论文部分内容阅读
变压器的故障诊断和预测技术是保证电力变压器安全运行的重要技术手段之一,在本文中,利用支持向量机在小样本下仍能解决非线性、高维数、局部极小点等问题的优点,提出了基于支持向量机的变压器故障诊断模型和故障预测模型,由于支持向量机的参数选择对故障诊断结果影响很大,因此,本文还提出用粒子群算法来优化支持向量机的参数。通过仿真实验表明,基于粒子群优化支持向量机的变压器故障诊断和预测方法提高了变压器的故障诊断率和预测率,本文的主要创新点如下:（1）在变压器故障诊断模型中,引入径向基核函数解决了支持向量机算法的高维问题,并用实例仿真分析三种核函数:径向基核函数、多项式核函数和两层神经网络核函数的优劣性。（2）在变压器故障诊断模型中,利用粒子群算法优化支持向量机的惩罚因子C和核函数参数σ,为了提高粒子群算法的优化能力,对粒子群算法进行三方面的改进,即对惯性权重ω的调整、引入收敛因子和对vmax的动态调整,并对标准粒子群优化算法、基本粒子群优化算法进行收敛性分析。（3）在变压器故障诊断模型中,建立了基于二叉树的支持向量机多级分类模型,采用带惯性权重ω的粒子群算法优化支持向量机的参数,并通过实例仿真,比较了支持向量机的两种分类算法C ? SVC和ν?SVC的仿真结果,并将这两种基于粒子群算法优化支持向量机的变压器故障诊断模型与国际的IEC三比值法和神经网络算法相比较。（4）在变压器故障预测模型中,建立了基于支持向量机回归算法和时间序列算法的变压器故障预测模型,依据MSE全局最小值为准则来确定模型参数的选择,采用带收敛因子的粒子群算法来优化支持向量机的惩罚因子C ,核函数参数σ和不敏感损失函数的参数ε,并用平均绝对值相对误差（MAPE）来评价变压器预测模型的预测精度,最后将基于粒子群优化支持向量机的变压器故障预测模型与灰色预测模型相比较。