為了彌補(bǔ)量子粒子群算法優(yōu)化支持向量機(jī)（QPSO-SVM）在變壓器故障診斷中"早熟"收斂的不足,該文提出一種基于改進(jìn)量子粒子群優(yōu)化支持向量機(jī)算法。通過(guò)計(jì)算每一代粒子的平均適應(yīng)值偏離度Δ并引入自擾動(dòng)算子使"早熟"粒子主動(dòng)跳出當(dāng)前局部最優(yōu)區(qū)域,增強(qiáng)算法的全局搜索能力。此外,建立基于所提算法的故障分類(lèi)模型,對(duì)變壓器故障樣本進(jìn)行診斷。實(shí)例結(jié)果表明:相較傳統(tǒng)QPSO-SVM算法,改進(jìn)QPSO-SVM算法可以使粒子主動(dòng)跳出最優(yōu)局部范圍,且對(duì)變壓器故障的診斷準(zhǔn)確率更高,驗(yàn)證了該文方法在變壓器故障診斷方面的有效性與準(zhǔn)確性。 

【文章來(lái)源】：電力科學(xué)與技術(shù)學(xué)報(bào). 2019,34(03)北大核心

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖１故障診斷流程Ｆｉｇｕｒｅ１Ｆａｕｌｔｄｉａｇｎｏｓｉｓｆｌｏｗｃｈａｒｔ實(shí)例分析

出的最優(yōu)參數(shù)組合Ｂｅｓｔｇ和Ｂｅｓｔｃ分別為７７．０９９７和７２．７８２３，訓(xùn)練數(shù)據(jù)集的準(zhǔn)確率為（６０－９）／６０＝８５％，測(cè)試樣本的準(zhǔn)確率為（４０－７）／４０＝８２．５％。３種診斷模型的診斷結(jié)果對(duì)比如表２所示，在測(cè)試樣本中，該文方法的準(zhǔn)確率＞ＱＰＳＯ－ＳＶＭ診斷模型＞ＰＳＯ－ＳＶＭ診斷模型。驗(yàn)證了該文提出的“早熟”自檢機(jī)制、自適應(yīng)擾動(dòng)操作對(duì)算法尋優(yōu)能力的加強(qiáng)，以及該文方法用于變壓器故障診斷模型的準(zhǔn)確性。圖３ＰＳＯ－ＳＶＭ的診斷結(jié)果Ｆｉｇｕｒｅ３ＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ圖４ＱＰＳＯ－ＳＶＭ的診斷結(jié)果Ｆｉｇｕｒｅ４ＱＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ圖５該文方法的診斷結(jié)果Ｆｉｇｕｒｅ５Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｉｓｐａｐｅｒ表２３種方法診斷準(zhǔn)確率對(duì)比Ｔａｂｌｅ２Ｃｏｍｐａｒｉｓｏｎｏｆｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙｏｆｔｈｒｅｅｍｅｔｈｏｄｓ％方法診斷準(zhǔn)確率訓(xùn)練樣本（６０組）測(cè)試樣本（４０組）ＰＳＯ－ＳＶＭ７８．３６７．５ＱＰＳＯ－ＳＶＭ８１．７７０．０該文８５．０８２．５５結(jié)語(yǔ)該文主要圍繞粒子群算法在優(yōu)化ＳＶＭ參數(shù)中陷入“早熟”的缺陷，提出了改進(jìn)措施：通過(guò)建立算法的“早熟”自檢策略，并且當(dāng)檢測(cè)到算法中粒子的平均適應(yīng)值偏離度Δ小于閾值時(shí)，進(jìn)行自擾動(dòng)操作，使算法跳出當(dāng)前局部最優(yōu)區(qū)域，從而增強(qiáng)算法的全局優(yōu)化能力。實(shí)例分析中，將該文方法與ＱＰＳＯ－ＳＶＭ和ＰＳＯ－ＳＶＭ診斷模

練數(shù)據(jù)集的準(zhǔn)確率為（６０－９）／６０＝８５％，測(cè)試樣本的準(zhǔn)確率為（４０－７）／４０＝８２．５％。３種診斷模型的診斷結(jié)果對(duì)比如表２所示，在測(cè)試樣本中，該文方法的準(zhǔn)確率＞ＱＰＳＯ－ＳＶＭ診斷模型＞ＰＳＯ－ＳＶＭ診斷模型。驗(yàn)證了該文提出的“早熟”自檢機(jī)制、自適應(yīng)擾動(dòng)操作對(duì)算法尋優(yōu)能力的加強(qiáng)，以及該文方法用于變壓器故障診斷模型的準(zhǔn)確性。圖３ＰＳＯ－ＳＶＭ的診斷結(jié)果Ｆｉｇｕｒｅ３ＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ圖４ＱＰＳＯ－ＳＶＭ的診斷結(jié)果Ｆｉｇｕｒｅ４ＱＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ圖５該文方法的診斷結(jié)果Ｆｉｇｕｒｅ５Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｉｓｐａｐｅｒ表２３種方法診斷準(zhǔn)確率對(duì)比Ｔａｂｌｅ２Ｃｏｍｐａｒｉｓｏｎｏｆｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙｏｆｔｈｒｅｅｍｅｔｈｏｄｓ％方法診斷準(zhǔn)確率訓(xùn)練樣本（６０組）測(cè)試樣本（４０組）ＰＳＯ－ＳＶＭ７８．３６７．５ＱＰＳＯ－ＳＶＭ８１．７７０．０該文８５．０８２．５５結(jié)語(yǔ)該文主要圍繞粒子群算法在優(yōu)化ＳＶＭ參數(shù)中陷入“早熟”的缺陷，提出了改進(jìn)措施：通過(guò)建立算法的“早熟”自檢策略，并且當(dāng)檢測(cè)到算法中粒子的平均適應(yīng)值偏離度Δ小于閾值時(shí)，進(jìn)行自擾動(dòng)操作，使算法跳出當(dāng)前局部最優(yōu)區(qū)域，從而增強(qiáng)算法的全局優(yōu)化能力。實(shí)例分析中，將該文方法與ＱＰＳＯ－ＳＶＭ和ＰＳＯ－ＳＶＭ診斷模型進(jìn)行了準(zhǔn)確率的對(duì)２１１

【參考文獻(xiàn)】：
期刊論文
[1]面向智能電網(wǎng)應(yīng)用的電力大數(shù)據(jù)關(guān)鍵技術(shù)[J]. 彭小圣,鄧迪元,程時(shí)杰,文勁宇,李朝暉,牛林.  中國(guó)電機(jī)工程學(xué)報(bào). 2015(03)
[2]智能電網(wǎng)大數(shù)據(jù)技術(shù)發(fā)展研究[J]. 張東霞,苗新,劉麗平,張焰,劉科研.  中國(guó)電機(jī)工程學(xué)報(bào). 2015(01)
[3]基于多分類(lèi)最小二乘支持向量機(jī)和改進(jìn)粒子群優(yōu)化算法的電力變壓器故障診斷方法[J]. 鄭含博,王偉,李曉綱,王立楠,李予全,韓金華.  高電壓技術(shù). 2014(11)
[4]基于自適應(yīng)擾動(dòng)量子粒子群算法參數(shù)優(yōu)化的支持向量回歸機(jī)短期風(fēng)電功率預(yù)測(cè)[J]. 陳道君,龔慶武,金朝意,張靜,王定美.  電網(wǎng)技術(shù). 2013(04)
[5]基于改進(jìn)PSO-BP混合算法的電力變壓器故障診斷[J]. 楊道武,李海如,向衛(wèi)東,任卓,李哲文.  電力科學(xué)與技術(shù)學(xué)報(bào). 2011(01)
[6]基于DGA的變壓器故障可視化診斷[J]. 周媛媛,劉功能,周力行,曾玉清.  電力科學(xué)與技術(shù)學(xué)報(bào). 2010(03)



本文編號(hào)：3575631