关键词:
变压器振动
绕组松动
核主成分分析
极端梯度提升
麻雀搜索算法
故障诊断
摘要:
针对使用单一特征量诊断变压器绕组松动,在不同负载条件下存在交叠和抗干扰能力不足的问题,提出一种基于核主成分分析(KPCA)和改进麻雀搜索算法(SSA)优化极端梯度提升(XGBoost)的变压器绕组松动振动诊断方法。首先,从时域、频域和熵值3个维度提取适用于变压器多传感器振动信号的多种特征量;其次,通过网格搜索优化的KPCA对特征量进行降维;最后,构建基于XGBoost的故障诊断模型,并采用改进麻雀搜索算法调参,实现不同电流大小下变压器绕组松动故障准确识别。以某110 kV变压器为对象进行实验验证,诊断结果表明,所提取的特征量能够准确反映故障特征,抗干扰能力更强,诊断模型故障诊断准确率为99.00%,相比于其他诊断算法准确率和稳定性更高,在不同负载情况下均有良好的识别效果。