基于声振特征区分的SMA优化SVM变压器机械松动识别方法

文档名：基于声振特征区分的SMA优化SVM变压器机械松动识别方法
摘要：基于梅尔频率倒谱系数(MFCC)提取的声振特征无法清晰描述变压器信号本身能量分布,应用于变压器机械松动识别时存在准确率不高的局限性,因此提出一种优先进行声振特征区分的变压器故障识别方法.首先依据XGBoost贡献指标化结合粗糙集分析区分MFCC特征显隐性:显性特征对状态识别贡献更高;其次,建立以Focal损失为目标的SMA优化模型,并按显隐性为SVM输入设置权重范围;最后,利用优化后的SVM对变压器实测样本进行训练分析.结果表明,该识别方法平均准确率达98.83%,较仅参数优化SVM的识别准确率提高2.48%,且变异波动小.相比PSO、WOA和GOA算法,SMA算法在特征全局优化和损失收敛性上更突出.此外,该方法还具有一定鲁棒性,引入5%干扰样本后准确率下降在0.3%以内,从而在变压器实际运行环境中具有抗干扰价值.

作者：马宏忠  王健  杨启帆  倪一铭Author：MAHongzhong  WANGJian  YANGQifan  NIYiming
作者单位：河海大学能源与电气学院,江苏南京211100
刊名：电机与控制学报 ISTICEIPKU
Journal：ElectricMachinesandControl
年，卷(期)：2023, 27(10)
分类号：TM41TM407
关键词：梅尔频率倒谱系数  分布式梯度增强  贡献指标化  黏菌算法  支持向量机  变压器状态识别  
Keywords：Melfrequencycepstrumcoefficient  extremegradientboosting  contributionindexing  slimemouldalgorithm  supportvectormachine  transformerstateidentification  
机标分类号：TP391TN912.34TM407
在线出版日期：2023年12月18日
基金项目：国家自然科学基金，国网江苏省电力公司科技项目基于声振特征区分的SMA优化SVM变压器机械松动识别方法[
期刊论文]  电机与控制学报--2023, 27(10)马宏忠  王健  杨启帆  倪一铭基于梅尔频率倒谱系数(MFCC)提取的声振特征无法清晰描述变压器信号本身能量分布,应用于变压器机械松动识别时存在准确率不高的局限性,因此提出一种优先进行声振特征区分的变压器故障识别方法.首先依据XGBoost贡献指标化...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文

        基于声振特征区分的SMA优化SVM变压器机械松动识别方法  SMA-optimized SVM transformer state identification method based on acoustic vibration feature differentiation

基于声振特征区分的SMA优化SVM变压器机械松动识别方法.pdf

2024-12-14 11:58 上传 基于声振特征区分的SMA优化SVM变压器机械松动识别方法.pdf

文件大小:

6.4 MB

下载次数:

60

高速下载