PSO-SVM与PSO-GRNN算法应用于变压器故障模式分类的性能对比
支持向量机(Support Vector Machine,SVM)和GRNN神经网络在故障模式分类中得到广泛应用,对于大数据样本量、多故障种类时具有较高分类准确度.为进一步提高数值分类器的实用范围及运行效率,本文应用粒子群优化算法(Particle Swarm Optimization,PSO)分别对支持向量机SVM的惩罚参数和核函数参数、GRNN网络的权值和阈值参数进行优化.通过数值验证发现,以上分类器适用于多峰值复杂曲面函数,具有较强分类能力.将以上分类器用于实际油浸式变压器的DGA数据故障模式识别发现:PSO-SVM分类器随着故障模式的增加运行时间逐渐增大,且识别正确率呈现出总体下降的趋势;而PSO-GRNN分类器分类准确率较为稳定,但故障分类耗时较多.通过本文研究分析,数值验证了优化分类算法的有效性,对比了PSO-SVM和PSO-GRNN两种分类算法的性能,为变压器故障分类方法提供了思路和方法.
油浸式变压器 故障识别 支持向量机 广义回归神经网络 粒子群算法
姚强 张施令 苗玉龙
国网重庆市电力公司电力科学研究院,重庆市渝北区401123
国内会议
南京
中文
1-9
2016-11-15（万方平台首次上网日期，不代表论文的发表时间）