文献类型：期刊文章

作　　者：尹玉娟[1] 王媚[2] 张金江[3] 袁鹏[1] 詹俊鹏[1] 郭创新[1]

机构地区：[1]浙江大学电气工程学院,浙江省杭州市310027 [2]上海市电力公司,上海市浦东新区200122 [3]浙江科技学院自动化与电气工程学院,浙江省杭州市310023

出　　处：《电网技术》

基　　金：国家自然科学基金资助项目(51177143);浙江省自然科学基金资助项目(Y1100243)~~

年　　份：2012

卷　　号：36

期　　号：7

起止页码：249-254

语　　种：中文

收录情况：AJ、BDHX、BDHX2011、CSA、CSA-PROQEUST、CSCD、CSCD2011_2012、EI(收录号：20123415357871)、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：支持向量机(support vector machine,SVM)对于核函数及模型参数十分敏感,多核学习可降低模型的参数敏感性。提出了基于二值粒子群优化(binary particle swarmoptimization,BPSO)的多核学习SVM分类方法(BPSO-MKSVC)进行变压器故障诊断。多核学习支持向量机(multi-kernel support vector classifier,MKSVC)采用由多个基核线性组合的多核进行学习,其中每一个基核完成从特定样本空间提取故障特征,通过多面故障特征的线性组合,将学习分类问题转化为相应的凸规划问题进行迭代求解。采用BPSO优化算法对MKSVC中的基核数及模型参数进行优化,实现了参数的自主选择。与常用诊断算法相比,BPSO-MKSVC具有更高的诊断精度;与PSO优化的SVM方法相比,其具有更低的参数敏感性和更好的鲁棒性。

关 键 词：溶解气体分析 支持向量机 多核学习 二值粒子群优化  故障诊断 变压器

分 类 号：TM86]