论文摘要
油中溶解气体是变压器故障诊断的重要依据,为了融合以及扩充变压器油中溶解气体含量的特征信息,提高变压器故障诊断准确率,文中提出了改进BP神经网络的SVM(Support Vector Machine)变压器故障诊断方法。通过改进的BP神经网络将5维的气体特征信息进行融合并扩充到128维;在改进的BP神经网络中使用每层提取的特征向量作为SVM的输入对变压器故障进行诊断,增加改进的BP神经网络中诊断准确率较高的特征向量的权重;选择累积权重最大的特征向量作为输入,使用SVM进行变压器的故障诊断。该方法经过多层神经网络的映射使提取的气体特征信息融合及扩充后具有更加明显的特征区别,从而可以有效的提高SVM的诊断准确率。实验结果表明,所提出的算法与BP神经网络和SVM的变压器故障诊断方法相比诊断准确率有较大的提升。同时,随着训练数据样本的增加,模型的诊断准确率具有一定的提升。
论文目录
文章来源
类型: 期刊论文
作者: 王保义,杨韵洁,张少敏
关键词: 变压器,故障诊断,改进神经网络,权重,准确率
来源: 电测与仪表 2019年19期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 电力工业,自动化技术
单位: 华北电力大学控制与计算机工程学院
分类号: TM407;TP183
DOI: 10.19753/j.issn1001-1390.2019.019.009
页码: 53-58
总页数: 6
文件大小: 1231K
下载量: 669