基于改进量子粒子群优化支持向量机的变压器故障诊断方法
发布时间：2022-01-08 01:26
为了弥补量子粒子群算法优化支持向量机（QPSO-SVM）在变压器故障诊断中"早熟"收敛的不足,该文提出一种基于改进量子粒子群优化支持向量机算法。通过计算每一代粒子的平均适应值偏离度Δ并引入自扰动算子使"早熟"粒子主动跳出当前局部最优区域,增强算法的全局搜索能力。此外,建立基于所提算法的故障分类模型,对变压器故障样本进行诊断。实例结果表明:相较传统QPSO-SVM算法,改进QPSO-SVM算法可以使粒子主动跳出最优局部范围,且对变压器故障的诊断准确率更高,验证了该文方法在变压器故障诊断方面的有效性与准确性。
【文章来源】：电力科学与技术学报. 2019,34(03)北大核心
【文章页数】：6 页
【部分图文】：
图１故障诊断流程Ｆｉｇｕｒｅ１Ｆａｕｌｔｄｉａｇｎｏｓｉｓｆｌｏｗｃｈａｒｔ实例分析
出的最优参数组合Ｂｅｓｔｇ和Ｂｅｓｔｃ分别为７７．０９９７和７２．７８２３，训练数据集的准确率为（６０－９）／６０＝８５％，测试样本的准确率为（４０－７）／４０＝８２．５％。３种诊断模型的诊断结果对比如表２所示，在测试样本中，该文方法的准确率＞ＱＰＳＯ－ＳＶＭ诊断模型＞ＰＳＯ－ＳＶＭ诊断模型。验证了该文提出的“早熟”自检机制、自适应扰动操作对算法寻优能力的加强，以及该文方法用于变压器故障诊断模型的准确性。图３ＰＳＯ－ＳＶＭ的诊断结果Ｆｉｇｕｒｅ３ＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ图４ＱＰＳＯ－ＳＶＭ的诊断结果Ｆｉｇｕｒｅ４ＱＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ图５该文方法的诊断结果Ｆｉｇｕｒｅ５Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｉｓｐａｐｅｒ表２３种方法诊断准确率对比Ｔａｂｌｅ２Ｃｏｍｐａｒｉｓｏｎｏｆｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙｏｆｔｈｒｅｅｍｅｔｈｏｄｓ％方法诊断准确率训练样本（６０组）测试样本（４０组）ＰＳＯ－ＳＶＭ７８．３６７．５ＱＰＳＯ－ＳＶＭ８１．７７０．０该文８５．０８２．５５结语该文主要围绕粒子群算法在优化ＳＶＭ参数中陷入“早熟”的缺陷，提出了改进措施：通过建立算法的“早熟”自检策略，并且当检测到算法中粒子的平均适应值偏离度Δ小于阈值时，进行自扰动操作，使算法跳出当前局部最优区域，从而增强算法的全局优化能力。实例分析中，将该文方法与ＱＰＳＯ－ＳＶＭ和ＰＳＯ－ＳＶＭ诊断模
练数据集的准确率为（６０－９）／６０＝８５％，测试样本的准确率为（４０－７）／４０＝８２．５％。３种诊断模型的诊断结果对比如表２所示，在测试样本中，该文方法的准确率＞ＱＰＳＯ－ＳＶＭ诊断模型＞ＰＳＯ－ＳＶＭ诊断模型。验证了该文提出的“早熟”自检机制、自适应扰动操作对算法寻优能力的加强，以及该文方法用于变压器故障诊断模型的准确性。图３ＰＳＯ－ＳＶＭ的诊断结果Ｆｉｇｕｒｅ３ＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ图４ＱＰＳＯ－ＳＶＭ的诊断结果Ｆｉｇｕｒｅ４ＱＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ图５该文方法的诊断结果Ｆｉｇｕｒｅ５Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｉｓｐａｐｅｒ表２３种方法诊断准确率对比Ｔａｂｌｅ２Ｃｏｍｐａｒｉｓｏｎｏｆｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙｏｆｔｈｒｅｅｍｅｔｈｏｄｓ％方法诊断准确率训练样本（６０组）测试样本（４０组）ＰＳＯ－ＳＶＭ７８．３６７．５ＱＰＳＯ－ＳＶＭ８１．７７０．０该文８５．０８２．５５结语该文主要围绕粒子群算法在优化ＳＶＭ参数中陷入“早熟”的缺陷，提出了改进措施：通过建立算法的“早熟”自检策略，并且当检测到算法中粒子的平均适应值偏离度Δ小于阈值时，进行自扰动操作，使算法跳出当前局部最优区域，从而增强算法的全局优化能力。实例分析中，将该文方法与ＱＰＳＯ－ＳＶＭ和ＰＳＯ－ＳＶＭ诊断模型进行了准确率的对２１１
【参考文献】：
期刊论文
[1]面向智能电网应用的电力大数据关键技术[J]. 彭小圣,邓迪元,程时杰,文劲宇,李朝晖,牛林. 中国电机工程学报. 2015(03)
[2]智能电网大数据技术发展研究[J]. 张东霞,苗新,刘丽平,张焰,刘科研. 中国电机工程学报. 2015(01)
[3]基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J]. 郑含博,王伟,李晓纲,王立楠,李予全,韩金华. 高电压技术. 2014(11)
[4]基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J]. 陈道君,龚庆武,金朝意,张静,王定美. 电网技术. 2013(04)
[5]基于改进PSO-BP混合算法的电力变压器故障诊断[J]. 杨道武,李海如,向卫东,任卓,李哲文. 电力科学与技术学报. 2011(01)
[6]基于DGA的变压器故障可视化诊断[J]. 周媛媛,刘功能,周力行,曾玉清. 电力科学与技术学报. 2010(03)
本文编号：3575631
【文章来源】：电力科学与技术学报. 2019,34(03)北大核心
【文章页数】：6 页
【部分图文】：
图１故障诊断流程Ｆｉｇｕｒｅ１Ｆａｕｌｔｄｉａｇｎｏｓｉｓｆｌｏｗｃｈａｒｔ实例分析
出的最优参数组合Ｂｅｓｔｇ和Ｂｅｓｔｃ分别为７７．０９９７和７２．７８２３，训练数据集的准确率为（６０－９）／６０＝８５％，测试样本的准确率为（４０－７）／４０＝８２．５％。３种诊断模型的诊断结果对比如表２所示，在测试样本中，该文方法的准确率＞ＱＰＳＯ－ＳＶＭ诊断模型＞ＰＳＯ－ＳＶＭ诊断模型。验证了该文提出的“早熟”自检机制、自适应扰动操作对算法寻优能力的加强，以及该文方法用于变压器故障诊断模型的准确性。图３ＰＳＯ－ＳＶＭ的诊断结果Ｆｉｇｕｒｅ３ＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ图４ＱＰＳＯ－ＳＶＭ的诊断结果Ｆｉｇｕｒｅ４ＱＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ图５该文方法的诊断结果Ｆｉｇｕｒｅ５Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｉｓｐａｐｅｒ表２３种方法诊断准确率对比Ｔａｂｌｅ２Ｃｏｍｐａｒｉｓｏｎｏｆｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙｏｆｔｈｒｅｅｍｅｔｈｏｄｓ％方法诊断准确率训练样本（６０组）测试样本（４０组）ＰＳＯ－ＳＶＭ７８．３６７．５ＱＰＳＯ－ＳＶＭ８１．７７０．０该文８５．０８２．５５结语该文主要围绕粒子群算法在优化ＳＶＭ参数中陷入“早熟”的缺陷，提出了改进措施：通过建立算法的“早熟”自检策略，并且当检测到算法中粒子的平均适应值偏离度Δ小于阈值时，进行自扰动操作，使算法跳出当前局部最优区域，从而增强算法的全局优化能力。实例分析中，将该文方法与ＱＰＳＯ－ＳＶＭ和ＰＳＯ－ＳＶＭ诊断模
练数据集的准确率为（６０－９）／６０＝８５％，测试样本的准确率为（４０－７）／４０＝８２．５％。３种诊断模型的诊断结果对比如表２所示，在测试样本中，该文方法的准确率＞ＱＰＳＯ－ＳＶＭ诊断模型＞ＰＳＯ－ＳＶＭ诊断模型。验证了该文提出的“早熟”自检机制、自适应扰动操作对算法寻优能力的加强，以及该文方法用于变压器故障诊断模型的准确性。图３ＰＳＯ－ＳＶＭ的诊断结果Ｆｉｇｕｒｅ３ＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ图４ＱＰＳＯ－ＳＶＭ的诊断结果Ｆｉｇｕｒｅ４ＱＰＳＯ－ＳＶＭｄｉａｇｎｏｓｉｓｒｅｓｕｌｔ图５该文方法的诊断结果Ｆｉｇｕｒｅ５Ｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｏｆｔｈｉｓｐａｐｅｒ表２３种方法诊断准确率对比Ｔａｂｌｅ２Ｃｏｍｐａｒｉｓｏｎｏｆｄｉａｇｎｏｓｉｓａｃｃｕｒａｃｙｏｆｔｈｒｅｅｍｅｔｈｏｄｓ％方法诊断准确率训练样本（６０组）测试样本（４０组）ＰＳＯ－ＳＶＭ７８．３６７．５ＱＰＳＯ－ＳＶＭ８１．７７０．０该文８５．０８２．５５结语该文主要围绕粒子群算法在优化ＳＶＭ参数中陷入“早熟”的缺陷，提出了改进措施：通过建立算法的“早熟”自检策略，并且当检测到算法中粒子的平均适应值偏离度Δ小于阈值时，进行自扰动操作，使算法跳出当前局部最优区域，从而增强算法的全局优化能力。实例分析中，将该文方法与ＱＰＳＯ－ＳＶＭ和ＰＳＯ－ＳＶＭ诊断模型进行了准确率的对２１１
【参考文献】：
期刊论文
[1]面向智能电网应用的电力大数据关键技术[J]. 彭小圣,邓迪元,程时杰,文劲宇,李朝晖,牛林. 中国电机工程学报. 2015(03)
[2]智能电网大数据技术发展研究[J]. 张东霞,苗新,刘丽平,张焰,刘科研. 中国电机工程学报. 2015(01)
[3]基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J]. 郑含博,王伟,李晓纲,王立楠,李予全,韩金华. 高电压技术. 2014(11)
[4]基于自适应扰动量子粒子群算法参数优化的支持向量回归机短期风电功率预测[J]. 陈道君,龚庆武,金朝意,张静,王定美. 电网技术. 2013(04)
[5]基于改进PSO-BP混合算法的电力变压器故障诊断[J]. 杨道武,李海如,向卫东,任卓,李哲文. 电力科学与技术学报. 2011(01)
[6]基于DGA的变压器故障可视化诊断[J]. 周媛媛,刘功能,周力行,曾玉清. 电力科学与技术学报. 2010(03)
本文编号：3575631
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3575631.html
