关键词:
电力变压器
集成算法
AdaBoost
DGA
ChOA
摘要:
随着国家综合性能源电网的快速投入与建设,电力变压器是电网中电能传输设备的关键一环,如果变压器出现故障,很有可能会对电网有巨大影响,是国民经济的命脉,对普通用户也有很大的安全风险。首先,针对支持向量机(SVM)的变压器故障诊断精度的问题,提出一种多策略融合的改进黑猩猩优化算法(MChOA)。第一步,通过融入非线性参数策略来生成初始种群,增强个体的质量和种群的多样性,为全局搜索奠定基础;其次,通过对黑猩猩位置更新公式的改进,体现攻击者黑猩猩的领导地位,提高算法的全局寻优能力;最后,引入柯西精英变异保持算法的多样性,并有效提高收敛精度和收敛速度。利用11个不同的基准测试函数进行寻优仿真,测试结果和Wilcoxon秩和检验结果均显示改进算法不仅克服了ChOA算法容易陷入局部最优、收敛精度低和收敛速度慢的问题,构建MChOA优化支持向量机的变压器故障诊断模型。提高了SVM变压器故障诊断模型的精度,也极大的缩短了运行时间。然后,为了进一步增加MChOA-SVM变压器故障诊断模型准确率和鲁棒性,利用集成算法对数据适应能力强等优势,用AdaBoost算法进行集成,把MChOA-SVM作为弱分类器通过对样本错误率的计算,改变弱分类器权重,得到新的样本分布,再进行迭代,构成强分类器,构建基于AdaBoost-MChOA-SVM的变压器故障诊断模型,再通过不同弱分类器数量对精准度的对比,确定集成算法弱分类器的数量。最后,利用油中气体分析(DGA)技术中常用的无编码比值法,将特征气体及其比例重新构造成13种参量,作为AdaBoost-MChOA-SVM变压器故障诊断模型的输入特征,进行仿真分析,得到了AdaBoost-MChOA-SVM模型在变压器故障诊断中的精度为92.8%,与AdaBoost-SVM、MChOA-SVM、ChOA-SVM、SCA-SVM和PSO-SVM变压器故障诊断模型相比分别提高了9.6%、4%、7.2%、11.2%及10.4%。证明AdaBoost-MChOA-SVM变压器故障诊断模型能有效地提高故障识别率。此外,论文还对上述模型进行了稳定性分析和运行时间对比分析,验证了论文提出的AdaBoost-MChOA-SVM变压器故障诊断模型的平均诊断精度为91.6%,标准差为1.03,验证了其对变压器故障信息有很好的适应性,精度和速度有极大提升。该论文有图37幅,表23个,参考文献76篇