基于相对变换与核熵成分分析的电力变压器故障诊断方法

摘要

本发明公开一种基于相对变换与核熵成分分析的电力变压器故障诊断方法，采用相对变换核熵成分分析法提取特征，构造核极限学习机的训练样本集和测试样本集，然后训练核极限学习机分类器，形成最终的RTKECA‑KELM诊断模型；通过自适应量子粒子群优化算法优化RTKECA‑KELM诊断模型参数，得到最优模型参数组合，并保存最优RTKECA‑KELM诊断模型；将测试样本或者待诊断样本输入至训练好的最优RTKECA‑KELM诊断模型，得出诊断结果。本发明既能利用RT的非线性放大和抑制噪声的优点，又能发挥KECA非线性提取特征的优势，具有良好的特征提取效果，具有较高的故障诊断准确率，有效提升了模型的故障诊断精度。