基于改进粒子群优化LS-SVM的变压器故障气体预测

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。提出一种基于改进粒子群(MPSO)的参数寻优方法,并将其应用到变压器油中故障气体预测。改进粒子群算法在每次迭代中,将粒子群进行分类,不同类粒子采取不同加速因子,相比较经典粒子群算法,可以有效扩大粒子搜索区间,增强其局部搜索能力。最后进行了多组现场数据的实例分析,结果表明:基于MPSO进行参数优化后的LS-SVM预测准确率明显优于传统LS-SVM预测结果。