基于BAS-SVM的配电网电压暂降源识别

电压暂降是电能质量问题的一种。为提高不同电压暂降扰动源的识别正确率,提出了一种基于天牛须搜索算法(beetle antennae search,BAS)和支持向量机(support vector machine,SVM)的电压暂降源识别方法。应用改进S变换提取不同电压暂降波形的相关幅值曲线和16个特征指标。通过天牛须搜索算法(BAS)对支持向量机(SVM)的惩罚因子和核函数参数进行寻优,构建BAS-SVM分类器,将提取到的特征指标数据进行归一化处理并采用5倍交叉验证划分训练样本集和测试样本集,将其输入新构建的分类器,实现对配电网不同类型电压暂降源的识别。最后,仿真结果表明,该分类器具有更好的分类效果。

基于天牛须搜索优化支持向量机的变压器故障诊断研究

为了准确地判断变压器绕组是否出现故障,保证变压器供电的可靠性,提出了一种基于天牛须搜索算法优化支持向量机(BAS-SVM)的变压器绕组故障诊断方法。采用支持向量机(SVM)作为变压器绕组形变程度的分类器,并应用天牛须算法对SVM的核函数和惩罚因子进行优化,通过人工经验训练BAS-SVM,使其具有很高的故障诊断精度。为了比较BAS-SVM算法在变压器绕组故障诊断的优越性,采用改进的粒子群优化算法(MPSO)优化SVM。通过仿真验证,BAS-SVM算法的故障诊断准确率比MPSO-SVM算法的故障诊断准确率高10%。最后通过实例验证了BAS-SVM算法对变压器绕组故障诊断的可行性。