变压器故障识别的基础混合支撑的溶解气体分析向量机器改进的进化粒子群优化外文翻译资料

英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料

变压器故障识别的基础混合支撑的溶解气体分析向量机器改进的进化粒子群优化

摘要：电力变压器故障的早期检测具有重要的意义，它可以降低变压器的维护成本，保证电力系统的持续供电。溶解气分析(DGA)技术是识别充油动力的常用方法，但利用人工智能方法与优化方法ods显示了令人信服的结果。在这项工作中，混合支持向量机(SVM)与提出了一种改进的进化粒子群优化算法(EPSO)，用于预测变压器的故障类型。基于支持向量机的改进粒子群算法的优越性通过与实际故障诊断结果的比较进行评价，未优化的支持向量机和之前报告的工作。数据归约也应用逐步回归，在SVM的训练过程之前，减少训练时间。结果表明，混合svm改进的EPSO (MEPSO)时变加速度系数(TVAC)技术可实现最高的故障正确识别率变压器与其他PSO算法的比较。因此，建议的技术可以是一个根据现场DGA数据识别变压器故障类型的可能解决方案。

介绍：电力变压器是电力系统网络中的重要组成部分。变压器故障会导致电力系统网络运行中断。因此，变压器的任何故障应及早发现。变压器的电气故障是在高压下发生的，甚至会对变压器的导体和绝缘体造成物理损伤，从而导致变压器的故障电力质量下降，停电和火灾，造成大量损失。变压器是很难修理的，变压器的更换是非常昂贵和需要大量的资源。因此，变压器故障的早期检测势在必行，电力系统网络的运行和维护过程。这是为了保证正确变压器油保养，降低成本，供电质量好系统。暴露在电和热应力下会引起矿物的碳氢化合物分子油分解形成氢和碳。在高电压下，这些气体可以相互反应生成各种气体，如乙烯(C2H4)、甲烷(CH4)、乙炔(C2H2)，氢(H2)和乙烷(C2H6)。以前的研究已经揭示了温度气体的生成顺序依次为H2、CH4、C2H6、C2H4和C2H2。

过热和电晕通常会导致绝缘材料分解。用该方法可以分析变压器中纸张、纤维素等绝缘材料的分解变压器油中二氧化碳(CO2)和一氧化碳(CO)含量。这是由于解聚作用导致论文中葡萄糖环链断裂。二氧化碳,水是由于纤维素材料中氧原子的存在而释放出来的。

现有的变压器油早期故障检测方法有IEC比值法、罗杰斯比法、关键气体法、多嫩堡比法。然而,天然气比例使用是根据经验，通过相关的气体浓度和类型的分析，每种方法都有缺点。例如，关键气体法要求石油中存在大量的气体，在某些情况下无法给出结论。从而提高了精度，对现有的变压器油故障类型识别方法具有重要意义。利用人工智能和优化方法显示了令人信服的结果，在电力变压器前建模。人工智能在变压器中也得到了广泛的应用，电力系统故障诊断与应用。

在赵安新的作品中，四种可燃气体和六种气体组合比，它们与六种故障类型相关。计算正确率为117，用不同的方法解决问题。从这方面入手，提出了解决热工和电气故障的最佳方法。诊断为Duval三角和KimSW方法。每个方法实现准确率高于55%。但是，其准确性是根据总病例数来确定的显示不同的结果。由于很多情况下无法区分，准确率降低较少Roger和Doernenburg比值法的比例小于55%。

在工作的基础上，对IEC规则和罗杰比进行了改进当前版本的准确性基于320个样本与其实际故障类型。样品分为高热断层(Tl)、低热断层(Tl)、中热故障(T2)、低能放电(Dl)、高能放电(D2)及局部故障放电(PD)。改进后的罗杰四比的总体精度从45.62%到75.62%之间。对于IEC规范方法的修改，观察到显著的变化修改后的所有变压器故障类型，其整体精度从何处提高62.81%到79.38%之间。因此，新版本的罗杰四比和IEC标准代码冰毒ods比未经修改的变压器具有更高的识别变压器故障的能力的版本。

在算法中，采用了遗传算法和支持向量机算法在电力变压器故障识别中，应用遗传算法优化支持向量机参数。采用SVM分类器对无故障状态、高能放电、低能量放电、高温过热、中低温度过热进行识别。从得到的结果可以看出，SVMG的诊断效果比较好对于IEC方法，仅采用了反向传播神经网络和支持向量机。其他作品也有表明优化方法可以显著提高系统的性能。

采用粒子群算法和支持向量机算法对电力变压器[16]中的溶解气体含量进行预测。采用粒子群算法对支持向量机参数进行优化，避免了支持向量机的过拟合或欠拟合模型。结果表明，该方法具有较好的预测精度小样本下的模型与人工神经网络。在中，SVM为应用DGA数据进行变压器故障诊断。One-against-all one-against-one和应用二叉决策树。

从结果来看，支持向量机获得了最高的精度一对一的方法，92%提出了利用不同的粒子群算法和神经网络技术对变压器故障进行识别。采用的粒子群优化方法有传统的粒子群优化方法和进化的粒子群优化方法PSO和迭代PSO。在故障识别算法中，ANN-EPSO得到了变压器故障的正确识别率高于以前的报告工作和现有的DGA方法。基于3种可燃气体比，采用神经网络对变压器工况进行分类。可燃气体的三种比例被应用为输入。从这个方法，验证和测试集误差具有相同的特征和没有过度拟合。

支持向量机虽然在气体比分类中得到了广泛的应用，但其数量有，利用支持向量机与多种方法相结合的方法进行变压器故障识别已有研究优化技术。认为SVM的组合还有改进的空间

利用各种优化技术对电力变压器故障进行识别。因此,提出了一种混合支持向量机的粒子群优化算法确认变压器故障。采用逐步回归的方法进行特征选择之前用SVM对数据进行训练约简。这样做是为了只允许有意义的集合数据用于支持向量机的训练。

通过将结果与实际故障和现有方法、未优化的支持向量机和已有方法进行比较，评价了每种方法的有效性使用安全工作。提出的方法比先前报告的工作有更好的结果，将表明该方法可以作为变压器故障诊断的替代方案网站。

这项工作的组织如下。第一部分是本研究的介绍，包括对已发表的相关著作进行问题陈述和评审。第二节介绍了本工作中使用的支持向量机和特征选择方法。第3节解释了不同的类型粒子群优化(PSO)技术。在第4节中，所有的发现和分析是提出了。最后，第5部分是结论，这是对主要发现的总结。

智能分类器和特征选择

支持向量机

支持向量机由Vapnik和Chervonenkis引入，它来源于统计学习理论。支持向量机在处理非线性可分离情况是有用的。支持向量机是一种强大的技术用于数据分类和数据预测。SVM的训练在分类向量维数对支持向量机没有明显影响的情况下进行的性能。因此，支持向量机具有处理非常大的特征空间的能力，给出了支持向量机与其他分类技术相比，效率更高，特别是在处理海量的分类数据。支持向量机历来被广泛应用于求解许多领域的实际问题。支持向量机的灵活性使其在变压器故障识别是由众多特征组成的故障诊断基础没有限制。

本文采用径向基函数(RBF)核。支持向量机的两个参数sigma;和c。sigma;是RBF核参数，而c表示错分类参数，并决定松弛变量的大小和裕度。一个大的c意味着对不可分离的罚款更高

点。一个小的c表示一个不适合的过程正在发生。c和sigma;都是重要的，因为这两个参数的组合将影响正确的错误的百分比支持向量机的识别。

逐步回归

特征选择是变压器训练和测试中重要数据的选择使用支持向量机的故障类型。这种技术避免了在数据集中使用大量冗余信息和无关紧要的特征，这往往会导致更大的复杂性和更长的时间，运行时和较低的精度。在本工作中，采用逐步回归技术简化支持向量机解释的模型，减少过拟合的机会，给出更短的运行时间，同时保持较高的正确故障识别百分比。

逐步回归是一种基于回归的算法，具有自动过滤特征。它是用来选择重要特征的训练和测试数据集。因此,该算法选择最显著的统计特征。逐步回归分析用偏f统计量表示模型的显著性。

使用户能够确定气体类型对故障类型识别的影响最大。

本文利用了逐步回归的正向选择特性。每一个的p值从输入特征向量中移除或添加团队退出或输入输入数据。零假设检验概率用带alpha;的p值表示耐受一个学期增加和beta;耐受一个学期移除。在这项工作中，每个输入数据表示从DGA获得的气体类型。根据p值选择输入数据是逐步回归的结果。

支持向量机分类器的输入输出数据

采用不同的粒子群算法对支持向量机进行优化，实现变压器故障识别使用从马来西亚电力公司获得的DGA数据进行分类。各参数该方法给出了最高的正确故障识别率和最短的输出以试验时间为优化目标。特征选择的训练和测试数据使用逐步回归进行，以减少运行时间，同时保持a正确的故障识别率高。

测试了运行次数以检查每种方法的性能。结果是将不同的粒子群算法与IEC 60599现有的DGA算法进行了比较方法。本工作使用了400份现场实际诊断数据。原始数据为类，分为低、高强度放电各64例，热断层72例，热断层200例情况下没有错。表1显示了所使用的输入(溶解气体)和输出数据(故障类型)支持向量机的训练和测试。70%的数据被用来训练支持向量机，而为了测试目的，使用了剩余的数据。

粒子群优化技术

传统的算法

粒子群算法是一种求解非线性优化问题的进化计算算法。粒子群算法的优点是可以根据经验调整粒子群算法的参数，使其性能达到最优。图1显示了优化支持向量机性能的PSO算法流程图。首先，用速度和初始值随机初始化蜂群每个粒子的位置。群是SVM参数，c和sigma;。

然后，适合通过初始位置和速度来计算每个粒子，即SVM的精度。然后，将各粒子的适应度与其最佳pbid进行比较k。当新适应度比pbid好时k，设为pbid。k和Xidk或粒子当前的位置。整体最佳健身被视为全球最佳gbdk。接下来，更新的位置和计算了各粒子的速度

在Xid，k 1是粒子i的新位置Xid。k是粒子i在第k个位置之前的位置迭代,请看k 1是新的粒子在d维的速度，Vid，k为质点i迭代时的速度k, r2和r1为0 ~ 1之间随机产生的数，c2和c1为加速度因子。在本研究中，Xi的域是两个支持向量机参数c和sigma;。其中kmax是最终迭代，wmin是最小权值，wmax是最大值重量。如果任何粒子移动出边界，其位置将被设置为上限或下限ary。当达到最后的迭代次数时，算法停止。

迭代粒子群优化算法

在现有的粒子群算法中，粒子群优化算法最好地结合了迭代、Ib。Ib为最优值，在一次迭代中，一个粒子的适应度函数。IPSO提高了解决方案的质量，现有PSO的效率。给出了新的粒子速度方程，其中Ibdk是任意粒子在第k次迭代时得到的最佳适应度，c3是随机的加速度重量吸引每个粒子到Ibdk。

进化粒子群优化算法

粒子群优化算法是将粒子群的概念与进化策略相结合的一种启发式算法(ES)。该算法由Miranda引入。EPSO引入了一个突变操作使每个粒子的重量发生突变。EPSO提供了一个程序参数中具有自适应属性的显式选择。这允许解决与优越的特性要一代一代传下去。因此，将修正后的速度方程修正

改进粒子群算法(MPSO)时变加速度系数(TVAC)

在MPSO-TVAC中，该技术的主要作用是避免搜索形式在之前的收敛，并在之后将收敛速度提高到最优全局解搜索阶段。在粒子群算法的速度方程中增加了一项rb，改进了粒子群算法的速度方程PSO的鲁棒性是通过为每个粒子提供额外的信息，rb是随机从其他粒子的pb中选择的。从而避免了过早的收敛，使文章的运动更加多样化。给出了MPSO-TVAC的新更新速度，c3为rbest的TVAC, c2f和c2i为社会系数的最终值和初始值，c2为社会系数，c1为认知系数。c1f和c1i是最终结果和初始认知系数值。修改EPSO -TVAC (MEPSO)通过引入时变加速度系数(TVAC)，对EPSO的速度进行了更新技术是改善。结果与讨论支持向量机的优化没有逐步回归

表2显示了不同的PSO算法与SVM的结果在这项工作中。对于每种算法，PSO参数的不同组合通过变化c1, c2, wmax和wmin，得到SVM的最佳精度结果。c1和c2的每个组合从0.1到2.0变化，步长为0.1。每个测试是重复100次，得到平均结果。人口大小被设置为50，从表2可以看出，每个算法产生不同的参数，平均支持向量机精度以及运行时间、第一次迭代收敛次数、最佳c和sigma;。的准确性SVM是根据故障类型识别的正确率计算出来的。

从得到的结果来看，所提出的SVM-MEPSO-TVAC技术获得了最高的结果平均精度为99.50%，平均运行时间为90.8578s。其次是准确率为99.10%的SVM-MPSO-TVAC，准确率为99.01%的SVM-EPSO，SVM-PSO和SVM-PSO的准确率分别为99.00%和98.88%。从100年开始运行,SVM-PSO算法第一次迭代收敛的运行次数最低，为27或27%，第一次迭代收敛的运行次数最高，为SVM-MEPSO-TVAC, 93次运行或93%。当第一次迭代的收敛率较高时，表明算法可以在较小的迭代最大值下运行将减少其运行时间。最短的平均运行时间是SVM-PSO，最长的平均运行时间是SVM-PSO，运行时间为SVM-MEPSO-TVAC。

粒子群算法的主要优点是算法简单，计算效率高，易于实现。这就是为什么平均运行时间是最快的，如表2所示。在粒子群算法中，对参数的最优解以2个随机加速度分量为指导社会和认知因素。这些部件的正确设置对于保证精度至关重要以及对最优解的有效搜索。如果认知成分高于个体的社会成分会在搜索中过度徘徊空间。然而，如果社会成分高于认知成分，粒子就会过早地冲向局部最优状态。因此，对PSO算法进行了改进，如允许自动搜索的随机加速度项加权和介绍。结果表明，SVM的平均精度有所提高。

支持向量机的逐步回归优化

对输入和输出数据应用逐步回归来选择从中获得的气体，DGA是变压器故障识别中最主要的特征。结果逐步回归得到的结果如表3所示。可以看出，该数据用于支持向量机的训练和测试显示出类似的特征。p值检验无效假设，系数等于0。CO显示的p值较低的预测器(1.0214times;10minus;36)是对所选特征模型的有意义的补充。一个更小的该气体所具有的p值反映了该特

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[606191]，资料为PDF文档或Word文档，PDF文档可免费转换为Word