基于改進烏鴉搜索算法優化支持向量機的變壓器故障檢測方法

關鍵詞：烏鴉搜索算法；支持向量機；變壓器；故障檢測

中圖分類號：TM407；TP399 文獻標識碼：A

0 引言

變壓器作為電力系統中的關鍵設備，其運行狀態決定了電力系統是否安全與穩定。因此，研究變壓器故障檢測技術尤為重要。變壓器故障檢測的方法多種多樣，包括傳統的物理檢測法[1]、化學檢測法[2] 以及基于人工智能技術[3] 的檢測方法等。然而，這些方法在實際應用中往往存在一定的局限性，存在檢測效率低下、誤判率高等問題。因此，研究一種高效、準確的變壓器故障檢測方法具有重要的實際意義。

近年來，機器學習算法在故障檢測領域得到了廣泛應用。其中，支持向量機（support vectormachine，SVM）因其良好的分類性能和泛化能力而受到廣泛關注[4]。然而，SVM 性能的優劣取決于其參數的選擇。傳統的參數選擇方法往往依賴于經驗或試錯法，難以獲得最優解。因此，如何有效地優化SVM 參數，提高其在變壓器故障檢測中的性能，成為一個亟待解決的問題。

針對上述問題，本文提出一種基于改進烏鴉搜索算法（crow search algorithm，CSA）[5] 優化SVM的變壓器故障檢測方法。該方法通過引入烏鴉搜索算法對SVM 參數進行優化，旨在提高SVM 在變壓器故障檢測中的分類精度和效率。本文闡述了基于改進烏鴉搜索算法優化SVM 的變壓器故障檢測方法的實現過程，并通過實驗驗證了該方法的有效性。

1.4 改進烏鴉搜索算法優化SVM參數

在變壓器故障檢測任務中，SVM 性能與其設置的參數息息相關。為了更好地發揮SVM 在故障檢測中的優勢，需要對其參數進行精確優化。SVM的主要參數包括懲罰因子C 和核函數參數，其中，C 控制對誤差（過擬合誤差和泛化誤差）的懲罰程度，而核函數參數則決定了數據在高維空間中的映射方式。

本文針對RBF 核的SVM 進行參數優化，而RBF 核函數的主要參數是γ，它決定RBF 的寬度，影響SVM 分類邊界的形狀和位置。為了優化SVM的參數C 和γ，即得到最佳的C 和γ，本文將其建模為一個優化問題。該問題的目標是在給定的參數空間內找到一組最優的C 和γ，使得SVM 在變壓器故障數據集中的分類準確率最高。

為解決這個問題，本文采用基于改進烏鴉搜索算法的優化SVM 參數選擇。圖1 為改進烏鴉搜索算法優化SVM 參數流程。

2 基于改進烏鴉搜索算法優化SVM的變壓器故障檢測

在電力dcj6dkQvaJZNpxJ4ACcqLg==系統中，變壓器的穩定運行對于保障整個系統的可靠性至關重要。因此，實現準確的變壓器故障檢測對于預防潛在的安全風險、提高系統維護效率具有重要意義。

故障檢測的首要任務是收集全面、準確的數據。在變壓器故障檢測中，需要收集包括正常運行狀態以及多種故障狀態下的數據。這些數據可能來自傳感器的實時監測、歷史記錄或人工巡檢等，因此需要進行清洗和篩選。同時，從清洗后的數據中提取出對故障檢測有用的特征。通過特征提取，將原始數據轉化為能夠反映變壓器運行狀態的特征集。為了消除不同特征之間的差異，提高模型的訓練效果，還需要對特征進行標準化處理。標準化處理后，不同特征之間將具有相同的權重，使模型更好地學習數據的內在規律。

在得到最優的SVM 參數后，本文利用這些參數訓練SVM 模型。將預處理后的數據集劃分為訓練集和測試集，訓練集用于訓練SVM 模型，使其能夠學習到數據的內在規律和特征；測試集則用于評估模型的性能，驗證其在實際應用中的有效性。

3 實驗結果與分析

為了驗證基于改進烏鴉搜索算法優化SVM 的變壓器故障檢測方法的性能，本文使用了真實變壓器故障數據集進行實驗。該數據集包含了變壓器在6 種故障狀態下的5 種絕緣油中溶解氣體含量，變壓器故障數據如表1 所示。為了方便計算，本文也將變壓器故障類型進行了編碼處理，變壓器故障類型編碼如表2 所示。此外，本文還設置了合適的實驗參數，如烏鴉搜索算法的感知概率、最大飛行步長和最小飛行步長等。同時，本文將該數據集分為訓練集和測試集，測試集和訓練集各占50%。

在MATLAB 2019b 中模擬仿真，利用訓練集數據進行SVM 模型訓練。為了驗證改進烏鴉搜索算法對SVM 核函數參數和懲罰因子的優化，是否能提高故障檢測的準確率，分別訓練了SVM 分類器和加入改進烏鴉搜索算法后的SVM 分類器。本文將數據集進行歸一化處理后，分別輸入到兩個分類中進行實驗。由圖2 可知，仿真實驗后的分類結果以及改進烏鴉搜索算法優化SVM 后的方法的分類效果更加明顯和可靠。

由圖2 和表3 中的實驗結果可知，改進烏鴉搜索算法優化SVM 的方法彌補了SVM 在求解問題時準確度不高、不適合多分類等不足，提高了變壓器故障檢測的準確率。

4 結論

本文針對變壓器故障檢測問題，提出了一種基于改進烏鴉搜索算法優化SVM 的新方法。通過新方法與SVM 檢測方法的對比實驗，發現改進后的方法在提高故障檢測準確率方面具有明顯優勢。同時，實驗還表明，改進烏鴉搜索算法在參數優化過程中表現出了良好的搜索性能和收斂速度，為SVM 模型的性能提升提供了有力支持。盡管本文在變壓器故障檢測方面取得了一定成果，但仍存在一些值得進一步研究和改進的方向，未來可以考慮將故障檢測與故障預測相結合，實現故障的早期預警和預防。