典型文献
基于改进GSA-SVM模型的电力变压器故障诊断
文献摘要：
准确评估输变电设备运行状态是电力企业生产技术工作的核心内容.为提高电力变压器故障诊断精度,避免传统引力搜索算法(GSA)自身收敛速度慢且易陷入局部最优区等不足,提出一种利用混沌序列改进GSA的支持向量机(SVM)模型,用于电力变压器故障诊断中.首先利用混沌序列来增加重力粒子的多样性,目的是避免在其训练时陷入局部最优区;然后利用改进的GSA算法来优化SVM模型自身的参数,从而提升该模型的预测准确率;最后将预测结果与其他3种传统诊断模型的预测结果进行了对比分析,结果表明利用混沌序列改进的GSA-SVM模型有着更好的泛化能力以及更高的分类准确率.
文献关键词：
电力变压器;GSA;混沌序列;SVM;故障诊断
中图分类号：
作者姓名：
咸日常;范慧芳;李飞;高鸿鹏;陈蕾
作者机构：
山东理工大学电气与电子工程学院,山东淄博 255049;国网山东淄博供电公司,山东淄博255049
文献出处：
引用格式：
[1]咸日常;范慧芳;李飞;高鸿鹏;陈蕾-.基于改进GSA-SVM模型的电力变压器故障诊断)[J].智慧电力,2022(06):50-56
A类：
B类：
GSA,电力变压器,变压器故障诊断,输变电设备,设备运行状态,电力企业,技术工作,故障诊断精度,引力搜索算法,收敛速度,速度慢,局部最优,混沌序列,预测准确率,传统诊断,诊断模型,泛化能力,分类准确率
AB值：
0.2298
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。
