999精品在线视频,手机成人午夜在线视频,久久不卡国产精品无码,中日无码在线观看,成人av手机在线观看,日韩精品亚洲一区中文字幕,亚洲av无码人妻,四虎国产在线观看 ?

基于Adaboost算法的變壓器故障診斷

2018-12-08 07:15:42李文君子王夢沈
山東工業技術 2018年22期
關鍵詞:故障診斷變壓器

李文君子 王夢沈

摘 要:DGA技術能夠及時探查到充油型設備在使用過程中不易發現的隱性問題,k近鄰算法是一種惰性分類算法,但是單一故障診斷算法準確性無法滿足實際工程需求。為了提高變壓器故障診斷精確性,本文用Adaboost算法對k近鄰算法進行提升,并對Adaboost算法進行延伸,從而發展出了Adaboost.M2-kNN算法,能夠處理多類分類任務。試驗發現利用Adaboost.M2-kNN算法能夠有效提高變壓器故障診斷的準確性,該方法逐步應用于工程實踐中。

關鍵詞:變壓器;kNN算法;Adaboost算法;故障診斷;實例分析

DOI:10.16640/j.cnki.37-1222/t.2018.22.117

1 引言

在Boosting的基礎上誕生了Adaboost算法,而Boosting的理論框架則是從機器學習模型PAC中發展而來到。由于Adaboost算法只能用來應對二分類的問題,因此本文利用Adaboost的擴展算法Adaboost.M2來解決多分類問題。

2 Adaboost.M2-kNN算法

2.1 Adaboost.M2的基本原理

Adaboost.M2屬于軟分類的一種形式,在輸入樣本(xi,yi)后,當y不等于yi時,ht弱分類器就會根據(k-1)的順序進行詢問,通過偽誤差的方法來重新調整分類器。首先選擇大小為m的訓練集,S={(xi,yi),(x2,y2),...,(xm,ym)}進行輸入,而x可以是訓練空間中的任何訓練例子,也可以由多種屬性值組成。而y則是和x對稱的類別標簽。同時在每輪循環中,都要調整弱學習器,當循環到第t輪時,弱學習器就會針對訓練樣本D進行分類計算,從而得出弱假設ht,在進行t輪循環后,進行加權投票,能夠在全部的弱假設h中得出最終結果hfin。

2.2 Adaboost.M2算法的誤差

強分類器Adaboost.M2中的訓練誤差是:

在上列公式中,=0.5-。從公式中可以看出,當弱假設的準確率高于隨機猜測時,訓練的誤差就會通過指數的方式快速降低,能夠提升分類的準確性[1]。

2.3 Adaboost.M2-kNN算法的具體流程

以Adaboost.M2-kNN算法為基礎的弱學習器,建立針對變壓器故障問題的診斷模型。根據變壓器的本來的數據衍生出數量為m的訓練樣本,Trs={(xi,yi),(x2,y2),...,(xm,ym)},而x則是訓練空間中的任意數據,由數個值組成。故障類別標簽yi屬于{1,2,...k}中的任意值,其中k是故障類型,而i則是樣本代號,訓練樣本分布為定義D,弱學習器個數用T來顯示,也就是迭代次數。

3 變壓器故障實例診斷分析

3.1 參數選擇

在變壓器剛開始出現故障的時候會產生出一些氣體,而這些氣體和故障的性質聯系較為密切[2]。為此首先需要選擇原始屬性數據,例如可以選擇C2H2、C2H4、C2H6、CH4、H2這五種典型氣體。由于不同成分之間的含量具有較大的差異性,因此要將溶解氣體進行歸一化處理,從而保證其數值都在[-1,1]內,從而充當樣本中的屬性值。同時為變壓器的故障類別進行編號,將正常狀態設置為1號,將中溫設置為2號,將高溫狀態設置為3號,以此類推,包括局部放電、電弧放電以及火花放電,一直到6號。Adaboost.M2-kNN算法的循環次數最大值T可以取值100,將kNN當作弱分類器,參數k=1,在建立Adaboost.M2故障診斷模型。

Adaboost.M2-kNN算法中將T的最大循環次數設為100,其中弱分類器用kNN來代替,將k的參數設為1,隨后建立相關模型。

3.2 實例分析

首先選擇測試樣本和訓練樣本,將288已知故障類型的變壓器溶解氣體數據作為Adaboost.M2模型中的測試樣本與訓練樣本[3]。在訓練樣本中,每種故障中都有三十組數據,剩下的一百組數據作為測試樣本。

實驗結果分析,以288組數據為初始數據,在進行歸一化后,通過一百組數據對Adaboost.M2模型操作訓練,利用一百組數據操作測試,最終結果發現以單一kNN算法為基礎進行計算的分類準確率是62%,同時利用Adaboost.M2算法進行診斷的正確率是89%,我們可以在分析后得到結果,發現正確率提高了27%左右。同時我們我們也可以發現,測試誤差與訓練誤差在故障診斷樣本中隨著迭代次數的提高而出現降低的顯示,隨著迭代次數的提高,訓練誤差幾乎趨近于零,同樣測試誤差也是如此[4]。測試誤差雖然在下降過程中出現過上升趨勢,但從整體來看,依然是以降低趨勢為主。通過實驗對比分析我們能夠得出一下結果,在訓練誤差值為零時,發現測試誤差呈現出整體上的降低趨勢,這一現象也符合了Adaboost算法的關于泛化誤差的相關研究結果。

目前在我國寧夏銀川的一個交流變電站中已經開始使用了本文中所闡述的以Adaboost.M2為基礎的模型,在這一模型之中,只需要設置迭代次數就可以,不需要擁有其他任何知識經驗,其中算法會自動調整模型內部的運行參數。和傳統故障診斷方式相比,Adaboost.M2模型的方法泛化能力更強一些,對于整體故障的識別率能夠有效提升21%,檢測效果較為精確[5]。

參考文獻:

[1]魏雪倩,黃新波.基于AdaBoost多分類算法變壓器故障診斷[J].西安工程大學學報,2016,30(02):207-211.

[2]黃新波,李文君子.采用遺傳算法優化裝袋分類回歸樹組合算法的變壓器故障診斷[J].高電壓技術,2016,42(05):1617-1623.

[3]劉景艷,王福忠.基于RBF神經網絡和自適應遺傳算法的變壓器故障診斷[J].武漢大學學報(工學版),2016,49(01):88-93.

[4]苑津莎,張利偉.基于互補免疫算法的變壓器故障診斷[J].電工技術學報,2015,30(24):67-75.

[5]呂忠,周強.基于遺傳算法改進極限學習機的變壓器故障診斷[J].高壓電器,2015,51(08):49-53.

猜你喜歡
故障診斷變壓器
凍干機常見故障診斷與維修
理想變壓器的“三個不變”與“三個變”
開關電源中高頻變壓器的設計
基于量子萬有引力搜索的SVM自駕故障診斷
一種不停電更換變壓器的帶電作業法
變壓器免維護吸濕器的開發與應用
因果圖定性分析法及其在故障診斷中的應用
基于RFE-SA-SVM的變壓器故障診斷
基于LCD和排列熵的滾動軸承故障診斷
基于WPD-HHT的滾動軸承故障診斷
機械與電子(2014年1期)2014-02-28 02:07:31
主站蜘蛛池模板: 狠狠做深爱婷婷久久一区| 国产99在线观看| 国产精品19p| a在线亚洲男人的天堂试看| 亚洲欧美精品日韩欧美| 日本在线国产| 黄色网页在线观看| 波多野一区| 亚洲国产成人自拍| 免费人成视网站在线不卡| 精品国产一二三区| 色婷婷天天综合在线| 亚洲天堂精品视频| 欧美成人在线免费| 亚洲视频三级| 特级欧美视频aaaaaa| 欧美一级特黄aaaaaa在线看片| 国模视频一区二区| 99er精品视频| 国产精品亚洲αv天堂无码| 亚洲制服丝袜第一页| 无码AV日韩一二三区| 成年av福利永久免费观看| 中文无码精品A∨在线观看不卡 | 91口爆吞精国产对白第三集| 新SSS无码手机在线观看| 亚洲无码高清一区二区| 四虎成人免费毛片| 婷婷六月综合网| 亚洲aaa视频| 欧美日韩专区| 伊人久久精品无码麻豆精品 | 99久久精品国产麻豆婷婷| 呦系列视频一区二区三区| 热久久这里是精品6免费观看| 国产视频只有无码精品| 日韩国产一区二区三区无码| 成人免费视频一区二区三区| 国产精品所毛片视频| 亚洲精品片911| 国产91线观看| 欧美精品xx| 尤物特级无码毛片免费| 国产熟睡乱子伦视频网站| 久久亚洲美女精品国产精品| 97一区二区在线播放| 国产尤物jk自慰制服喷水| 欧美色香蕉| av大片在线无码免费| 亚洲成网777777国产精品| 国产精品永久免费嫩草研究院| 亚洲第七页| 中文字幕无码中文字幕有码在线| 国产乱子伦一区二区=| 伊人色在线视频| 国产成人精品一区二区秒拍1o| 国产精品99久久久| 狠狠色香婷婷久久亚洲精品| 国产一级毛片yw| 久久99久久无码毛片一区二区| 成人福利在线看| 日韩精品毛片人妻AV不卡| 亚洲男人天堂2020| 国产日韩av在线播放| 国产一区二区视频在线| 欧美三級片黃色三級片黃色1| 69免费在线视频| 成人av专区精品无码国产| 国产美女精品一区二区| 国产亚卅精品无码| 91蝌蚪视频在线观看| 精品久久久久久成人AV| 色综合五月| 又污又黄又无遮挡网站| 国产一区二区三区在线观看免费| 91在线视频福利| 日韩av资源在线| 久久免费视频播放| 国产免费一级精品视频 | 丁香综合在线| 成人一级免费视频| 亚洲国产清纯|