为了提高故障诊断的准确率,提出了一种多分类最小二乘支持向量机(LS-SVM)和改进粒子群优化(PSO)相结合的电力变压器故障诊断方法。引入最小输出编码构造多个2分类LS-SVM,实现了变压器诊断的多类分类。利用PSO算法获得LS-SVM诊断模型的最优参数,并采用交叉验证原理来提高分类算法的整体泛化性能。实例分析结果表明,采用LS-SVM和PSO算法可以准确、有效地对变压器进行故障诊断;与传统的电力变压器故障诊断方法相比,该方法的诊断准确率更高。本文选取95组样本作为变压器故障诊断的训练样本，选取25组样本数据作为测试样本，变压器故障样本统计如表1所示。本文中参数C和σ的PSO搜索区间范围分别设为[0.1，100]和[0.1，10]；PSO的最大进化代数为300；粒子群的个数为5；CV折数为7；w1=0.9，w2=0.1；c1i=2.5，c2i=0.5，c1f=0.5，c2f=2.5。图2为粒子群优化算法对LS-SVM故障诊断模型进行参数优化的适应度收敛曲线本文由全自动弯管机公司网站网站采集转载中国知网整理! http://www.wanguanji158.com ，故障诊断方法-电动折弯机数控滚圆机滚弧机张家港液压弯管机折弯机得到的优参数为：C=84.3143，σ2=0.7727。其中平均适应度为所有粒子在每一代中平均的适应度值，最佳适应度曲线为粒子群中所有粒子在每一代中的最大适应度值。从图2中可以看到，适应度曲线在前50个进化周期内收敛较快，随后逐渐趋于平缓，最终收敛水平趋近一致，即实现了参数的优化。图3为变压器故障诊断的结果。由图3可知，95组训练样本中仅有6组样本出现诊断错误，而25组测试样本中只有2组样本(1组低温和中温热故障图2粒子群优化的适应度曲线Fig.2FitnesscurvesofPSO图3变压器故障诊断结果Fig表1变压器故障诊断样本统计T故障类型训练样本测试样本LE-D185HE-D257LM-T143HT257N133总计9525及1组正常状态)出现诊断错误，2者训练和测试的诊断准确率分别为93.6842%和92%，验证了采用该方法进行电力变压器故障诊断的有效性。3.2比较结果为便于比较，基于相同的训练和测试样本，分 M故障诊断模型进行参数优化的适应度收敛曲线，得到的最优参数为：C=84.3143，σ2=0.7727。其中平均适应度为所有粒子在每一代中平均的适应度值，最佳适应度曲线为粒子群中所有粒子在每一代中的最大适应度值。从图2中可以看到，适应度曲线在前50个进化周期内收敛较快，随后逐渐趋于平缓，最终收敛水平趋近一致，即实现了参数的优化。图3为变压器故障诊断的结果。由图3可知，95组训练样本中仅有6组样本出现诊断错误，而25组测试样本中只有2组样本(1组低温和中温热故障诊断方法-电动折弯机数控滚圆机滚弧机张家港液压弯管机折弯机本文由全自动弯管机公司网站网站采集转载中国知网整理! http://www.wanguanji158.com