一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法技术

本发明专利技术公开了一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，包括：对电抗器故障诊断数据进行预处理，构建训练样本和测试样本；建立基于支持向量机的电抗器故障诊断模型；改进果蝇算法；建立基于IFOA‑SVM的油浸式电抗器故障诊断模型；将样本数据代入故障诊断模型，实现电抗器故障诊断。本发明专利技术提出的基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，适用于小数据量样本的训练；改进的果蝇算法实现了全局搜索能力和局部寻优能力的动态平衡，可以有效避免局部最优问题；将改进的果蝇算法应用于支持向量机惩罚参数C和核函数g的选择，可以实现参数的最优选择和自适应选择。

【技术实现步骤摘要】
一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法
本专利技术属于电力设备状态检测与故障诊断领域，具体涉及一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法。
技术介绍
电抗器是电力系统中重要的改善线路工频电压分布、改善线路无功分布的电力设备，其故障的发生和运行可靠性影响到整个电力系统的安全和使用寿命，因此，对油浸式电抗器进行故障诊断具有重要的实际应用价值。近年来，相关研究将很多智能算法应用到电抗器故障诊断中，如模糊聚类、遗传算法、人工神经网络等，但这些算法需要大量的故障样本数据。支持向量机(supportvectormachine，SVM)是一种基于统计学习理论的机器学习算法，适用于小样本故障诊断研究，可以解决在实际中故障样本存在获取难度大的问题。在SVM分类器的建立中，核函数g和惩罚因子C的选取对诊断结果有很大影响，且存在模型参数选择的随机性和盲目性。
技术实现思路
针对上述问题，本专利技术提出一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，将一种改进的果蝇优化算法(improvedfruitflyoptimizationalgorithm，IFOA)应用于支持本文档来自技高网...

【技术保护点】
1.一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于，包括以下步骤：(1)对电抗器故障诊断数据进行预处理，构建训练样本和测试样本，形成样本数据；(2)建立基于支持向量机的电抗器故障诊断模型；(3)建立改进果蝇算法；(4)建立基于IFOA‑SVM的油浸式电抗器故障诊断模型；(5)将样本数据代入故障诊断模型，实现电抗器故障诊断。

【技术特征摘要】
1.一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于，包括以下步骤：(1)对电抗器故障诊断数据进行预处理，构建训练样本和测试样本，形成样本数据；(2)建立基于支持向量机的电抗器故障诊断模型；(3)建立改进果蝇算法；(4)建立基于IFOA-SVM的油浸式电抗器故障诊断模型；(5)将样本数据代入故障诊断模型，实现电抗器故障诊断。2.根据权利要求1所述的一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于：所述步骤(1)中的预处理为归一化处理。3.根据权利要求1所述的一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于：所述步骤(2)中的基于支持向量机的电抗器故障诊断模型为：式中，为径向基函数，g＞0；m表示迭代次数，xi、xj表示样本位置，b为偏置，αi为拉格朗日乘子。4.根据权利要求1所述的一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于：所述步骤(3)中的改进果蝇算法具体包括以下子步骤：(3.1)设定果蝇种群规模Spop，最大觅食代数Iter，随机初始化果蝇群体位置，初始化结果为(X0,Y0,Z0)；(3.2)进行果蝇个体随机搜索的方向和距离的计算，计算公式为：式中，i＝1,2,3,…Spop；L0为初始步长值；mgen为当前觅食代数；Xi、Yi、Zi分别为果蝇个体在下一时刻的位置；rands(1,N)为随机产生N维变量；(3.3)计算出味道浓度判定值Si；(3.4)将味道浓度判定值Si代入味道浓度判定函数，计算出果蝇个体...

【专利技术属性】
技术研发人员：田涛，朱超，陈昊，郝宝欣，李义峰，赵若妤，马宏忠，吴书煜，
申请(专利权)人：国网江苏省电力有限公司检修分公司，河海大学，
类型：发明
国别省市：江苏,32