基于粒子群優(yōu)化支持向量機的變壓器故障診斷和預(yù)測.pdf

1、變壓器的故障診斷和預(yù)測技術(shù)是保證電力變壓器安全運行的重要技術(shù)手段之一，在本文中，利用支持向量機在小樣本下仍能解決非線性、高維數(shù)、局部極小點等問題的優(yōu)點，提出了基于支持向量機的變壓器故障診斷模型和故障預(yù)測模型，由于支持向量機的參數(shù)選擇對故障診斷結(jié)果影響很大，因此，本文還提出用粒子群算法來優(yōu)化支持向量機的參數(shù)。通過仿真實驗表明，基于粒子群優(yōu)化支持向量機的變壓器故障診斷和預(yù)測方法提高了變壓器的故障診斷率和預(yù)測率，本文的主要創(chuàng)新點如下：

2、　　 (1)在變壓器故障診斷模型中，引入徑向基核函數(shù)解決了支持向量機算法的高維問題，并用實例仿真分析三種核函數(shù)：徑向基核函數(shù)、多項式核函數(shù)和兩層神經(jīng)網(wǎng)絡(luò)核函數(shù)的優(yōu)劣性。
　　 (2)在變壓器故障診斷模型中，利用粒子群算法優(yōu)化支持向量機的懲罰因子C和核函數(shù)參數(shù)σ，為了提高粒子群算法的優(yōu)化能力，對粒子群算法進行三方面的改進，即對慣性權(quán)重ω的調(diào)整、引入收斂因子和對vmax的動態(tài)調(diào)整，并對標準粒子群優(yōu)化算法、基本粒子群優(yōu)化算法進行收斂

3、性分析。
　　 (3)在變壓器故障診斷模型中，建立了基于二叉樹的支持向量機多級分類模型，采用帶慣性權(quán)重ω的粒子群算法優(yōu)化支持向量機的參數(shù)，并通過實例仿真，比較了支持向量機的兩種分類算法C-SVC和v-SVC的仿真結(jié)果，并將這兩種基于粒子群算法優(yōu)化支持向量機的變壓器故障診斷模型與國際的IEC三比值法和神經(jīng)網(wǎng)絡(luò)算法相比較。
　　 (4)在變壓器故障預(yù)測模型中，建立了基于支持向量機回歸算法和時間序列算法的變壓器故障預(yù)測模型，依