基于帝国殖民竞争算法优化支持向量机的电力变压器故障诊断模型

提出了一种基于帝国殖民竞争算法优化支持向量机的变压器故障诊断模型。对支持向量机进行了非线性和多分类变换,构建了k-折平均分类准确率目标函数,建立了帝国殖民竞争算法优化支持向量机的非线性多分类模型,结合交叉验证原理对变压器进行了故障诊断。故障诊断结果表明,所提方法的平均测试准确率优于标准支持向量机和粒子群优化算法优化支持向量机(准确率分别为77.08%、57.97%和61.96%),验证了所提模型的有效性。采用UCI基准数据集对所提模型进行分类测试,结果表明所提模型在解决分类问题上具有较好的泛化性。

基于AD-CNN算法的配电网内部过电压识别技术

准确识别过电压类型是过电压事故处理的首要任务。针对浅层分类器难以识别高维特征的问题,提出了原子分解(atomic decomposition,AD)结合卷积神经网络(convolution neural network,CNN)的配电网内部过电压识别方法。该方法利用原子分解法分解母线三相电压,依据频率重构最优原子得到高维特征-特征原子谱,然后将特征原子谱输入到CNN中,即可实现7类典型内部过电压的识别。在仿真和物理实验平台上对所提方法进行了验证,结果表明:CNN相对于浅层学习的支持向量机和极限学习机具有更强的自主学习能力;相对于低维特征结合浅层分类器的识别算法,所提方法具有更高的识别率和更强的适应性,该识别方法能较好地适用于配电网内部过电压的识别。论文研究可为配电网内部过电压的识别提供一定的参考。