基于振动噪声SC与SVM的变压器局部过热故障诊断

       摘要: 为了更加及时准确地诊断变压器内部局部过热故障,提出了基于振动噪声SC与SVM的变压器过热故障诊断方法.首先,以稀疏编码(SC)算法为工具,对不同过热故障模型的频率信号进行预处理,提取出识别特征量,并作为后续支持向量机(SVM)学习输入量.然后,因SVM泛化能力受参数C和δ影响较大,以均分训练样本所得多个模型的平均准确率作为评价函数,为SVM参数优选提供评价标准.通过10 kV配电变压器过热模拟实验,生成训练样本和测试样本,并对SVM进行训练和测试.试验结果表明,采用[0,1]作为归一化方式,径向基函数作为核函数以及交叉验证(CV)寻优的CV-SVM模型,经学习后能够对局部过热不同故障程度与故障模型进行准确区分.该研究为基于振动噪声在线监测变压器状态提供了参考.

作者:
许洪华 李勇 施恂山 吴秋池 马宏忠
单位:
国网江苏省电力公司南京供电公司,江苏南京,210019 河海大学能源与电气学院,江苏南京,211100
出处:
《智慧电力》
刊期:
2017年第45卷第6期
基金:
国家自然科学基金项目资助(51577050)

基于振动噪声SC与SVM的变压器局部过热故障诊断

摘要:为了更加及时准确地诊断变压器内部局部过热故障,提出了基于振动噪声SC与SVM的变压器过热故障诊断方法.首先,以稀疏编码(SC)算法为工具,对不同过热故障模型的频率信号进行预处理,提取出识别特征量,并作为后续支持向量机(SVM)学习输入量.然后,因SVM泛化能力受参数C和δ影响较大,以均分训练样本所得多个模型的平均准确率作为评价函数,为SVM参数优选提供评价标准.通过10 kV配电变压器过热模拟实验,生成训练样本和测试样本,并对SVM进行训练和测试.试验结果表明,采用[0,1]作为归一化方式,径向基函数作为核函数以及交叉验证(CV)寻优的CV-SVM模型,经学习后能够对局部过热不同故障程度与故障模型进行准确区分.该研究为基于振动噪声在线监测变压器状态提供了参考.

说明:如本页面涉及到版权问题或作者不愿意公开,请联系本站管理员删除!

0.143246s