论文部分内容阅读
近年来,随着电力工业的发展,电力系统装机容量日益增长,变压器故障时有发生,此时,及时的发现并处理变压器的故障显得格外的重要。在样本数量较小的情况下,支持向量机(SVVM)依然可以解决非线性、高维等问题,根据此优势,本文建立了基于支持向量机的变压器故障诊断模型和故障定位模型。故障诊断的结果主要是由支持向量机的参数所决定的,所以,本文还提出用布谷鸟算法(CS)来优化支持向量机的参数。通过仿真实验表明,相比于其他算法,该算法能够提高变压器故障诊断以及故障定位的正确率。本文的主要研究内容如下:(1)在变压器故障诊断模型中,利用布谷鸟算法优化支持向量机的惩罚参数C和核参数g,为了提高布谷鸟算法的优化能力,引入一种新的惯性权重ω,并将改进的布谷鸟算法(WCS)与最速下降法(SD)相结合,得到新算法(SDWCS)。利用该算法进行SVM参数的寻优,克服了基本的SVM模型容易陷入局部最优的缺陷。(2)在变压器故障诊断模型中,建立了基于支持向量机的分类模型,采用SDWCS算法优化支持向量机参数,利用LibSVM工具箱在MATLAB软件平台上训练支持向量机,并通过实例仿真,将该故障诊断模型与布谷鸟算法(CS)、粒子群算法(PSO)、遗传算法(GA)、网格搜索算法(GS)相比较。(3)在变压器故障定位模型中,将变压器的油色谱信息和电气试验特征结合,建立基于二叉树的支持向量机多层分类模型,采用SDWCS算法优化支持向量机参数,并逐步对变压器故障进行定位。通过实例证明,该故障定位模型能够快速的判断出变压器发生故障的部位,而且定位的准确率也有所提高,以做到快速的处理故障。