关性更高的深层抽象特征。

训练完成后,用分类性能更优的PSO-SVM代替传统1D-CNN中的Softmax分类器实现变压器故障类型的识别。

仿真结果表明,经1D-CNN提取特征后,不同故障类型的样本间具有很高的区分度;利用PSO-SVM对提取得到的特征进行分类识别,相比于采用Softmax分类器时,诊断准确率得到了进一步提高,验证了所提方法的有效性。

【总页数】6页(P71-75)
【作者】陈志勇;杜江
【作者单位】河北工业大学河北省电磁场与电器可靠性重点实验室;河北工业大学省部共建电工装备可靠性与智能化国家重点实验室
【正文语种】中文
【中图分类】TP18;TM743
【相关文献】
1.基于变压器油中乙炔气体增量和总烃产气速率变化的HX_(D)1C型电力机车变压器隐性故障诊断
2.基于DEGWO-SVM的电力变压器故障诊断
3.基于音频动态特征重组和TCN-Attention的电力变压器故障诊断方法
4.基于多传感信息融合的电力变压器绕组故障诊断方法
5.基于胶囊神经网络的电力变压器故障诊断方法研究
因版权原因，仅展示原文概要，查看原文内容请购买。

用于变压器DGA故障诊断的改进PSO优化SVM算法研究

用于变压器DGA故障诊断的改进PSO优化SVM算法研究闵亚琪;马鑫;翟振刚;莫家庆;吕小毅【期刊名称】《现代电子技术》【年(卷),期】2018(041)015【摘要】为了提高电力变压器故障诊断的准确率,提出一种基于改进粒子群算法(PSO)优化SVM的变压器故障诊断方法.在对变压器故障进行诊断时采用支持向量机(SVM)与油中溶解气体分析(DGA)相结合的方法,利用PSO对SVM故障诊断模型进行参数寻优,并通过模拟退火算法(SA)改进PSO以提高PSO算法的全局搜索能力.对电力变压器故障诊断的实例分析结果表明,该方法不仅能够有效地进行变压器故障诊断,而且准确率高于传统的变压器故障诊断方法,更适合在变压器故障诊断中应用.【总页数】5页(P124-128)【作者】闵亚琪;马鑫;翟振刚;莫家庆;吕小毅【作者单位】新疆大学信息科学与工程学院,新疆乌鲁木齐 830046;特变电工股份有限公司新疆变压器厂,新疆昌吉 831100;乌鲁木齐高新区(新市区)经济和发展改革委员会,新疆乌鲁木齐 830011;新疆大学信息科学与工程学院,新疆乌鲁木齐830046;西安交通大学电子与信息工程学院,陕西西安 710049;新疆大学信息科学与工程学院,新疆乌鲁木齐 830046【正文语种】中文【中图分类】TN99-34;TP183【相关文献】1.基于鲁棒能量模型LS-TSVM和DGA的变压器故障诊断 [J], 陈欢;彭辉;舒乃秋;李自品;龙嘉文2.基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用 [J], 贾嵘;张云;洪刚3.基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型[J], 张镱议; 彭鸿博; 李昕; 赵刘亮; 郑含博; 刘捷丰4.基于SVM算法的变压器DGA和故障诊断 [J], 陆敏安;任堂正;肖远兵;陈敬德;崔明飞5.改进PSO-SVM算法的变压器分接开关故障诊断 [J], 王福忠;石秀立因版权原因，仅展示原文概要，查看原文内容请购买。

基于PSO和SVM的牵引变压器绝缘故障诊断

基于PSO和SVM的牵引变压器绝缘故障诊断
方科;苏雁军;黄友文
【期刊名称】《计算机辅助工程》
【年(卷),期】2010(19)3
【摘要】为提高牵引变压器绝缘故障诊断的正确性,在分析其负荷特征和特征气体产生机理的基础上,针对其故障特点提出基于粒子群优化(Particle Swarm Optimization, PSO)算法和支持向量机(Support Vector Machine,SVM)的牵引变压器绝缘故障诊断方法. 根据罗杰斯比值法将变压器状态分为12种故障模式;用PSO算法优化SVM参数,充分发挥SVM具有较高泛化能力的优势. 试验表明该方法能快速、准确地找到相应的优化参数,有效进行牵引变压器绝缘的故障诊断.【总页数】4页(P83-86)
【作者】方科;苏雁军;黄友文
【作者单位】暨南大学,珠海学院,电气自动化研究所,广东,珠海,519070;暨南大学,珠海学院,电气自动化研究所,广东,珠海,519070;暨南大学,珠海学院,电气自动化研究所,广东,珠海,519070
【正文语种】中文
【中图分类】TM855
【相关文献】
1.基于PSO-SVM的变压器故障诊断研究 [J], 赵德鑫
2.基于自适应PSO算法的LS-SVM牵引变压器绝缘故障诊断模型 [J], 方科;黄元
亮;刘新东
3.基于改进PSO的LSSVM参数优化在变压器故障诊断中的应用 [J], 贾嵘;张云;洪刚
4.用于变压器DGA故障诊断的改进PSO优化SVM算法研究 [J], 闵亚琪;马鑫;翟振刚;莫家庆;吕小毅
5.基于转辙机牵引力和PSO-SVM的道岔故障诊断研究 [J], 杨小锐;王安;安邦军因版权原因，仅展示原文概要，查看原文内容请购买。