文献类型：期刊文章

作　　者：李黄曼[1] 张勇[1] 张瑶[1]

Li Huangman;Zhang Yong;Zhang Yao(School of Mechanical and Electrical Engineering,Shaanxi University of Science and Technology,Xi’an 710021,China)

机构地区：[1]陕西科技大学机电工程学院,西安710021

出　　处：《电子测量与仪器学报》

基　　金：国家自然科学基金青年科学基金(51806133)项目资助。

年　　份：2021

卷　　号：35

期　　号：3

起止页码：123-129

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统的变压器故障诊断方法准确率较低的问题,提出了改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(SVM)的变压器故障诊断方法。首先引入动态反向学习因子对种群进行优化选择以提高麻雀搜索算法(SSA)全局寻优能力,其次用ISSA优化SVM的核函数参数和惩罚系数,建立基于油中溶解气体分析(DGA)的ISSA算法优化SVM的故障诊断模型。然后采用核主成分分析法(KPCA)对故障数据进行非线性降维。将经过KPCA处理后的数据输入ISSA-SVM进行故障诊断。并与灰狼算法-支持向量机(GWO-SVM),粒子群算法-支持向量机(PSO-SVM)诊断结果进行对比。结果表明,ISSA-SVM故障诊断率为92%,比GWO-SVM,PSO-SVM,SSA-SVM分别提高了10.67%、8%、5.33%,可以更精准的预测变压器运行状态。

关 键 词：麻雀搜索算法  支持向量机 故障诊断 变压器 反向学习  

分 类 号：TM42] TN06]