基于svm和kriging模型的变压器故障诊断方法

《基于svm和kriging模型的变压器故障诊断方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第54卷第12期：0274-0280Vol.54，No.12：0274-02802018年12月16日HighVoltageApparatusDec.16，2018DOI:10.13296/j.1001-1609.hva.2018.12.042基于SVM和Kriging模型的变压器故障诊断方法柳强，丁宇（辽宁石油化工大学信息与控制工程学院，辽宁抚顺113001）摘要：为了保证变压器供电的可靠性，结合油中溶解气体分析法（DGA），提出了基于支持向量机（SVM）和Kriging模型的双级分类算法，实现变压器的潜伏性故障的预测。首先，以SVM作为初级分类器，将待测DGA数据分类

2、为正常、放电故障或过热故障三种状态；其次，以Kriging模型作为次级分类器，对待测数据进行二次分类，完成精确诊断。为提高算法精度，应用改进的粒子群优化算法分别对SVM的核函数参数、惩罚系数以及Kriging模型的相关参数进行优化。所提方法集成了粒子群优化算法的快速寻优能力，SVM的分类能力与Kriging模型高精度拟合等优点，因此有效地提高了诊断精度。最后通过变压器故障诊断实例验证了文中方法的有效性。关键词：故障诊断；Kriging模型；SVM；变压器FaultDiagnosisMethodofPowerTransformersBasedonSupportVectorM

3、achineandKrigingModelLIUQiang，DINGYu（SchoolofInformationandControlEngineering，LiaoningShihuaUniversity，LiaoningFushun113001，China）Abstract:Inordertoensurethereliabilityoftransformerpowersupply，afaultdiagnosismodelingmethodbasedonKrigingmodelandsupportvectormachine（SVM）isproposed，whichisap

4、pliedtothetransformerfaultdiagnosiswithanalysisofdissolvedgasesinoil.Firstly，SVMasthefirstclassifiertodiagnosistheDGAdatatobemeasuredasnormal，dischargefaultoroverheatingfaultthreestates.Subsequently，Krigingmodelasthesecondclassifiertodi⁃agnosethemeasureddataagain.Toimproveaccuracyofthepro

5、posedmethod，themodifiedparticleswarmoptimiza⁃tionalgorithmisusedtooptimizethekernelfunctionparametersandthepenaltycoefficientofSVMandtherelatedparametersoftheKrigingmodel.Theproposedmethodwhichintegratesthefastoptimizationabilityofparticleswarmoptimizationalgorithmisbasedontheclassificati

6、onabilityofSVMandthehighprecisionfittingofKrigingmodel.Therefore，themodelingaccuracyisimprovedeffectively.Finally，thevalidityofthismethodisverifiedbyseveralexamplesoftransformerfaultdiagnosis.Keywords:faultdiagnosis；Krigingmodel；supportvectormachine（SVM）；transformer溶解气体分析法(dissolvedgasesa

7、nalysis，DGA)成为0引言[2]了研究变压器故障诊断的重要技术之一。早期提[3]出的三比值法应用的较为广泛，但是在实践过程电力变压器是电力系统的重要设备，研究其故障诊断方法对电力系统运行的稳定性与可靠性具中逐渐显露出了编码不全、气体浓度比值过于绝对有重要意义[1]。由于变压器油中溶解气体浓度与变等缺点，影响了诊断的精度。随着人工智能和计算压器故障类型之间存在着复杂映射关系，因此油中机技术的发展，基于智能方法的故障诊断技术成为______________________________收稿日期：2018⁃05⁃12；修回