基于模擬退火優(yōu)化支持向量機的電力變壓器故障診斷研究.pdf

1、電力變壓器是電力系統(tǒng)的重要組成成分,它的運行情況直接關(guān)系到電力系統(tǒng)總體的安全性和穩(wěn)定性。由于其內(nèi)部結(jié)構(gòu)的復(fù)雜性,運行環(huán)境的特殊性,在變壓器長期運行中,發(fā)生故障是不可避免的。隨著社會對供電質(zhì)量、可靠性、安全性要求的提高,研究開發(fā)電力變壓器的故障診斷技術(shù)對提高電力系統(tǒng)運行可靠性和科學(xué)管理水平是十分重要的。
　　在研究基于DGA(Dissolved Gas Analysis,油中溶解氣體分析)的變壓器問題診斷技術(shù)現(xiàn)狀的基礎(chǔ)上,傳統(tǒng)經(jīng)典的

2、三比值法存在比值邊界模糊的缺點,因此智能故障診斷技術(shù)已成為研究趨勢。論文提出了將SA(Simulated Annealing,模擬退火算法)和SVM(Support Vector Machine,支持向量機)相結(jié)合,用模擬退火算法優(yōu)化支持向量機參數(shù),獲得模擬退火支持向量機模型(記作SA-SVM)的思想,以提高變壓器故障診斷準確率。
　　論文首先對基于DGA變壓器故障診斷技術(shù)開展了探討,分析了以往各種比值法的優(yōu)勢和劣勢,以此為前提探

3、討了人工智能變壓器故障診斷的必要性。為了全面地反映變壓器內(nèi)部故障與特征氣體之間的關(guān)系,提出采用5種特征氣體濃度比值共計15組數(shù)據(jù)作為特征預(yù)輸入量,并采用RFE(Recursive Feature Elimination,回歸特征消去)算法對15個特征量進行篩選,將篩選后特征量作為最終故障診斷模型的輸入。在支持向量機分類器模型的建立中,深入研究與之相關(guān)的支持向量機多分類方法、支持向量機核函數(shù)選擇以及支持向量機參數(shù)尋優(yōu)等問題。在對支持向量機

4、分類器分類效果影響最大的參數(shù)尋優(yōu)問題上,引入模擬退火算法進行參數(shù)尋優(yōu),獲得模擬退火支持向量機參數(shù)優(yōu)化流程。最后,以基因選擇算法篩選后的特征子集為輸入,變壓器故障診斷類型為輸出,獲得基于RFE-SA-SVM的變壓器故障診斷模型。為了避免在Matlab下編程函數(shù)句柄的抽象性,給出其故障診斷模型的GUI界面。通過該診斷模型與單一模型的對比驗證,顯示了所建立的RFE-SA-SVM模型的優(yōu)越性。使用該模型進行實例分析,驗證了該模型故障診斷方法的有