發(fā)布時間：2020-05-31 10:28

【摘要】：針對傳統(tǒng)蝙蝠算法收斂速度慢,求解精度低,易陷入局部最優(yōu)等缺點,提出一種在速度公式中加入自學習因子并在位置公式中加入比例權重系數(shù)的改進方法。利用改進的蝙蝠算法對影響支持向量機分類精度的兩個主要參數(shù)C和g進行尋優(yōu),獲得最佳的參數(shù)組合并建立故障診斷模型,再結合溶解氣體分析(DGA)數(shù)據獲得故障診斷結果。實驗表明,改進后的蝙蝠算法可以加快算法的收斂速度并提高求解精度。通過與傳統(tǒng)的蝙蝠算法、粒子群算法、遺傳算法尋優(yōu)SVM獲得故障診斷結果相比較,所提改進蝙蝠算法具有更高的故障正判率。
【圖文】：

”等，其中“一對一”和“一對多”的應用比較廣泛。由于變壓器故障診斷需要很好的泛化能力和精度，，因此本文選擇“二叉樹”方法構建變壓器故障診斷模型。1．3改進型蝙蝠算法優(yōu)化SVM參數(shù)模型SVM的分類精度σ主要是受兩個參數(shù)C、g的影響(C是懲罰因子，表示對超出誤差樣本的懲罰程度、g表示徑向基函數(shù)的寬度)。由于通過傳統(tǒng)方法獲得核函數(shù)的分類效果不佳，因此，本文采用改進蝙蝠算法尋求最優(yōu)的SVM參數(shù)�；诟倪M型蝙蝠算法的SVM參數(shù)優(yōu)化流程圖如圖1所示，完整步驟如下:1)設置蝙蝠種群。蝙蝠種群的大小為sol、維數(shù)為D、脈沖速率為Ｒ、脈沖頻率為F、最大迭代數(shù)為Ngen。2)蝙蝠個體初始化。利用Xmin+rand(1，D)×(Xmax－Xmin)產生蝙蝠個體，構成初始蝙蝠種群。3)計算每個蝙蝠的適應度值并確定最優(yōu)蝙蝠的位置。將所有蝙蝠個體作為SVM的參數(shù)在訓練集上進行訓練，并在測試集上進行測試。得到的數(shù)值作為對應蝙蝠的適應度值并且輸出，根據返回的適應度值的大小，找到最優(yōu)的蝙蝠個體Xbest。4)生成新蝙蝠個體。根據傳統(tǒng)蝙蝠算法基本公式分別更新脈沖頻率Fi與飛行速度Vi，生成新的蝙蝠個體Xnew。5)更新蝙蝠個體。①產生一個隨機數(shù)rand1，如果rand1＞Ｒi，則對當前群體中最優(yōu)蝙蝠個體Xbest的鄰域進行隨機擾動，獲得一個新的蝙蝠個體，而后用新蝙蝠個體替換圖1改進蝙蝠算法優(yōu)化SVM流程圖Fig．1FlowchartofimprovedbatalgorithmtooptimizeSVM·21·黑龍江電力第41卷

?。變壓器故障特征將變壓器運行狀態(tài)分為6類，即高能放電、低能放電、高溫過熱、中低溫過熱、局部放電、正常狀態(tài)，分別用標簽1～6代表上述變壓器狀態(tài)。由于不同變壓器內氣體含量不同，將收集到DGA中的各項氣體相對含量作為支持向量機模型的輸入，利用典型故障氣體的相對含量在高維空間的分布特性進行變壓器故障類型判斷。2．2變壓器故障診斷的實現(xiàn)過程利用改進型蝙蝠算法優(yōu)化SVM參數(shù)從而獲得最佳分類器，并利用獲得的最佳分類器構建變壓器故障診斷模型，具體實現(xiàn)流程圖如圖2所示。3實例分析收集了260組DGA數(shù)據且每組數(shù)據都有明確的故障結論。將樣本集分為兩組:訓練集和測試集，訓練集有170個樣本，測試集有90個樣本，具體的樣本分類如表1所示。對于n個故障類型，采用“二叉樹”的分類方法需要n－1個SVM，所以針對上述6種變壓器狀態(tài)需要5個SVM分類器。將編號為1～6的6種變壓器狀態(tài)作為輸入(SVM1)，若判斷為第1種變壓器狀態(tài)則輸出編號為1對應的狀態(tài)，否則輸出除編號為1的所有狀態(tài)。按照此方法依次類推直到將6種變壓器狀態(tài)完全分開，達到最終分類的目的。具體的診斷模型如圖3所示。圖2基于改進型蝙蝠算法優(yōu)化SVM的變壓器故障診斷實現(xiàn)過程流程圖Fig．2FlowchartoftransformerfaultdiagnosisprocessbasedonimprovedbatalgorithmtooptimizeSVM表1訓練集和測試集樣本分類Table1Sampleclassificationoftrainingsetsandtestsets樣本標簽123456訓練集303030303020測試集151515151515圖3分類診斷模型Fig．3Classificationdiagnosismodel第

【參考文獻】

相關期刊論文 前5條

1 陳媛媛;王志斌;王召巴;;基于改進蝙蝠算法的紅外光譜特征選擇[J];紅外與激光工程;2014年08期

2 韓世軍;朱菊;毛吉貴;詹汶燕;;基于粒子群優(yōu)化支持向量機的變壓器故障診斷[J];電測與儀表;2014年11期

3 鄭蕊蕊;趙繼印;趙婷婷;李敏;;基于遺傳支持向量機和灰色人工免疫算法的電力變壓器故障診斷[J];中國電機工程學報;2011年07期

4 黎成;;新型元啟發(fā)式蝙蝠算法[J];電腦知識與技術;2010年23期

5 費勝巍;苗玉彬;劉成良;張曉斌;;基于粒子群優(yōu)化支持向量機的變壓器故障診斷[J];高電壓技術;2009年03期

【共引文獻】

相關期刊論文 前10條

1 任燕;;基于質心策略的蝙蝠算法研究[J];科技資訊;2015年35期

2 周nv;王時征;廖瑞金;孫超;解慧力;饒俊星;;基于AdaBoost優(yōu)化云理論的變壓器故障診斷方法[J];高電壓技術;2015年11期

3 鄧祥力;謝海遠;熊小伏;高亮;;基于支持向量機和有限元分析的變壓器繞組變形分類方法[J];中國電機工程學報;2015年22期

4 沈淵彬;劉慶珍;李友軍;蘇申;;基于模糊組合權重的BA-SVM短期負荷預測[J];南昌大學學報(工科版);2015年03期

5 陳鵬;;結合KPCA的陰性選擇變壓器故障診斷[J];高壓電器;2015年09期

6 張登峰;張志飛;章兢;;基于非線性映射的分類器及其在變壓器故障診斷中的應用研究[J];湘潭大學自然科學學報;2015年03期

7 張桔;;電力變壓器故障診斷方法研究[J];機電信息;2015年24期

8 張彬;徐建源;陳江波;李輝;林莘;臧狀;;基于電力變壓器振動信息的繞組形變診斷方法[J];高電壓技術;2015年07期

9 張炎亮;劉陽;王金鳳;;基于改進SVM的煤礦水災害救援組織系統(tǒng)可靠性預測[J];鄭州大學學報(工學版);2015年03期

10 胥威汀;戴松靈;張全明;杜新偉;任志超;;區(qū)域互聯(lián)電網故障解列方法綜述[J];中國電機工程學報;2015年11期

【二級參考文獻】

相關期刊論文 前10條

1 郭騰霄;丁學全;董曉強;穆寧;黃啟斌;李翠萍;溫紅宇;;基于EMD的紅外遙測光譜信號預處理新方法[J];紅外與激光工程;2013年12期

2 周鑫;楊國華;朱向芬;陳琳;丁曉花;周世文;肖龍;;歐氏距離二叉樹向量機的變壓器故障診斷研究[J];電測與儀表;2013年06期

3 秦玉華;丁香乾;宮會麗;;高維特征選擇方法在近紅外光譜分類中的應用[J];紅外與激光工程;2013年05期

4 周天沛;孫偉;;基于改進粒子群優(yōu)化算法的最大風能跟蹤方法[J];電測與儀表;2013年02期

5 劉長平;葉春明;;具有Lévy飛行特征的蝙蝠算法[J];智能系統(tǒng)學報;2013年03期

6 劉耀年;尹洪全;張偉;李振清;沈量;;基于改進粒子群算法的配電網狀態(tài)估計[J];電測與儀表;2012年09期

7 洪明堅;溫泉;溫志渝;;一種基于蒙特卡羅方法的近紅外波長選擇算法[J];光學學報;2010年12期

8 薄玉玲;姜靜清;孫艷紅;;粒子群優(yōu)化算法研究進展[J];內蒙古民族大學學報(自然科學版);2010年06期

9 張長勝;孫吉貴;歐陽丹彤;;一種自適應離散粒子群算法及其應用研究[J];電子學報;2009年02期

10 李紅芳;張清華;謝克明;;一種新型免疫網絡學習算法在故障診斷中的應用[J];智能系統(tǒng)學報;2008年05期

【相似文獻】

相關期刊論文 前10條

1 田曉飛;;基于改進蝙蝠算法優(yōu)化支持向量機的變壓器故障診斷研究[J];黑龍江電力;2019年01期

2 喬維德;;基于模擬退火改進粒子群混合算法的變壓器故障診斷[J];高壓電器;2008年03期

3 王少芳,蔡金錠,劉慶珍;基于改進GA-BP混合算法的電力變壓器故障診斷[J];電網技術;2004年04期

4 傅軍棟;陳俐;康水華;馮奕軒;;基于蜻蜓算法和支持向量機的變壓器故障診斷[J];華東交通大學學報;2016年04期

5 李秀廣;韓富春;;一種基于思維進化算法的變壓器故障診斷方法[J];電氣技術;2009年03期

6 賈立敬;;基于混合算法與支持向量機的電力變壓器故障診斷[J];電氣開關;2017年03期

7 趙鋒;;基于支持向量機的變壓器故障診斷[J];中國電業(yè)(技術版);2011年11期

8 孟宏鵬;徐海燕;宋遐淦;;基于粗糙集屬性約簡和支持向量機的變壓器故障診斷[J];南京航空航天大學學報;2017年04期

9 臧宏志,徐建政,俞曉冬;結合進化算法的人工神經網絡在變壓器故障診斷中的應用[J];高壓電器;2002年04期

10 黃明明;施建強;顧捷;;基于改進支持向量機的變壓器故障診斷[J];南京工程學院學報(自然科學版);2018年02期

相關會議論文 前10條

1 周倩;翟永杰;韓璞;;序列最小優(yōu)化算法在電力系統(tǒng)短期負荷預測中的應用[A];第二十六屆中國控制會議論文集[C];2007年

2 卞建鵬;廖瑞金;楊麗君;鄭含博;;基于均值核聚類與二叉樹支持向量機的變壓器故障診斷新技術的研究[A];重慶市電機工程學會2010年學術會議論文集[C];2010年

3 于虹;張永剛;;基于模擬退火和支持向量機理論的變壓器故障診斷方法[A];2011年云南電力技術論壇論文集（優(yōu)秀論文部分）[C];2011年

4 于虹;張永剛;;基于模擬退火和支持向量機理論的變壓器故障診斷方法[A];2011年云南電力技術論壇論文集（入選部分）[C];2011年

5 于虹;孫鵬;;基于粗糙集和支持向量機理論的變壓器故障診斷方法[A];2010年云南電力技術論壇論文集（優(yōu)秀論文部分）[C];2010年

6 王邦林;段一雄;;基于C語言變壓器故障診斷灰關聯(lián)度計算研究[A];2009年云南電力技術論壇論文集（文摘部分）[C];2009年

7 周柯;羅安;;信息融合技術在變壓器故障診斷中的應用[A];2009年全國輸變電設備狀態(tài)檢修技術交流研討會論文集[C];2009年

8 禹建麗;周瑞芳;;一種基于神經網絡和模糊理論的變壓器故障診斷[A];2013年中國智能自動化學術會議論文集（第四分冊）[C];2013年

9 李銳;;化學技術監(jiān)督在變壓器故障診斷中的應用[A];2009年云南電力技術論壇論文集（文摘部分）[C];2009年

10 李銳;;化學技術監(jiān)督在變壓器故障診斷中的應用[A];2009年云南電力技術論壇論文集（優(yōu)秀論文部分）[C];2009年

相關重要報紙文章 前2條

1 廣西龍州縣鴨水電廠 王f ;變壓器故障診斷方法的探討[N];中華合作時報;2004年

2 本報記者 宋曉華;“他們掌握的還是我們十年前的算法”[N];新華日報;2009年

相關博士學位論文 前10條

1 趙文清;基于數(shù)據挖掘的變壓器故障診斷和預測研究[D];華北電力大學（河北）;2009年

2 鄧宏貴;可拓理論與關聯(lián)分析及其在變壓器故障診斷中的應用[D];中南大學;2005年

3 蘇宏升;軟計算方法及其在電力系統(tǒng)故障診斷中的若干應用研究[D];西南交通大學;2007年

4 司馬莉萍;基于改進支持向量機的電力變壓器故障診斷與預測方法的研究[D];武漢大學;2012年

5 鄭元兵;變壓器故障診斷與預測集成學習方法及維修決策模型研究[D];重慶大學;2011年

6 陳舵;模糊聚類分析及其在電力變壓器故障診斷中的應用研究[D];西安理工大學;2008年

7 鄭蕊蕊;智能信息處理理論的電力變壓器故障診斷方法[D];吉林大學;2010年

8 尹金良;基于相關向量機的油浸式電力變壓器故障診斷方法研究[D];華北電力大學;2013年

9 張利偉;油浸式電力變壓器故障診斷方法研究[D];華北電力大學;2014年

10 武中利;電力變壓器故障診斷方法研究[D];華北電力大學;2013年

相關碩士學位論文 前10條

1 陸靜;蟻群算法在變壓器故障診斷中的應用研究[D];南京航空航天大學;2008年

2 趙永雷;基于模糊聚類新算法的變壓器故障診斷研究[D];華北電力大學;2012年

3 李秀廣;基于思維進化算法優(yōu)化神經網絡的變壓器故障診斷[D];太原理工大學;2010年

4 孫中偉;改進支持向量機在油浸變壓器故障診斷與預測中的應用[D];華北電力大學（河北）;2010年

5 張?zhí)?基于人工免疫思維進化算法的變壓器故障診斷[D];湘潭大學;2011年

6 李本鋅;智能算法在油浸式變壓器故障診斷中的應用研究[D];華東交通大學;2015年

7 鄧浩;基于膜計算的變壓器故障診斷研究[D];西華大學;2012年

8 施竹君;變壓器故障診斷與定位研究[D];南京理工大學;2017年

9 祖文超;基于油中溶解氣體的支持向量機變壓器故障診斷[D];華北電力大學;2013年

10 鄭建柏;支持向量機的變壓器故障診斷應用研究[D];華北電力大學（河北）;2008年

本文編號：2689712