基于优化支持向量机参数的变压器故障诊断

摘要：电力变压器是电力系统输变电的枢纽设备，为了提高电力变压器故障诊断的准确性，提出一种混沌的粒子群优化支持向量机的变压器诊断方法，该方法不仅具有很强的全局搜索能力。首先利用混沌的粒子群算法优化支持向量机的参数，把气体的特征参数代入优化的支持向量机分类模型中进行诊断，能够正确的分类变压器故障，从而达到故障诊断的目的。

关键词：变压器 故障诊断 粒子群优化 支持向量机 参数优化

中图分类号：TM41 文献标识码：A 文章编号：1007-9416（2016）04-0000-00

1 引言

电力变压器是电力系统输变电的枢纽设备，如果不能及时发现电力变压器的潜在故障，造成经济损失，所以变压器故障诊断是必要的[1]。近年来，随着人工智能新技术的发展，很多的方法应用在变压器故障中，但都存在一些不足， 针对上述问题，本文提出一种混沌粒子群优化支持向量机的变压器故障诊断方法，能够提高的分类变压器故障，从而达到故障诊断的目的；所以该方法实现智能算法的有效互补，有效弥补单一算法的不足，提高了故障诊断的效率性和精确度。

4 变压器故障诊断的应用实例

在电力系统中，通常变压器的故障诊断主要手段应用油中溶解气体方法，当变压器发生故障时，就会产生特征气体如H2、CH4、C2H2、C2H4、C2H6、CO、CO2以及烃类混合物；本文首先获取支持向量机的最优参数，其次，由支持向量机的分类器诊断故障，最终实现电力变压器故障诊断。

4.1 基于CPOS的SVM参数优化

选取不同的核函数将生成不同的SVM，而对诊断结果有很大的影响[5]。本文采用RBF核函数，对所以通过训练，适当调整惩罚因子C与径向核函数 的宽度，使得SVM的正确率达到最高。

用优化的分类器进一步验证变压器故障的准确性，用CPOS-SVM分类器进行故障诊断，诊断正确率能达到92.5%。

4.2 对比分析

本文直接将原始样本集对下列的传统算法进行对比分析结果如表1所示。

通过以上的方法比较，混沌粒子群优化的支持向量机的训练速度快，诊断结果正确率高。

5 结语

（1）本文将混沌粒子群优化算法与支持向量机相结合的变压器故障诊断的方法，可以弥补单一智能算法的不足，能优化SVM分类器的惩罚因子C与径向核函数 的宽度，提高分类器故障诊断的分类精度。

（2）通过实验结果与ANN、SVN、POS-SVM三种方法进行比较，CPOS-SVM方法比其它故障诊断方法准确率高，说明该方法可行性、有效性和实用性。

参考文献

[1]董明，孟源源，徐长响 等.基于支持向量机及油中溶解气体分析的大型电力变压器故障诊断模型研究[J].中国电机工程学报，2003，23（7）：88-92.

收稿日期：2016-01-20

作者简介：谭贵生（1986―），男，重庆潼南人，助教，硕士，研究方向为电力设备故障诊断与电力系统分析等。