基于灰狼算法优化支持向量机的变压器故障诊断

2020年第11期
144信息技术与信息化
电子与通信技术
不变,改变信号源的频率,先增加ƒ使得U o 降到中频时的0.707倍,此时输入信号的频率即为ƒH ,降低频率使得U o 降到中频时的0.707倍,此时输入信号频率即为ƒL 。
表5  幅频特性的测试与计算
脉冲变压器测试条件U i (mV)0.707*U o (mV)
f H f L 开环20.8444.7750.1khz 340Hz 闭环
20.8
农夫山泉与京华时报137.87
2.5MHz
440Hz
由表5测试结果可得,电压串联负反馈 能够较好地实现展宽电路通频带的功能。3  结论
由表2~5的测试与分析可得,电压串联负反馈能够增大电路输入阻抗,更好的匹配前级电路;能够减小电路输出阻抗,增强电路带负载能力;电压串联负反馈牺牲了放大倍数,提高了电路的稳定性;可以减小电路的非线性失真以及
dietmp3
对电路的通频带也有较好的展宽作用,优化电路各项动态指标。此外,该平台提供的解决方案,不仅解决了2020年新冠疫情下,开展在线实验的困难,还可以在更长远的大学开放性实践工作中提供更加开放和自由的空间,让学生真正体验实验的自由开放 。
参考文献:
[1] 施金鸿,陈光明.电子技术基础实验与综合实践教程[M].北京:北京航空航天大学出版社, 2006:29.我不是一个坏女孩
四丁基溴化铵
[2] 陆凯,刘学敏. 基于net CIRCUIT labs 的两级交流放大器分析与研究[J]. 电子测试, 2020(15):56-57.
[3] 余华,刘岚,姚敏,等.基于虚-实结合新型实验云平台的教学改革研究与实践——以netCIRCUIT labs 系统为例[J]. 中国多媒体与网络教学学报, 2020(3):21-23.
(收稿日期:2020-09-16  修回日期:2020-10-11)
基于灰狼算法优化支持向量机的变压器故障诊断
熊军华*  师刘俊  康  义* **
XIONG Jun-hua  SHI Liu-jun  KANG Yi
dietmp3
摘 要                  针对变压器故障诊断准确率不高的问题,本文提出一种基于灰狼算法(GWO )优化支持向量机(SVM )
的变压器故障诊断模型。对比分析灰狼优化算法、粒子算法、网格寻优算法建立GWO-SVM 模型、PSO-SVM 模型、Grid-Search-SVM 模型,并用仿真软件MATLAB 进行验证分析,结果证明GWO-SVM 模型比PSO-SVM 模型、Grid-Search-SVM 模型在变压器故障诊断中具有更高的故障诊断准确率。
关键词                  灰狼优化算法;支持向量机;故障诊断;参数优化
doi:10.3969/j.issn.1672-9528.2020.11.044
* 华北水利水电大学电力学院 河南郑州 450045**郑州上控电气技术有限公司 河南郑州 450001
0  引言
电力变压器是电力系统的重要部分,近年来电力系统的电压等级的不断提高、直流输电的投入,变压器故障的概率呈增长趋势。目前,油中溶解气体分析法(Dissolved Gas Analysis,DGA)是检测变压器故障最有效的手段之一[1]。传统方法不能同时对多种故障进行诊断[2]。随着AI 技术的不断进步、成熟,人工智能的应用日趋成熟,为设备故障诊断带来新的方法。变压器原始故障数据高维复杂且为非线性,而支持向量机算法以统计学习理论为基础,可以解决非线性、
高维度等问题,支持向量机的采用提高了变压器故障诊断分类效果,而对故障诊断结果影响较大的是支持向量机参数[3]。本文构建了一种GWO-SVM 变压器故障诊断模型。对比GWO-SVM 和PSO-SVM 和Grid-Search-SVM 等诊断模型,证明所提方法诊断精度高,泛化能力强。1  GWO-SVM 模型
1.1  GWO 算法
灰狼优化算法(Grey Wolf Optimizer,GWO)是Mir-jalili 等人在2014年受灰狼捕食猎物的启发而提出的一种
智能优化算法[4]。该算法具有程序简洁、收敛性强、参数少等特点[5-6]。狼的生活习性以居为主,每个体中有7~12只狼,具有较为严格的等级制度,如图1所示。

本文发布于:2024-09-21 21:49:05,感谢您对本站的认可!

本文链接:https://www.17tex.com/xueshu/570083.html

版权声明:本站内容均来自互联网,仅供演示用,请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系,我们将在24小时内删除。

标签:变压器   电路   算法   故障诊断   优化
留言与评论(共有 0 条评论)
   
验证码:
Copyright ©2019-2024 Comsenz Inc.Powered by © 易纺专利技术学习网 豫ICP备2022007602号 豫公网安备41160202000603 站长QQ:729038198 关于我们 投诉建议