典型文献
基于IGA-XGBoost的变压器故障诊断研究
文献摘要：
为了提高变压器故障诊断的准确性,提出基于改进遗传算法优化极端梯度提升(IGA-Extreme Gradient Boosting,IGA-XGBoost)的变压器故障诊断模型.利用油中溶解气体分析法得到的5种特征气体数据样本训练极端梯度提升(Extreme Gradient Boosting,XGBoost)模型进行变压器故障诊断,再将改进遗传算法优化XGBoost解决参数多、收敛慢等问题.在遗传算法的基础上引入多样性与适应度共同作为评价指标,解决局部极大值问题.将改进遗传算法与网格搜索、随机游走和传统遗传算法寻优方法比较和分析,实验结果表明,改进遗传算法的收敛速度和泛化能力最好.再将IGA-XGBoost模型与遗传算法优化极端梯 度提升(Genetic Algorithm-Extreme Gradient Boosting,GA-XGBoost)、神经网络、支持向量机、随机森林、自适应提升法(Adaptive Boosting,AdaBoost)做对比实验,IGA-XG-Boost模型在变压器故障诊断中的预测精度为96.875％,均方差为0.15.IGA-XGBoost模型能有效提高变压器故障诊断精度.
文献关键词：
油中溶解气体分析;变压器;故障诊断;极端梯度提升;遗传算法
中图分类号：
作者姓名：
曹伟嘉;杨留方;徐天奇;毛玉明;谢宗效
作者机构：
云南民族大学电气与信息工程学院,昆明650504
文献出处：
引用格式：
[1]曹伟嘉;杨留方;徐天奇;毛玉明;谢宗效-.基于IGA-XGBoost的变压器故障诊断研究)[J].自动化与仪器仪表,2022(04):1-5
A类：
极大值问题
B类：
IGA,XGBoost,变压器故障诊断,诊断研究,改进遗传算法,遗传算法优化,化极,极端梯度提升,Extreme,Gradient,Boosting,故障诊断模型,用油,油中溶解气体分析,气体分析法,特征气体,样本训练,适应度,局部极大值,网格搜索,随机游走,算法寻优,方法比较,收敛速度,泛化能力,Genetic,Algorithm,自适应提升法,Adaptive,AdaBoost,故障诊断精度
AB值：
0.227351
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。
