基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究

易灵芝; 龙娇; 王雅慧; 黄健雄; 孙涛; 余煌; 禹果

doi:10.3969/j.issn.1008-0198.2022.06.002

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 >

基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究

电力防灾减灾专栏 | 更新时间：2025-06-11

- 基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究
- Fault Diagnosis Study of Oil-Immersed Transformers of Optimized Kernel Based Extreme Learning Machine Based on Modified Aquila Optimizer
- 湖南电力 2022年42卷第6期页码：7-14
- 作者机构：
  
  1. 湘潭大学自动化与电子信息学院,湖南,湘潭,411105
  2. 湖南省多能源协同控制技术工程研究中心,湖南,湘潭,411105
  3. 湖南大学电气与信息工程学院,湖南,长沙,410082
- 作者简介：
- 基金信息：
  
  国家自然科学基金(61572416);国网输变电设备防灾减灾国家重点实验室开放课题(16218B-9000000-5000)
- DOI：10.3969/j.issn.1008-0198.2022.06.002
  中图分类号： TM411
- 纸质出版日期：2022
- 稿件说明：
移动端阅览
易灵芝, 龙娇, 王雅慧, 黄健雄, 孙涛, 余煌, 禹果. 基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究[J]. 湖南电力, 2022, 42(6): 7-14.

YI Lingzhi, LONG Jiao, WANG Yahui, et al. Fault Diagnosis Study of Oil-Immersed Transformers of Optimized Kernel Based Extreme Learning Machine Based on Modified Aquila Optimizer[J]. 2022, 42(6): 7-14.
易灵芝, 龙娇, 王雅慧, 黄健雄, 孙涛, 余煌, 禹果. 基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究[J]. 湖南电力, 2022, 42(6): 7-14. DOI： 10.3969/j.issn.1008-0198.2022.06.002.

YI Lingzhi, LONG Jiao, WANG Yahui, et al. Fault Diagnosis Study of Oil-Immersed Transformers of Optimized Kernel Based Extreme Learning Machine Based on Modified Aquila Optimizer[J]. 2022, 42(6): 7-14. DOI： 10.3969/j.issn.1008-0198.2022.06.002.

摘要

为提高油浸式电力变压器故障诊断的精度及可靠性

提出了一种基于改进天鹰算法(modified aquila optimizer

MAO)优化核极限学习机(kernel based extreme learning machine

KELM)的油浸式电力变压器故障诊断方法。利用Tent混沌映射、卡方概率密度函数

对原始天鹰优化算法(Aquila Optimizer

AO)进行改进

改进后的算法有效提升了收敛速度与寻优精度。利用MAO算法对核极限学习机模型中的正则化系数和核函数参数进行联合寻优

构建最优故障诊断模型。实验结果显示

MAO-KELM对变压器故障诊断的准确率达到95.8%

比AO、GWO和PSO优化的核极限学习机故障诊断模型分别提升了3.52%、10.07%和11.64%

体现了MAO算法的优越性

同时与传统模型进行比较

证明所提方法的诊断效果具有明显优势。

Abstract

In order to improve the accuracy and reliability of oil-immersed power transformer fault diagnosis

an oil-immersed power transformer fault diagnosis method of optimized kernel based extreme learning machine (KELM)based on the modified aquila optimizer (MAO)is proposed in this paper. The original aquila optimizer (AO) is improved by using Tent chaotic mapping and cardinality probability density function

and the improved algorithm effectively improves the convergence speed and the accuracy of the optimization search.The optimal fault diagnosis model is constructed by jointly seeking the regularization coefficients and kernel function parameters in the KELM using the MAO algorithm. The experimental results show that the accuracy of MAO-KELM for transformer fault diagnosis reaches 95.8%

which is 3.52%

10.07% and 11.64% higher than the optimized KELM fault diagnosis models of AO

GWO and PSO respectively

reflecting the superiority of the MAO algorithm

and comparing with the traditional model

the proposed method has obvious advantages in its diagnosis effect.

关键词

Keywords

references

吴晓欣, 何怡刚, 段嘉珺, 等. 考虑复杂时序关联特性的Bi-LSTM变压器DGA故障诊断方法[J]. 电力自动化设备, 2020, 40(8): 184-193.

王雨虹, 王志中, 付华, 等. 多策略改进麻雀算法与BiLSTM的变压器故障诊断研究[J]. 仪器仪表学报, 2022, 43(3): 87-97.

王德文, 雷倩. 基于贝叶斯正则化深度信念网络的电力变压器故障诊断方法[J]. 电力自动化设备, 2018, 38(5): 129-135.

刘仲民, 翟玉晓, 张鑫, 等. 基于DBN-IFCM的变压器故障诊断方法[J]. 高电压技术, 2020, 46(12): 4258-4265.

吴杰康, 覃炜梅, 梁浩浩, 等. 基于自适应极限学习机的变压器故障识别方法[J]. 电力自动化设备, 2019, 39(10): 181-186.

周秀, 朱洪波, 马云龙, 等. 基于深度学习的变压器局部放电模式识别研究[J]. 高压电器, 2019, 55(12): 98-105.

荣智海, 齐波, 李成榕, 等. 面向变压器油中溶解气体分析的组合DBN诊断方法[J]. 电网技术, 2019, 43(10): 3800-3808.

张又文, 冯斌, 陈页, 等. 基于遗传算法优化XGBoost的油浸式变压器故障诊断方法[J]. 电力自动化设备, 2021, 41(2): 200-206.

余松, 胡东, 唐超, 等.基于TLR-ADASYN平衡化数据集的MSSA-SVM变压器故障诊断[J]. 高电压技术, 2021, 47(11): 3845-3853.

Yang X, Chen W, Li A, et al. BA-PNN-based methods for power transformer fault diagnosis[J]. Advanced Engineering Informatics, 2019, 39: 178-185.

周慧, 陈宪刚, 周宏贵, 等. 基于GA-BP和PSO-BP神经网络的间冷塔扇区出水温度预测研究[J]. 湖南电力, 2021, 41(6): 6-11.

Han X, Ma S, Shi Z, et al. A Novel Power Transformer Fault Diagnosis Model Based on Harris-Hawks-Optimization Algorithm Optimized Kernel Extreme Learning Machine[J]. Journal of Electrical Engineering & Technology, 2022, 17(3):1993-2001.

Deng W, Yao R, Zhao H, et al. A novel intelligent diagnosis method using optimal LS-SVM with improved PSO algorithm[J]. Soft Computing:A fusion of foundations,methodologies and applications, 2019, 23(7): 2445-2462.

Gharehchopogh,Farhad S, Gholizadeh H. A comprehensive survey: Whale Optimization Algorithm and its applications[J]. Swarm and Evolutionary Computation, 2019, 48: 1-24.

Abualigah L, Yousri D, Abd Elaziz M, et al. Aquila Optimizer: A novel meta-heuristic optimization algorithm[J]. Computers & Industrial Engineering, 2021, 157,107250:1-37.

Zhang C, Ding S. A stochastic configuration network based on chaotic sparrow search algorithm[J]. Knowledge-Based Systems, 2021, 220(3):106924.1-106924.20.

谢国民, 倪乐水, 曹媛. 基于VSRP与β-GWO-SVM的变压器故障辨识方法[J]. 高电压技术, 2021, 47(10): 3635-3641.

任作琳, 张儒剑, 田雨波. 风驱动优化算法[J]. 江苏科技大学学报(自然科学版), 2015, 29(2): 153-158.

Mirjalili S. SCA: A Sine Cosine Algorithm for solving optimization problems[J]. Knowledge-Based Systems, 2016, 96:120-133.

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.

田晓飞. 基于改进蝙蝠算法优化支持向量机的变压器故障诊断研究[J]. 黑龙江电力, 2019, 41(1): 11-15.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进北方苍鹰算法优化混合核极限学习机的变压器故障诊断方法

基于混沌理论的变压器绕组松动故障诊断方法

工业级源荷三相电压不平衡分析与处理方法研究

基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究

基于多点温度的变压器绕组无损识别方法