基于ACO優化LS-SVM的變壓器故障診斷

高國磊，李英娜，段效琛，李 川

(昆明理工大學 信息與自動化學院，云南 昆明 650500)

隨著國民經濟和我國電力工業的快速持續發展，社會上各行各業對電力的需求不斷增加。近幾年來，我國高壓及特高壓級別的變壓器發生故障的頻率越來越高，雖然我國在變壓器監測與維修領域的技術有了明顯提高，但是整體上仍有不足[1]。因此，加強變壓器日常監測與維護，深入研究故障的預防性實驗，才能有效提高對變壓器各類故障的預防、修復能力。由此可見，使用合理有效的變壓器故障診斷方法，對變壓器狀態的監測以及變壓器故障診斷有著重要的實際意義[2]。

目前基于油中溶解氣體分析技術(Dissolved Gases Analysis，DGA)的變壓器故障診斷研究主要有傳統診斷法和智能診斷法兩類[3]。文獻[4]采用入模糊理論來構造變壓器狀態診斷模型，存在編碼涵蓋范圍小、不可擴展等不足。文獻[5]建立了可增擴新規則的專家系統，提出可擴展的油中溶解氣體成分的變壓器故障診斷專家系統，但是訓練樣本少，分類準確率不高。文獻[6]提出支持向量機、粗糙集和屬性約簡集選擇的變壓器故障診斷模型，但忽視了局部放電性故障。文獻[7]提出利用微分進化優化神經網絡,但是模型訓練時間長，需要樣本量大。

針對DGA技術在變壓器故障診斷中的需求與應用，在分析傳統故障診斷方法以及人工智能故障診斷方法存在不足的基礎上，通過改進的核主元分析方法(Kernel Principal Component Analysis，KPCA)剔除異常離群值，利用蟻群……