基于人工免疫算法优化支持向量机的电力变压器故障诊断研究

摘要

电力变压器是电力系统的枢纽设备，其运行的可靠性与电力系统的安全可靠运行有很大关系。因此，加强对变压器运行状态的检测，及时处理变压器内部的潜伏性故障，提高变压器运行的可靠性，对整个电网的安全可靠运行具有重大的现实意义。
　　 电力变压器故障诊断是根据变压器故障特征，确定故障的性质或者类别，为变压器的检修决策提供依据。实践表明，变压器绝缘油中溶解特征气体的分析技术在变压器故障诊断中具有重大作用。本文在分析变压器故障特点的基础上，根据油中溶解气体所提供的有效信息，研究了故障气体的组成含量与变压器故障类型之间的相互联系。由于传统的变压器故障诊断方法存在检测精度不高，需要大量经验积累等不足，因此迫切需要提出一些新的变压器故障诊断技术来弥补当前变压器故障诊断中的各种缺陷。
　　 支持向量机是在统计学理论基础上发展起来的一种新型学习方法，它不仅能够较好的解决神经网络算法中的高维问题和局部极值问题，而且对小样本数据具有很好的学习泛化能力，因此，将其应用到故障样本数据有限的电力变压器故障诊断中具有一定的优越性。然而由于支持向量机核函数及其参数对支持向量机的分类性能影响很大，传统的参数选取方法存在计算量大，搜索费时等缺陷，往往不能很好地满足变压器故障诊断的要求。人工免疫算法通过选择和对优秀抗体进行克隆复制的记忆机制，可以有效保证算法具有较强的全局优化特性，并且能以较快的速度收敛于全局最优解，在参数寻优方面具有极大的优势。本文在分析总结各种变压器故障诊断方法的基础上，提出了一种利用免疫进化算法优化支持向量机核参数的方法。实例分析表明，使用该方法能够取得较好的参数寻优效果，从而较好地解决了支持向量机参数难以选择的问题。
　　 本文又将支持向量机的分类识别能力应用到电力变压器的故障诊断中，提出了一种利用免疫进化算法优化支持向量机对变压器故障类型进行诊断的新方法。经过实例仿真测试表明，优化后的支持向量机的泛化能力和诊断精度都得到了大幅度提高，从而验证了本文方法的正确性和有效性。通过将本文方法与交叉优化支持向量机和遗传算法优化支持向量机在变压器故障诊断中进行对比，得出本文方法在故障诊断准确率和收敛性方面均明显优于其它两种方法，可大大提高变压器故障诊断的准确性和可靠性，对电力变压器故障诊断具有较好的指导作用。