典型文献
改进支持向量机在电力变压器故障诊断中的应用研究
文献摘要：
针对电力变压器故障诊断中状态量判断指标过于绝对、智能算法准确率受参数影响等问题,在分析电力变压器故障的基础上,提出将支持向量机(Support Vector Machine,SVM)和细菌觅食算法(Bacterial Foraging Algorithm,BFA)相结合用于电力变压器的故障诊断方法.通过细菌觅食算法的寻优能力找到最优的支持向量机惩罚因子和核参数,提高了故障诊断能力.通过仿真和实例进行对比分析,验证了该方法的优越性.结果表明,相比于粒子群优化,细菌觅食算法具有更好的寻优能力.基于BFA-SVM的故障诊断模型,相比于改进前,具有更高的准确性、鲁棒性和寻优能力,故障诊断准确率相比于粒子群优化提高了 7.50％,具有一定的实用价值.
文献关键词：
电力变压器;故障诊断;支持向量机;细菌觅食算法;最优参数
中图分类号：
作者姓名：
邱海枫;苏宁;田松林
作者机构：
深圳供电局有限公司,广东 深圳518048;南方电网深圳数字电网研究院有限公司,广东 深圳518034
文献出处：
引用格式：
[1]邱海枫;苏宁;田松林-.改进支持向量机在电力变压器故障诊断中的应用研究)[J].电测与仪表,2022(11):48-53
A类：
B类：
改进支持向量机,电力变压器,变压器故障诊断,状态量,断指,智能算法,参数影响,Support,Vector,Machine,细菌觅食算法,Bacterial,Foraging,Algorithm,BFA,故障诊断方法,过细,寻优能力,惩罚因子,核参数,诊断能力,粒子群优化,故障诊断模型,进前,故障诊断准确率,最优参数
AB值：
0.289864
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。
