关键词:
电力变压器
故障诊断
集成学习
智能优化算法
极限学习机
摘要:
为提高电力变压器故障诊断精度,将集成学习和群体智能优化算法相结合,提出一种电力变压器故障诊断方法。使用极限学习机(ELM)作为基学习算法,构建集成学习框架下的基分类器,并针对ELM模型性能受参数初始化影响较大、易陷入局部最优问题,引入基于正弦优化的改进麻雀搜索算法(ISSA)优化相关参数,提高基分类器的分类性能。使用改进的自适应增强(AdaBoost.M2)算法构建集成学习模型,扩展基分类器的输出,并引入伪损失函数替代传统AdaBoost算法中的加权误差,以增强集成分类器综合表达能力,得到基于AdaBoost.M2-ISSA-ELM算法的电力变压器故障诊断模型,进一步提高模型识别精度。通过909组油中溶解气体分析(DGA)样本对所提方法进行实例分析,结果表明该方法具有较好的诊断精度和分类性能,能够实现电力变压器故障类型的准确识别。