基于人工蜂群算法優(yōu)化支持向量機(jī)的變壓器故障診斷

季偉 胡偉

摘 ?要：支持向量機(jī)參數(shù)的選擇直接影響變壓器故障診斷分類的準(zhǔn)確率，為了提高變壓器故障的診斷精度，提出一種基于人工蜂群算法優(yōu)化支持向量機(jī)的變壓器故障診斷模型。利用人工蜂群算法優(yōu)化支持向量機(jī)的懲罰因子C和核函數(shù)參數(shù)σ。實(shí)驗(yàn)結(jié)果表明，文章提出的算法能夠獲得較高的故障診斷精度。

關(guān)鍵詞：變壓器;故障診斷;人工蜂群算法;參數(shù)優(yōu)化;支持向量機(jī)

中圖分類號(hào)：TM407 ? ? ? ?文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號(hào)：2095-2945（2020）02-0095-02

Abstract： The selection of support vector machine parameters directly affects the accuracy of transformer fault diagnosis classification. In order to improve the diagnostic accuracy of transformer faults， a transformer fault diagnosis model based on artificial bee colony algorithm optimization support vector machine is proposed. The artificial bee colony algorithm is used to optimize the penalty factor C and kernel function parameter σ of the support vector machine. The experimental results show that the proposed algorithm can obtain higher fault diagnosis accuracy.

Keywords： transformer; fault diagnosis; artificial bee colony algorithm; parameter optimization; support vector machine

引言

目前，變壓器常用的故障診斷方法是油中溶解氣體分析（dissolved gas analysis，DGA）[1]。在此基礎(chǔ)上，形成了多種故障診斷方法。支持向量機(jī)作為一種機(jī)器學(xué)習(xí)分類算法被廣泛應(yīng)用在變壓器故障診斷中[2-3]。本文利用人工蜂群算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，可以很大程度的克服局部最優(yōu)解問(wèn)題。通過(guò)對(duì)變壓器故障診斷實(shí)例的分析，進(jìn)一步驗(yàn)證了該方法的有效性和優(yōu)越性。

1 人工蜂群算法優(yōu)化支持向量機(jī)

在對(duì)變壓器故障診斷時(shí)，診斷模型參數(shù)有兩個(gè)重要參數(shù)：分別是懲罰因子C與核函數(shù)參數(shù)σ。結(jié)合圖1所示的人工蜂群算法優(yōu)化SVM流程圖，利用以下步驟可以實(shí)現(xiàn)人工蜂群算法[4]對(duì)SVM的參數(shù)C和σ進(jìn)行優(yōu)化：

Step1：參數(shù)初始化。最大迭代次數(shù)M為50，食物源個(gè)數(shù)Np為30，優(yōu)化參數(shù)D為2，模型參數(shù)[C，σ]的搜索范圍[0.1，1000]，循環(huán)次數(shù)G為30。

Step2：由式（1）隨機(jī)產(chǎn)生Np個(gè)食物源，根據(jù)式（2）適應(yīng)度函數(shù)Fiti對(duì)每個(gè)食物源進(jìn)行評(píng)價(jià)，找到最優(yōu)食物源。

2.2 實(shí)驗(yàn)結(jié)果分析

本文采用300條變壓器原始DGA故障數(shù)據(jù)，隨機(jī)選取總數(shù)據(jù)的80%充當(dāng)訓(xùn)練數(shù)據(jù)，其余數(shù)據(jù)作為測(cè)試數(shù)據(jù)。利用上述歸一化處理后的變壓器故障數(shù)據(jù)作為輸入，并將ABC-SVM模型的變壓器故障診斷精度與GA-SVM、PSO-SVM、SVM進(jìn)行對(duì)比分析。如表1所示，GA-SVM、PSO-SVM、ABC-SVM的變壓器故障診斷準(zhǔn)確率均高于SVM的故障診斷精度，表明對(duì)SVM參數(shù)進(jìn)行優(yōu)化，可以進(jìn)一步提高SVM的故障分類精度。而ABC-SVM的故障診斷準(zhǔn)確率高于GA-SVM、PSO-SVM，表明人工蜂群算法比遺傳算法、粒子群算法的優(yōu)化性能較好，驗(yàn)證了基于ABC-SVM的變壓器故障診斷模型的有效性和優(yōu)越性。

3 結(jié)論

本文提出了一種基于人工蜂群優(yōu)化支持向量機(jī)的變壓器故障診斷模型（ABC-SVM），不僅解決了遺傳算法和粒子群算法的局限性問(wèn)題，還為支持向量機(jī)選擇了最優(yōu)參數(shù)。變壓器故障診斷實(shí)例表明，該模型算法彌補(bǔ)了SVM的不足，提高了SVM故障診斷精度。與GA-SVM、PSO-SVM相比，變壓器故障診斷準(zhǔn)確率高，進(jìn)一步驗(yàn)證了模型的有效性和優(yōu)越性。

參考文獻(xiàn)：

[1]中國(guó)電力企業(yè)聯(lián)合會(huì)，DL/T722-2014變壓器油中溶解氣體分析和判斷導(dǎo)則[S].北京：中國(guó)電力出版社，2014.

[2]王保義，楊韻潔，張少敏.改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的SVM變壓器故障診斷[J].電測(cè)與儀表，2019，56（19）：53-58.

[3]郭慧瑩，王毅.基于DGA支持向量機(jī)的變壓器故障診斷[J].現(xiàn)代電子技術(shù)，2019，42（19）：154-158+163.

[4]何堯，劉建華，楊榮華.人工蜂群算法研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2018，35（05）：1281-1286.

[5]尹金良.基于相關(guān)向量機(jī)的油浸式電力變壓器故障診斷方法研究[D].北京：華北電力大學(xué)，2013.