Für das Problem der geringen Genauigkeit bei der Diagnose von Isolationsölgasfehlern in Transformatorisolierölen (DGA) wurde der Schleimalgorithmus (SMA) unter Verwendung einer inversen Lernstrategie zur Bildung des ISMA-Algorithmus verbessert, um die Fähigkeit zur globalen Optimierung zu erhöhen und die Maschine zu optimieren Support Vector (SVM) und ein verbessertes Modell für die Fehlerdiagnose ISMA-SVM zu erstellen und es an Proben zu trainieren. Die Diagnose- und Erkennungsergebnisse wurden mit dem optimierten Modell des Grauwolfes GWO-SVM und dem PSO-SVM-Modell verglichen, und die Genauigkeit der Fehlerdiagnose von ISMA-SVM betrug 93,3%, was jeweils um 6,66 und 10,66 Prozentpunkte höher war als bei GWO-SVM und PSO-SVM.

Isolieröl; Gasfehler; Schleimalgorithmus; Maschine mit Trägervectoren; Diagnose und Erkennung