典型文献
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
文献摘要：
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.
文献关键词：
变压器;核极限学习机;天鹰优化算法;故障诊断
中图分类号：
作者姓名：
易灵芝;龙娇;王雅慧;黄健雄;孙涛;余煌;禹果
作者机构：
湘潭大学自动化与电子信息学院,湖南湘潭411105;湖南省多能源协同控制技术工程研究中心,湖南湘潭411105;湖南大学电气与信息工程学院,湖南长沙410082
文献出处：
引用格式：
[1]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(06):7-14
A类：
B类：
天鹰算法,算法优化,核极限学习机,油浸式变压器,变压器故障诊断,诊断研究,高油,油浸式电力变压器,modified,aquila,optimizer,MAO,kernel,extreme,learning,machine,KELM,故障诊断方法,Tent,混沌映射,概率密度函数,天鹰优化算法,Aquila,Optimizer,收敛速度,寻优精度,极限学习机模型,正则化,核函数,函数参数,故障诊断模型,GWO,PSO,传统模型,诊断效果
AB值：
0.319016
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。
