基于Adaboost-INGO-HKELM的变压器故障辨识

针对目前变压器故障诊断准确率低的问题,提出一种多策略集成模型.首先通过等度量映射(isometric mapping,Isomap)对高维非线性不可分的变压器故障数据进行降维处理.其次,利用混合核极限学习机(hybrid kernel based extreme learning machine,HKELM)进行训练学习,考虑到HKELM模型易受参数影响,所以利用北方苍鹰优化算法(northern goshawk optimization,NGO)对其参数进行寻优.但由于NGO收敛速度较慢,易陷入局部最优,引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进.同时为了提高模型整体的...

Full description

Saved in:
Bibliographic Details
Published in电力系统保护与控制 Vol. 52; no. 5; pp. 94 - 104
Main Authors 谢国民, 江海洋
Format Journal Article
LanguageChinese
Published 辽宁工程技术大学电气与控制工程学院,辽宁 葫芦岛 125105 01.03.2024
Subjects
等度量映射
fault diagnosis
Adaboost integration algorithm
hybrid kernel based extreme learning machine
故障诊断
isometric mapping
Chebyshev chaotic mapping
Adaboost集成算法
oil-immersed transformer
切比雪夫混沌映射
油浸式变压器
混合核极限学习机
Online AccessGet full text
ISSN1674-3415
DOI10.19783/j.cnki.pspc.231055

Cover

More Information
Summary:针对目前变压器故障诊断准确率低的问题,提出一种多策略集成模型.首先通过等度量映射(isometric mapping,Isomap)对高维非线性不可分的变压器故障数据进行降维处理.其次,利用混合核极限学习机(hybrid kernel based extreme learning machine,HKELM)进行训练学习,考虑到HKELM模型易受参数影响,所以利用北方苍鹰优化算法(northern goshawk optimization,NGO)对其参数进行寻优.但由于NGO收敛速度较慢,易陷入局部最优,引入切比雪夫混沌映射、择优学习、自适应t分布联合策略对其进行改进.同时为了提高模型整体的准确率,通过结合Adaboost集成算法,构建Adaboost-INGO-HKELM变压器故障辨识模型.最后,将提出的Adaboost-INGO-HKELM 模型与未进行降维处理的 INGO-HKELM 模型、Isomap-INGO-KELM 模型、Adaboost-Isomap-GWO-SVM等 7种模型的测试准确率进行对比.提出的Adaboost-INGO-HKELM模型的准确率可达96%,均高于其他模型,验证了该模型对变压器故障辨识具有很好的效果.
ISSN:1674-3415
DOI:10.19783/j.cnki.pspc.231055