基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法

输配电设备状态评价与故障诊断 | 更新时间：2025-12-08

- 基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法
- 基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法
- 高电压技术 2014年40卷第11期页码：3424-3429
- 作者机构：
  
  国网河南省电力公司电力科学研究院
- 作者简介：
- 基金信息：
- DOI：10.13336/j.1003-6520.hve.2014.11.018
  中图分类号： TM41
- 纸质出版：2014
- 稿件说明：
移动端阅览
[1]郑含博,王伟,李晓纲,王立楠,李予全,韩金华.基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J].高电压技术,2014,40(11):3424-3429.

郑含博, 王伟, 李晓纲, et al. 基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J]. 2014, 40(11): 3424-3429.
[1]郑含博,王伟,李晓纲,王立楠,李予全,韩金华.基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J].高电压技术,2014,40(11):3424-3429. DOI： 10.13336/j.1003-6520.hve.2014.11.018.

郑含博, 王伟, 李晓纲, et al. 基于多分类最小二乘支持向量机和改进粒子群优化算法的电力变压器故障诊断方法[J]. 2014, 40(11): 3424-3429. DOI： 10.13336/j.1003-6520.hve.2014.11.018.

为了提高故障诊断的准确率

提出了一种多分类最小二乘支持向量机（LS-SVM）和改进粒子群优化（PSO）相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM

实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数

并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明

采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比

该方法的诊断准确率更高。

浏览量

3484

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于粒子群优化支持向量机的变压器故障诊断

再论人工神经网络应用于电力变压器故障诊断

组合神经网络模型中典型训练样本集的选取

电力变压器固体绝缘故障的诊断方法

用多元统计分析识别变压器过热及放电性故障