基于改进遗传算法与LS-SVM的变压器故障气体预测方法

摘要

最小二乘支持向量机(LS-SVM)能较好的解决小样本、非线性数据特征的多分类问题，适用于电力变压器油色谱故障气体预测，但参数c与σ2的选取对预测结果影响较大，有必要对其进行优化选择。文中提出一种基于改进遗传算法(IGA)的参数寻优方法，并将其应用到变压器油中故障气体预测。IGA算法采用了编码机制，随机产生初始种群，可快速扩大搜索空间，稳定群体中个体多样性，有效提高全局搜索能力和收敛速度。最后进行了多组现场数据的实例分析，结果表明：基于IGA进行参数优化后的预测准确率明显优于传统LS-SVM预测结果。