典型文献
基于混合采样与IHBA-SVM的变压器故障辨识方法
文献摘要：
针对变压器故障数据的不平衡性弱化故障分类能力的问题,提出混合采样与改进蜜獾算法(IHBA)优化支持向量机(SVM)的变压器故障诊断方法.首先采用K近邻去噪、K均值聚类(K-means)与合成少数类过采样(SMOTE)对数据进行混合采样处理,以缓解诊断结果向多数类的偏移;然后使用Tent映射、轮盘赌随机搜索机制和最优个体扰动策略对传统蜜獾算法(HBA)进行改进,并使用IHBA优化SVM参数,以进一步提升变压器故障辨识能力;最后对所提方法进行算例仿真,结果显示,相较于传统的变压器故障辨识方法,采用K近邻去噪、K-means、SMOTE混合采样与IHBA-SVM相结合的故障诊断模型获得了最高的宏F1和微F1值,分别达到0.877和0.886,表明提出模型不仅具有更高的整体分类能力,且更能兼顾对少数类故障的辨识.
文献关键词：
变压器;故障诊断;改进蜜獾算法;平衡数据集;混合采样
中图分类号：
作者姓名：
谢国民;王嘉良
作者机构：
辽宁工程技术大学电气与控制工程学院 葫芦岛 125105
文献出处：
引用格式：
[1]谢国民;王嘉良-.基于混合采样与IHBA-SVM的变压器故障辨识方法)[J].电子测量与仪器学报,2022(12):77-85
A类：
IHBA
B类：
混合采样,故障辨识,辨识方法,故障数据,不平衡性,故障分类,改进蜜獾算法,优化支持向量机,变压器故障诊断,故障诊断方法,近邻,去噪,均值聚类,means,少数类,过采样,SMOTE,诊断结果,Tent,轮盘赌,随机搜索,搜索机制,扰动策略,故障诊断模型,出模,整体分类,平衡数据集
AB值：
0.280412
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
