基于粒子群优化支持向量机的变压器故障诊断和预测.pdf

《基于粒子群优化支持向量机的变压器故障诊断和预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、TransformerFaultDiagnosisandPredictionBasedonParticleSwarmOptimizeSupportVectorMachineTheFormatCriterionofMasterDegreeThesisofXIHUACandidate：YanZhangMajor：ElectricPowerSystemandAutomationSupervisor：BideZhangXihuaUniversityChengdu，Sichuan，P．R．ChinaApril，2011I．．．．

2、．．．————————————一华大学学位论文独创性声明!lll1]lrllIIIlitIIIlrllII飞Y1884700作者郑重声明：所呈交的学位论文，是本人在导师的指导下进行研究工作所取得的成果。尽我所知，除文中已经注明引用内容和致谢的地方外，本论文不包含其他个人或集体己经发表的研究成果，也不包含其他已申请学位或其他用途使用过的成果。与我一同工作的同志对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。若有不实之处，本人愿意承担相关法律责任。学位论文作者签名：孤艳指导教师签名：渺日期：o口i／·多·7口日期

3、纱f／。多，／0西华大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，在校攻读学位期间论文工作的知识产权属于西华大学，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅，西华大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。(保密的论文在解密后遵守此规定)学位论文作者鲐狄狍指导教师鲐撇日期：川-乡·，V日期沙Ⅲ．／痧-_-_．_-．_-．一～位论文变压器的故障诊断和预测技术是保证电力变压器安全运行

4、的重要技术手段之一，在本文中，利用支持向量机在小样本下仍能解决非线性、高维数、局部极小点等问题的优点，提出了基于支持向量机的变压器故障诊断模型和故障预测模型，由于支持向量机的参数选择对故障诊断结果影响很大，因此，本文还提出用粒子群算法来优化支持向量机的参数。通过仿真实验表明，基于粒子群优化支持向量机的变压器故障诊断和预测方法提高了变压器的故障诊断率和预测率，本文的主要创新点如下：(1)在变压器故障诊断模型中，引入径向基核函数解决了支持向量机算法的高维问题，并用实例仿真分析三种核函数：径向基核函数、多项式核函数和两层神经

5、网络核函数的优劣性。(2)在变压器故障诊断模型中，利用粒子群算法优化支持向量机的惩罚因子C和核函数参数仃，为了提高粒子群算法的优化能力，对粒子群算法进行三方面的改进，即对惯性权重09的调整、引入收敛因子和对v。。。的动态调整，并对标准粒子群优化算法、基本粒子群优化算法进行收敛性分析。(3)在变压器故障诊断模型中，建立了基于二叉树的支持向量机多级分类模型，采用带惯性权重CO的粒子群算法优化支持向量机的参数，并通过实例仿真，比较了支持向量机的两种分类算法C—SVC和V—SVC的仿真结果，并将这两种基于粒子群算法优化支持向量

6、机的变压器故障诊断模型与国际的IEC三比值法和神经网络算法相比较。(4)在变压器故障预测模型中，建立了基于支持向量机回归算法和时间序列算法的变压器故障预测模型，依据MSE全局最小值为准则来确定模型参数的选择，采用带收敛因子的粒子群算法来优化支持向量机的惩罚因子C，核函数参数仃和不敏感损失函数的参数s，并用平均绝对值相对误差(MAPE)来评价变压器预测模型的预测精度，最后将基于粒子群优化支持向量机的变压器故障预测模型与灰色预测模型相比较。关键词：粒子群算法；支持向量机；核函数；故障诊断；故障预测广————————————

7、—————————————————————————————————————————————————————————基于粒子群优化支持向量机的变压器故障诊断和预测AbstractTransformerfaultdiagnosisandpredictiontechnologyisoneoftheimportanttechnicalmeanstoguaranteesafeoperationofpowertransformer,inthispaper,thefaultdiagnosismodelandfaultforecast

8、ingmodelareproposedbytheadvantageofsupportvectormachine，whichissupportvectormachinecallstillsolvenonlinear，hi曲dimension，thelocalminimumpointsproblemsinthesmallsamples