傅軍棟，陳　俐，康水華，馮奕軒

（華東交通大學(xué)電氣與自動化工程學(xué)院，江西 南昌330013）

基于蜻蜓算法和支持向量機的變壓器故障診斷

傅軍棟，陳俐，康水華，馮奕軒

（華東交通大學(xué)電氣與自動化工程學(xué)院，江西 南昌330013）

電力變壓器作為電力系統(tǒng)中變換電壓、輸送電能、分配電能的重要電力設(shè)備，其運行狀態(tài)直接影響到電網(wǎng)的運行安全。為了提高故障診斷的準(zhǔn)確率，提出了一種基于蜻蜓算法（dragonfly algorithm，DA）和支持向量機（support vector machine，SVM）的變壓器故障診斷方法。利用蜻蜓算法DA對SVM分類器參數(shù)進行優(yōu)化且以SVM分類預(yù)測準(zhǔn)確率最大為其適應(yīng)度函數(shù)。變壓器故障診斷實例仿真結(jié)果分析表明：基于蜻蜓算法的DA-SVM支持向量機的變壓器故障診斷與交叉驗證法CV-SVM，基于遺傳算法的GA-SVM，基于粒子群算法的PSO-SVM相比較，在變壓器故障診斷中具有故障診斷準(zhǔn)確率高，全局尋優(yōu)能力強，收斂速度快，且穩(wěn)定性好的優(yōu)越性。

蜻蜓算法；支持向量機；變壓器；故障診斷

電力變壓器是電力系統(tǒng)的關(guān)鍵設(shè)備，正確診斷電力變壓器的潛伏性故障對提高電力系統(tǒng)的運行安全性、可靠性及經(jīng)濟性具有重要意義［1-4］。

由于油浸式變壓器油中溶解氣體的組成與含量可以在很大程度上反映變壓器的運行狀態(tài)，國際電工委員會推薦油中溶解氣體分析方法（dissolved gas analysis，DGA）已經(jīng)成為油浸式變壓器故障診斷的一種最方便，有效方法之一［5］。它能比較準(zhǔn)確、可靠的發(fā)現(xiàn)變壓器潛伏性故障，從而防止重大事故的發(fā)生。目前，故障判斷的方法主要有三比值法、Rogers法、Dornerburg法以及改良三比值法等傳統(tǒng)方法以及人工神經(jīng)網(wǎng)絡(luò)、葉貝斯網(wǎng)絡(luò)、支持向量機等智能方法。但是傳統(tǒng)方法在實際應(yīng)用中存在編碼缺失以及編碼界限過于絕對等問題［6-7］；人工神經(jīng)網(wǎng)絡(luò)則存在過擬合和易陷于局部最優(yōu)，其精度難以得到保證；葉貝斯網(wǎng)絡(luò)則需要大量的數(shù)據(jù)樣本［8-9］。而支持向量機（support vector machine，SVM）分類器是在統(tǒng)計學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的一種新的學(xué)習(xí)方法，它采用結(jié)構(gòu)風(fēng)險最小化原則，具有很強的泛化能力，可以有效解決小樣本、過擬合、非線性及高維模式識別等問題，在變壓器故障診斷中有著很好的應(yīng)用前景［10］。而支持向量機（SVM）參數(shù)的選取對其分類準(zhǔn)確率有著重要影響［11-15］。蜻蜓算法（DA）作為一種新興的元啟發(fā)式智能算法，有較強的穩(wěn)定性，較好的尋優(yōu)速度及全局尋優(yōu)能力等優(yōu)點。就蜻蜓算法的這些優(yōu)點，提出一種基于蜻蜓優(yōu)化算法（DA）的SVM參數(shù)尋優(yōu)方法，來對向量機的核參數(shù)和懲罰因子進行優(yōu)化選擇，再利用優(yōu)化得到的支持向量機模型，診斷油浸式變壓器故障。為了說明該方法在變壓器故障診斷中是有效的，將運行時間t、分類器準(zhǔn)確率F-Accuracy，診斷模型準(zhǔn)確率Accuracy及穩(wěn)定性與傳統(tǒng)的交叉驗證法CV-SVM變壓器故障診斷，基于遺傳算法的GA-SVM變壓器故障診斷，基于粒子群算法的PSO-SVM變壓器故障診斷的相應(yīng)數(shù)據(jù)來對比。變壓器故障診斷實例結(jié)果分析表明：本文提出的基于蜻蜓算法和支持向量機DA-SVM變壓器故障診斷方法，在SVM分類器的參數(shù)組合（C，g）尋優(yōu)中，較其他3種算法所耗費時間少，尋優(yōu)能力強，變壓器故障診斷的準(zhǔn)確率高，穩(wěn)定性好，且收斂性好，收斂速度快［16-17］。

1　算法原理

1.1SVM算法原理

支持向量機最初是研究線性可分問題而提出的，設(shè)一個具有l(wèi)個訓(xùn)練樣本集｛（xi，yi），i=1，2，…，l｝，引入松弛變量ξi，則最優(yōu)分類超平面可以描述為

式中：w為權(quán)值向量；‖w‖2為w的歐拉范數(shù)；b為偏差；wxi表示內(nèi)積；w和b可以通過求解Largrange函數(shù)的鞍點得到，即

式中：αi＞0，i=1，2，…，l為Largrange系數(shù)。

由于在實際應(yīng)用中，絕大多數(shù)是非線性的，因此將原輸入空間的樣本映射到高維的特征空間H中，再在高維的特征空間H中構(gòu)造最優(yōu)分類超平面。Vapnik等人提出滿足Mercer條件的核函數(shù)K（xi，xj）來代替內(nèi)積運算，即得到式（3）

由于式（3）計算復(fù)雜，幾乎不能直接求解；因此將其轉(zhuǎn)化為對偶問題：

從而最終的最優(yōu)分類函數(shù)

式中：a*，w*和b*為式（4）用二次規(guī)劃法求得的最優(yōu)解，其中常用的核函數(shù)有線性核函數(shù)、d階多項式核函數(shù)、徑向基核函數(shù)（高斯核函數(shù)）和具有參數(shù)k和θ的Sigmoid核函數(shù)［10，12-13，17］。

核函數(shù)的選擇對支持向量機的性能有著重要的影響，本文選用運用廣泛，適應(yīng)性廣的徑向基核函數(shù)。徑向基核函數(shù)可以處理類標(biāo)和屬性之間的關(guān)系，且需要確定的參數(shù)只有一個，模型的建立相對簡單，其表達式如下所示：

而懲罰因子C和核參數(shù)g的選取，對模型影響較大；因此文章第3部分將結(jié)合蜻蜓算法對核參數(shù)尋優(yōu)。

1.2DA算法原理

蜻蜓是一種小型食肉動物，其獨特的群體行為捕食和遷徙，吸引著科學(xué)家的注意，捕食稱作靜態(tài)群行為，遷徙稱作動態(tài)群行為。在靜態(tài)群行為期間，蜻蜓分作小群體，在一個小區(qū)域來回飛行，捕食蝴蝶和蚊子，而在動態(tài)群行為期間，大量的蜻蜓組成群體進行遠(yuǎn)距離地遷徙。這2種行為與元啟發(fā)式算法的探索和發(fā)現(xiàn)2個重要階段非常相似；因此，SeyedaliMirjalili運用數(shù)學(xué)方法模擬了蜻蜓這2種群行為，在2015年提出一種新型的群智能算法——蜻蜓算法（dragonfly algorithm，DA）［14］。

研究表明，任何種群行為都遵循3個基本準(zhǔn)則：分離（separation）、對齊（alignment）和內(nèi)聚（cohesion）。分離是指避免個體與相鄰個體的靜態(tài)碰撞；對齊是指個體與相鄰個體保持一致的速度；內(nèi)聚是指個體傾向于向相鄰個體的中心聚攏。而所有的動物為了生存，本能地靠近食物源、遠(yuǎn)離天敵；因此，個體位置的更新與下面5種行為有關(guān)，數(shù)學(xué)方法表達如下。

1）分離度

式中：X表示當(dāng)前蜻蜓個體的位置；Xj表示第j個相鄰蜻蜓個體的位置；N表示與第i個蜻蜓個體相鄰的x個體數(shù)量。

2）對齊度

式中：Vj表示第j個相鄰蜻蜓個體的速度；N表示與第i個蜻蜓個體相鄰的個體數(shù)量。

3）內(nèi)聚度

4）食物吸引力

式中：X+表示食物源位置。

5）天敵排斥力

式中：X-表示天敵位置。

因此根據(jù)上述5種蜻蜓行為，下一代蜻蜓的位置和位置更新步長計算如下：

式中：t表示當(dāng)前迭代次數(shù)；i表示第i個蜻蜓個體；Xt表示當(dāng)前t代種群個體位置；△Xt+1表示下一代種群位置跟新步長；Xt+1表示下一代種群個體位置；s表示分離度權(quán)重；Si表示第i個個體的分離度；a表示對齊度權(quán)重；Ai表示第i個個體的對齊度；c表示內(nèi)聚度權(quán)重；Ci表示第i個個體的內(nèi)聚度；f表示食物因子；Fi表示食物位置對第i個個體的吸引力；e表示天敵因子；Ei表示天敵位置對第i個個體的排斥力；w表示慣性權(quán)重。

由式（14）可知，相鄰個體的數(shù)量對蜻蜓種群的步長和位置更新有很大的影響，而個體之間滿足什么樣的條件才是相鄰呢？為了解決這個問題，Seyedali Mirjalili假設(shè)每個蜻蜓個體都是處于半徑為r的圓的圓心，如果個體i與個體j之間的歐氏距離小于r，則認(rèn)為個體i與個體j相鄰，為了加快收斂速度，半徑r隨著迭代次數(shù)的增加而增加。當(dāng)沒有任何個體與個體i相鄰時，為提高蜻蜓搜索時的隨機特性，引入Lévy flight隨機游走方法。Lévy flight命名自法國數(shù)學(xué)家Paul Lévy，是一種Markov過程，行走的步長滿足一個heavytailed的Lévy分布，計算如式（15）：

式中：r1，r2是［0，1］之間的隨機數(shù)；β是一個常量（此處為3/2）；σ計算如式（16）：

因此，沒有任何個體相鄰時，種群位置更新如式（17）：

1.3基于蜻蜓算法DA優(yōu)化SVM參數(shù)

核函數(shù)的選擇對支持向量機的性能有著重要的影響，徑向基核函數(shù)不管是高維數(shù)據(jù)還是低維數(shù)據(jù)都具有良好的收斂域，且適應(yīng)性較好；因此，本文選用適應(yīng)性廣的徑向基核函數(shù)作為SVM分類預(yù)測的核函數(shù)。影響徑向基核函數(shù)支持向量機分類性能的主要參數(shù)為：懲罰參數(shù)C和核參數(shù)g。蜻蜓算法將群體行為的所有可能因素（分離，對齊，內(nèi)聚，食物吸引，天敵排斥及位置的隨機游走）都考慮在內(nèi)，使其能夠快速的在最優(yōu)值附近收斂，且具備良好的全局尋優(yōu)能力和穩(wěn)定性?；谏鲜鰞?yōu)點，將其應(yīng)用于支持向量機的參數(shù)尋優(yōu)中，在保證SVM分類準(zhǔn)確率達到最大的情況下，尋找最適合的懲罰參數(shù)C和核參數(shù)g?；隍唑阉惴ǖ腟VM參數(shù)尋優(yōu)步驟如下。

Step 1初始化參數(shù)設(shè)置。蜻蜓算法主要參數(shù)設(shè)置有：蜻蜓的個數(shù)、蜻蜓最大迭代次數(shù)；支持向量機主要參數(shù)設(shè)置有：懲罰參數(shù)C和核參數(shù)g的上下限值ub，lb。

Step 2設(shè)置支持向量機相應(yīng)數(shù)據(jù)集。按相同的比例設(shè)置相應(yīng)的數(shù)據(jù)集，主要設(shè)置的數(shù)據(jù)集有：訓(xùn)練集train、訓(xùn)練數(shù)標(biāo)簽train_labels、測試集test和測試集標(biāo)簽test_labels。

Step 3初始化蜻蜓。蜻蜓位置初始化X、位置變化步長初始化△X，將參數(shù)組合（C，g）設(shè)為每只蜻蜓要為SVM優(yōu)化的組合，其中X矩陣的第一行存放懲罰參數(shù)C的值，X矩陣的第二行存放核參數(shù)g的值；根據(jù)Step 1中懲罰參數(shù)C和核參數(shù)g的取值范圍隨機初始化蜻蜓。

Step 4計算各權(quán)重值。根據(jù)Step 1中的初始值，隨機初始化初始相鄰半徑r，慣性權(quán)重w，分離度權(quán)重s，對齊度權(quán)重a，內(nèi)聚度權(quán)重c，食物因子f，天敵因子e。

Step 5計算適應(yīng)度值。根據(jù)訓(xùn)練集train和訓(xùn)練集標(biāo)簽train_labels訓(xùn)練支持向量機模型，并將該模型用于目標(biāo)集test和目標(biāo)標(biāo)簽集test_labels的分類預(yù)測中，將支持向量機的分類準(zhǔn)確率作為每只蜻蜓當(dāng)前的適應(yīng)度值，蜻蜓每進行一次行為操作，便計算一次當(dāng)前蜻蜓的最大適應(yīng)度值：若有當(dāng)前蜻蜓的適應(yīng)度值大于已保存的適應(yīng)度值，則用當(dāng)前的蜻蜓的適應(yīng)度值替代原保存的最優(yōu)適應(yīng)度值，并將較優(yōu)作為當(dāng)前蜻蜓的最優(yōu)值，并保存當(dāng)前最優(yōu)值所對應(yīng)的蜻蜓的參數(shù)組合（C，g），否則仍保存原適應(yīng)度值及其所對應(yīng)的蜻蜓參數(shù)組合（C，g）。

Step 6尋找是否存在相鄰蜻蜓。利用歐氏距離判斷蜻蜓與蜻蜓間是否存在相鄰蜻蜓。若存在，位置更是計算使用公式（14），若不存在，位置更新使用公式（17）。

Step 7計算各蜻蜓行為度。根據(jù)公式（8）—（12）分別計算各蜻蜓的分離度S、對齊度A、內(nèi)聚度C、食物吸引力F、天敵排斥力E。

Step 8位置更新。根據(jù)Step 6更新蜻蜓的位置及根據(jù)公式（13）計算步長。

Step 9判斷是否滿足算法的終止條件：判斷是否達到預(yù)設(shè)的蜻蜓最大迭代次數(shù) ，若是則輸出蜻蜓的最大適應(yīng)度值和最優(yōu)值所對應(yīng)的蜻蜓的參數(shù)組合（C，g），否則迭代次數(shù)加 1，并跳轉(zhuǎn)執(zhí)行Step 4。

基于蜻蜓算法的SVM參數(shù)尋優(yōu)的流程圖如圖1所示。

圖1　DA-SVM流程圖Fig.1　Process of optimizing the SVM parameters with DA

2　基于DA-SVM的變壓器故障診斷模型

2.1評價指標(biāo)的選取和量化

根據(jù)《油浸式變壓器（電抗器）狀態(tài)評價和檢修導(dǎo)則》，本文采用油色譜數(shù)據(jù)（DGA）中的H2，CH4，C2H4，C2H6，C2H2，CO和CO2氣體含量占總烴的比值作為故障判斷的特征變量［1-2，15］。將變壓器的故障分為：低溫過熱、高溫過熱、低能放電、高能放電、放電兼過熱5個類型。其具體特征變量及故障類型舉例見表1。因不同變壓器里面的氣體含量不同，為了更好的訓(xùn)練，識別以及提高其診斷效果，本文將收集到的油色譜數(shù)據(jù)中的各項氣體相對含量進行歸一化處理，再作為支持向量機模型的輸入，利用典型故障氣體的相對含量在高維空間的分布特性進行變壓器故障類型診斷［18］。

表1　油中溶解氣體含量舉例Tab.1　Content of gases dissolved in transformer oil PPm

其中故障類型1表示低溫過熱；故障類型2表示高溫過熱；故障類型3表示低能放電；故障類型4表示高能放電；故障類型5表示放電兼過熱。

2.2建立變壓器故障診斷模型

本模型選用LIBSVM作為訓(xùn)練和測試工具，選用RBF核函數(shù)作為核函數(shù)，將進行歸一化處理后的氣體的相對含量作為輸入，各故障類型所對應(yīng)的編碼作為輸出。在參數(shù)尋優(yōu)時，利用傳統(tǒng)的交叉驗證CV-SVM，基于遺傳算法的GA-SVM參數(shù)尋優(yōu)法，基于粒子群算法的PSO-SVM參數(shù)尋優(yōu)法及本文提出的基于蜻蜓算法和支持向量機DA-SVM變壓器故障診斷方法分別對支持向量機進行參數(shù)組合（C，g）尋優(yōu)，最終得出模型擬合度最好的參數(shù)組合（C，g），根據(jù)參數(shù)建立模型。

3　變壓器故障診斷實例分析及比較

3.1實例數(shù)據(jù)

考慮到變壓器的容量、型號、環(huán)境等因素的影響，本文從某省電力公司收集到了大量具有明確結(jié)論的變壓器（220 kV）油色譜數(shù)據(jù)，剔除冗余樣本和一些奇異數(shù)據(jù)后，最終選擇了500組樣本。將各類故障類型樣本隨機平均分成2組：訓(xùn)練集、測試集，其具體訓(xùn)練集和測試集劃分如表2。

表2　各數(shù)據(jù)集Tab.2　Each data set

3.2各算法參數(shù)設(shè)置

在CV-SVM交叉驗證法時限定懲罰參數(shù)C取值范圍（0，100］，高斯核參數(shù)g的取值范圍（0，100］，步長設(shè)置均為0.01；各元啟發(fā)式智能算法GA-SVM，PSO-SVM，DA-SVM中，種群的最大迭代次數(shù)為200，種群規(guī)模為20，懲罰參數(shù)C范圍（0，100］，核參數(shù)g范圍（0，100］；其中GA-SVM中交叉概率取0.7，變異概率為0.01；PSO-SVM中更新速度c1取1.494 45，更新速度c2取0.5，粒子最大速度取0.5，最小速度取-0.5；DA-SVM無需另外再進行參數(shù)設(shè)置。

3.3各算法運行結(jié)果及分析

分別將上述4種方法以及所收集的變壓器油色譜數(shù)據(jù)運用到對SVM分類器參數(shù)進行優(yōu)化，選取最優(yōu)參數(shù)組合（C，g），并利用各方法尋優(yōu)所尋得的最優(yōu)參數(shù)組合（C，g）及SVM分類器用對所收集的變壓器油色譜數(shù)據(jù)進行預(yù)測，通過對其相應(yīng)的運行時間t、分類器準(zhǔn)確率F-Accuracy，診斷模型準(zhǔn)確率Accuracy、最佳懲罰參數(shù)best C及最佳核參數(shù)best g來評價其相應(yīng)的性能。

將上述各算法依次運用到變壓器油色譜數(shù)據(jù)中，各運行10次，將其各組數(shù)據(jù)依次記錄在表3中。其各個算法尋優(yōu)過程見圖2-圖4。其各個算法對變壓器油色譜數(shù)據(jù)的分類效果圖依次為圖6-圖9。

表3　各算法參數(shù)C，g和準(zhǔn)確率Tab.3　Algorithm parameters C，g and accuracy

其各個算法尋優(yōu)圖依次為

圖2　GA-SVM尋優(yōu)圖Fig.2　Optimization figure of CV-SVM

圖3　PSO-SVM尋優(yōu)圖Fig.3　Optimization of PSO-SVM

圖4　DA-SVM尋優(yōu)圖Fig.4　Optimization of DA-SVM

其各個算法變壓器故障診斷分類預(yù)測圖依次為

圖5　CV-SVM變壓器故障診斷分類效果圖Fig.5　Fault diagnosis classification effect of CV-SVM

圖6　GA-SVM變壓器故障診斷分類效果圖Fig.6　Fault diagnosis classification effect of GA-SVM

圖7　PSO-SVM變壓器故障診斷分類效果圖Fig.7　Fault diagnosis classification effect of PSO-SVM

圖8　DA-SVM變壓器故障診斷分類效果圖Fig.8　Fault diagnosis classification effect of DA-SVM

表4　各算法參數(shù)C，g和準(zhǔn)確率匯總Tab.4　Algorithm parameters C，g，and accuracy summary

將表3中時間t，分類器準(zhǔn)確率F-Accuracy及變壓器診斷準(zhǔn)確率Accuracy取平均值，懲罰參數(shù)和核參數(shù)的組合選擇懲罰參數(shù)較小的參數(shù)組合，將其匯總到表4。

由表4及圖2-圖8可得出：通過對變壓器油色譜數(shù)據(jù)的分析處理，分別采用4種不同的算法對支持向量機的SVM分類器的參數(shù)組合（C，g）進行尋優(yōu)。從變壓器故障診斷的數(shù)據(jù)及圖形分析可得，本文提出的基于蜻蜓算法的支持向量機DA-SVM的變壓器故障診斷，與傳統(tǒng)的交叉驗證法支持向量機CV-SVM變壓器故障診斷、基于遺傳算法的支持向量機GA-SVM變壓器故障診斷及基于粒子群算法的PSO-SVM變壓器故障診斷相比，在尋找參數(shù)組合（C，g）時有更高的分類器準(zhǔn)確率及更高的變壓器故障診斷準(zhǔn)確率，更強的尋優(yōu)能力，更好的收斂性及收斂速度，且具有較良好的穩(wěn)定性。由圖2-圖4圖中可以看出，圖2、圖3在達到最優(yōu)前容易陷入局部最優(yōu)，而圖4則沒有這種情況，因為蜻蜓算法的位置更新的5種行為可以避免搜索陷入局部最優(yōu)的情況。傳統(tǒng)的交叉驗證法CV-SVM雖然有較高的準(zhǔn)確率和較好的穩(wěn)定性，但其所耗費的時間太長；基于遺傳算法的支持向量機GA-SVM變壓器故障診斷，雖然在運行分類診斷的時間上有所提高，但其運行分類診斷的準(zhǔn)確率及穩(wěn)定性不如傳統(tǒng)的交叉驗證法CV-SVM；基于粒子群算法的PSO-SVM變壓器故障診斷在較基于遺傳算法的支持向量機GA-SVM變壓器故障診斷在分類診斷準(zhǔn)確率及穩(wěn)定上有了進一步的提高，與傳統(tǒng)的交叉驗證發(fā)CV-SVM差別不大，但所耗費的時間卻比基于遺傳算法的支持向量機GA-SVM變壓器故障診斷在分類診斷的時間多。而本文所提出的基于蜻蜓算法的支持向量機DA-SVM的變壓器故障診斷，與上述3種算法相比，所耗費的時間少，尋優(yōu)能力強，分類器的準(zhǔn)確率與變壓器故障診斷的準(zhǔn)確率都更高，穩(wěn)定性好，且收斂性好，收斂速度快。

4　總結(jié)

針對電力變壓器運行狀態(tài)直接影響到電網(wǎng)的運行安全，正確診斷電力變壓器的潛伏性故障對提高電力系統(tǒng)的運行安全性、可靠性及經(jīng)濟性具有重要意義及支持向量機懲罰參數(shù)C和核參數(shù)g對SVM分類器的性能有重要影響，提出元啟發(fā)算法基于蜻蜓算法的支持向量機DA-SVM變壓器故障診斷。通過4種算法：基于蜻蜓算法的支持向量機DA-SVM的變壓器故障診斷法、傳統(tǒng)的交叉驗證法支持向量機CV-SVM變壓器故障診斷法、基于遺傳算法的支持向量機GA-SVM變壓器故障診斷法及基于粒子群算法的PSO-SVM變壓器故障診斷法對變壓器油色譜數(shù)據(jù)進行變壓器故障診斷試驗，從對比試驗中的數(shù)據(jù)及圖形可以得出：本文提出的元啟發(fā)算法基于蜻蜓算法的支持向量機DA-SVM的變壓器故障診斷方法，在對變壓器進行故障診斷中，有更好的分類器準(zhǔn)確率及故障診斷正確率，且在SVM分類器的參數(shù)組合（C，g）尋優(yōu)中較其他3種算法有耗費時間少，尋優(yōu)能力強，穩(wěn)定性好，且收斂性好，收斂速度快的優(yōu)越性。

［1］趙峰，李碩.基于DGA和改進型灰關(guān)聯(lián)度模型的牽引變壓器故障診斷［J］.高電壓器，2015，51（1）：41-45.

［2］薛浩然，張珂珩，李斌，等.基于布谷鳥算法和支持向量機的變壓器故障診斷［J］.電力系統(tǒng)保護與控制，2015，43（8）：8-13.

［3］田沖.電力變壓器狀態(tài)評估及故障診斷方法研究［D］.重慶：重慶大學(xué)，2015.

［4］牛東曉，谷志紅，邢棉，等.基于數(shù)據(jù)挖掘的SVM短期負(fù)荷預(yù)測方法研究［J］.中國電機工程學(xué)報，2006，26（18）：6-12.

［5］尹金良，朱永利，俞國勤，等.基于高斯過程分類器的變壓器故障診斷［J］.電工技術(shù)學(xué)報，2013，28（1）：158-164.

［6］石曉艷，劉淮霞，于水娟.鯰魚粒子群算法優(yōu)化支持向量機的短期負(fù)荷預(yù)測［J］.計算機工程與應(yīng)用，2013，49（11）：220-227.

［7］郭創(chuàng)新，朱承治，張琳，等.應(yīng)用多分類多核學(xué)習(xí)支持向量機的變壓器故障診斷方法［J］.中國電機工程學(xué)報，2010，30（13）：128-134.

［8］陳小青，劉覺民，黃英偉，等.采用改進人工魚群優(yōu)化粗糙集算法的變壓器故障診斷［J］.高電壓技術(shù)，2012，38（6）：1403-1409.

［9］茆美琴，龔文劍，張榴晨，等.基于EEMD-SVM方法的光伏電站短期出力預(yù)測［J］.中國電機工程學(xué)報，2013（34）：17-24.

［10］尹金良，朱永利.支持向量機參數(shù)優(yōu)化及其在變壓器故障診斷中的應(yīng)用［J］.電測與儀表，2012，49（5）：11-16.

［11］衷路生，齊葉鵬，楊輝，等.PSO優(yōu)化的LS-SVM在列車弓網(wǎng)系統(tǒng)的建模研究［J］.華東交通大學(xué)學(xué)報，2012，29（3）：1-6.

［12］傅軍棟，鄒歡，康水華.PSO-SVM算法在智能建筑環(huán)境監(jiān)控系統(tǒng)中的應(yīng)用［J］.華東交通大學(xué)學(xué)報，2016，33（1）：121-127.

［13］PIATT I C.Fast training of support vector machines using sequential minimal optimization［C］//Advances in Kernel Methodssupport Vector Rning，MIT Press，1999：185-208.

［14］BRERETON R G，LLOYD G R.Support vector machines for classification and regression［J］.Analyst，2010，135（2）：230-67.

［15］MIRIALILI S.Dragonfly algorithm：a new meta-heuristic optinization technigue for solving single-objective，discrete，and multiobiective problems［J］.Neural Computing&Applications，2015，27（4）：1-21.

［16］謝龍君，李黎，程勇，等.融合集對分析和關(guān)聯(lián)規(guī)則的變壓器故障診斷方法［J］.中國電機工程學(xué)報，2015（2）：277-286.

［17］費勝巍，苗玉彬，劉成良，等.基于粒子群優(yōu)化支持向量機的變壓器故障診斷［J］.高電壓技術(shù)，2009，35（3）：509-513.

［18］宋永東.支持向量機參數(shù)選擇的研究［D］.湖北：華中師范大學(xué)，2013.

［19］鄭含博，王偉，李曉綱，等.基于多分類最小二乘支持向量機和改進粒子群優(yōu)化算法的電力變壓器故障診斷方法［J］.高電壓技術(shù)，2014，40（11）：134-139.

（責(zé)任編輯劉棉玲）

Transformer Fault Diagnosis Based on Dragonfly Optimization Algorithm and Support Vector Machine

Fu Jundong，Chen Li，Kang Shuihua，F(xiàn)eng Yixuan
（School of Electrical and Electronic Engineering，East China Jiaotong University，Nanchang 330013，China）

Power transformer is an important electrical equipment used to transform voltage，transmit and distribute power，and its running state directly affects the safety of power network.In order to improve the accuracy of fault diagnosis，this paper puts forward a kind of method for transformer fault diagnosis based on Dragonfly Algorithm（DA）and support vector machine（SVM）.Parameters of SVM classifier are optimized by DA and fitness function is implemented according to the maximum accuracy of SVM classification prediction.Transformer fault diagnosis example results show that，DA-SVM based on dragonfly algorithm，compared with cross validation method of transformer fault diagnosis CV-SVM，GA-SVM based on genetic algorithm（GA），and PSO-SVM based on particle swarm algorithm，has high accuracy of fault diagnosis，good global search capability，high convergence speed and superiority with good stability.

dragonfly algorithm（DA）；support vector machine（SVM）；transformer；fault diagnosis

TM715

A

1005-0523（2016）04-0103-10

2016－03－04

傅軍棟（1972—），男，副教授，研究方向為電力系統(tǒng)、智能化建筑。