基于人工蜂群算法优化支持向量机的变压器故障诊断

季伟 胡伟

摘  要：支持向量机参数的选择直接影响变压器故障诊断分类的准确率，为了提高变压器故障的诊断精度，提出一种基于人工蜂群算法优化支持向量机的变压器故障诊断模型。利用人工蜂群算法优化支持向量机的惩罚因子C和核函数参数σ。实验结果表明，文章提出的算法能够获得较高的故障诊断精度。

关键词：变压器;故障诊断;人工蜂群算法;参数优化;支持向量机

中图分类号：TM407        文献标志码：A         文章编号：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，变压器常用的故障诊断方法是油中溶解气体分析（dissolved gas analysis，DGA）[1]。在此基础上，形成了多种故障诊断方法。支持向量机作为一种机器学习分类算法被广泛应用在变压器故障诊断中[2-3]。本文利用人工蜂群算法对支持向量机参数进行优化，可以很大程度的克服局部最优解问题。通过对变压器故障诊断实例的分析，进一步验证了该方法的有效性和优越性。

1 人工蜂群算法优化支持向量机

在对变压器故障诊断时，诊断模型参数有两个重要参数：分别是惩罚因子C与核函数参数σ。结合图1所示的人工蜂群算法优化SVM流程图，利用以下步骤可以实现人工蜂群算法[4]对SVM的参数C和σ进行优化：

Step1：参数初始化。最大迭代次数M为50，食物源个数Np为30，优化参数D为2，模型参数[C，σ]的搜索范围[0.1，1000]，循环次数G为30。

Step2：由式（1）随机产生Np个食物源，根据式（2）适应度函数Fiti对每个食物源进行评价，找到最优食物源。

2.2 实验结果分析

本文采用300条变压器原始DGA故障数据，随机选取总数据的80%充当训练数据，其余数据作为测试数据。利用上述归一化处理后的变压器故障数据作为输入，并将ABC-SVM模型的变压器故障诊断精度与GA-SVM、PSO-SVM、SVM进行对比分析。如表1所示，GA-SVM、PSO-SVM、ABC-SVM的变压器故障诊断准确率均高于SVM的故障诊断精度，表明对SVM参数进行优化，可以进一步提高SVM的故障分类精度。而ABC-SVM的故障诊断准确率高于GA-SVM、PSO-SVM，表明人工蜂群算法比遗传算法、粒子群算法的优化性能较好，验证了基于ABC-SVM的变压器故障诊断模型的有效性和优越性。

3 结论

本文提出了一种基于人工蜂群优化支持向量机的变压器故障诊断模型（ABC-SVM），不仅解决了遗传算法和粒子群算法的局限性问题，还为支持向量机选择了最优参数。变压器故障诊断实例表明，该模型算法弥补了SVM的不足，提高了SVM故障診断精度。与GA-SVM、PSO-SVM相比，变压器故障诊断准确率高，进一步验证了模型的有效性和优越性。

参考文献：

[1]中国电力企业联合会，DL/T722-2014变压器油中溶解气体分析和判断导则[S].北京：中国电力出版社，2014.

[2]王保义，杨韵洁，张少敏.改进BP神经网络的SVM变压器故障诊断[J].电测与仪表，2019，56（19）：53-58.

[3]郭慧莹，王毅.基于DGA支持向量机的变压器故障诊断[J].现代电子技术，2019，42（19）：154-158+163.

[4]何尧，刘建华，杨荣华.人工蜂群算法研究综述[J].计算机应用研究，2018，35（05）：1281-1286.

[5]尹金良.基于相关向量机的油浸式电力变压器故障诊断方法研究[D].北京：华北电力大学，2013.