季偉 胡偉

摘 ?要：支持向量機參數(shù)的選擇直接影響變壓器故障診斷分類的準確率，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)化支持向量機的懲罰因子C和核函數(shù)參數(shù)σ。實驗結果表明，文章提出的算法能夠獲得較高的故障診斷精度。

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

中圖分類號：TM407 ? ? ? ?文獻標志碼：A ? ? ? ? 文章編號：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]。在此基礎上，形成了多種故障診斷方法。支持向量機作為一種機器學習分類算法被廣泛應用在變壓器故障診斷中[2-3]。本文利用人工蜂群算法對支持向量機參數(shù)進行優(yōu)化，可以很大程度的克服局部最優(yōu)解問題。通過對變壓器故障診斷實例的分析，進一步驗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

在對變壓器故障診斷時，診斷模型參數(shù)有兩個重要參數(shù)：分別是懲罰因子C與核函數(shù)參數(shù)σ。結合圖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現(xiàn)人工蜂群算法[4]對SVM的參數(shù)C和σ進行優(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）隨機產生Np個食物源，根據(jù)式（2）適應度函數(shù)Fiti對每個食物源進行評價，找到最優(yōu)食物源。

2.2 實驗結果分析

本文采用300條變壓器原始DGA故障數(shù)據(jù)，隨機選取總數(shù)據(jù)的80%充當訓練數(shù)據(jù)，其余數(shù)據(jù)作為測試數(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進行對比分析。如表1所示，GA-SVM、PSO-SVM、ABC-SVM的變壓器故障診斷準確率均高于SVM的故障診斷精度，表明對SVM參數(shù)進行優(yōu)化，可以進一步提高SVM的故障分類精度。而ABC-SVM的故障診斷準確率高于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 結論

本文提出了一種基于人工蜂群優(yōu)化支持向量機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題，還為支持向量機選擇了最優(yōu)參數(shù)。變壓器故障診斷實例表明，該模型算法彌補了SVM的不足，提高了SVM故障診斷精度。與GA-SVM、PSO-SVM相比，變壓器故障診斷準確率高，進一步驗證了模型的有效性和優(yōu)越性。

參考文獻：

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

[2]王保義，楊韻潔，張少敏.改進BP神經網絡的SVM變壓器故障診斷[J].電測與儀表，2019，56（19）：53-58.

[3]郭慧瑩，王毅.基于DGA支持向量機的變壓器故障診斷[J].現(xiàn)代電子技術，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].計算機應用研究，2018，35（05）：1281-1286.

[5]尹金良.基于相關向量機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，2013.