文献类型：期刊文章

作　　者：吐松江·卡日[1] 高文胜[1] 张紫薇[1] 莫文雄[2] 王红斌[2] 崔屹平[2]

KARI · Tusongjiang;GAO Wensheng;ZHANG Ziwei;MO Wenxiong;WANG Hongbing;CUI Yiping(Department of Electrical Engineering,Tsinghua University,Beijing 100084,China;Guangzhou Power Supply Bureau,Guangzhou 510410,China)

机构地区：[1]清华大学电机工程与应用电子技术系,北京100084 [2]广州供电局有限公司,广州510410

出　　处：《清华大学学报（自然科学版）》

基　　金：国家“八六三”高技术项目(2015AA050201)

年　　份：2018

卷　　号：58

期　　号：7

起止页码：623-629

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：为了提高变压器故障诊断准确率,该文提出了一种基于支持向量机（support vector machine,SVM）和遗传算法（genetic algorithm,GA）的电力变压器故障诊断方法。基于5种常用油中溶解气体分析方法的20种不同输入建立初始特征集合,采用二进制方式将支持向量机惩罚因子、核参数及特征子集编码至遗传算法染色体,建立基于5折交叉验证正确率的适应度函数,联合优化最优特征子集和支持向量机参数组合。然后依据最优特征子集和参数组合训练诊断模型,并利用测试集和故障实例验证诊断性能。实例分析结果表明：该方法能准确、有效地诊断变压器故障,比基于传统特征子集的支持向量机-遗传算法模型、IEC三比值法、反向传播神经网络和朴素Bayes等方法具有更高的诊断准确率。

关 键 词：故障诊断  油中溶解气分析  支持向量机(SVM)  遗传算法(GA)  

分 类 号：TP277]