基于改进北方苍鹰算法优化混合核极限学习机的变压器故障诊断方法

doi:10.3969/j.issn.1008-0198.2023.04.019

湖南电力 ›› 2023, Vol. 43 ›› Issue (4): 125-132.doi: 10.3969/j.issn.1008-0198.2023.04.019

基于改进北方苍鹰算法优化混合核极限学习机的变压器故障诊断方法

王士彬^1,2, 李多², 赵娜², 谢文龙², 黄伟², 季鸿宇²

1.国网重庆市电力公司市南供电分公司,重庆 401336;
2.重庆理工大学电气与电子工程学院,重庆 400054

收稿日期:2023-04-11 修回日期:2023-05-23 出版日期:2023-08-25 发布日期:2023-09-07
通信作者: 李多,男,硕士研究生,通信作者,主要从事电力设备在线监测与故障诊断等方面的研究。
作者简介:王士彬,男,高级工程师,主要从事电力建设及设备安装维护管理等方面的研究。
基金资助:
国家社会科学基金项目(21BJL098)

Transformer Fault Diagnosis Method of Optimized Hybrid Kernel Extreme Learning Machine Based on Improved Northern Goshawk Optimization Algorithm

WANG Shibin^1,2, LI Duo², ZHAO Na², XIE Wenlong², HUANG Wei², JI Hongyu²

1. State Grid Chongqing Shinan Electric Power Supply Branch, Chongqing 401336, China;
2. School of Electrical and Electronic Engineering, Chongqing University of Technology, Chongqing 400054, China

Received:2023-04-11 Revised:2023-05-23 Online:2023-08-25 Published:2023-09-07

摘要/Abstract

摘要： 为提高变压器故障诊断精度,提出了一种基于改进北方苍鹰优化算法(improved northern goshawk optimization algorithm,INGO)优化混合核极限学习机(hybrid kernel extreme learning machine,HKELM)的变压器故障诊断方法。首先,利用ReliefF算法对19维变压器故障特征进行筛选降维;其次,引入Logistic-tent混沌映射、柯西变异算子和非线性递增权重三种策略改进北方苍鹰优化算法,提高全局寻优能力;然后使用改进后的INGO算法优化HKELM的初始参数,以提高HKELM的分类准确性和鲁棒性;最后,将经ReliefF优选后的特征作为模型的输入特征,并与不同变压器故障诊断模型进行对比实验。仿真结果表明,INGO-HKELM故障诊断模型相较于其他模型具有更高的故障诊断精度。

关键词: 变压器, 故障诊断, 北方苍鹰优化算法, 混合核极限学习机

Abstract: To improve the accuracy of transformer fault diagnosis, a transformer fault diagnosis method of optimized hybrid kernel extreme learning machine(HKELM)based on improved northern goshawk optimization algorithm(INGO) is proposed. Firstly, the ReliefF algorithm is used to filter and reduce the dimensionality of 19 dimensional transformer fault features. Secondly, three strategies of Logistic tent chaotic mapping, Cauchy mutation operator, and nonlinear increasing weight, are introduced to improve the Northern Hawk optimization algorithm and enhance its global optimization ability. Then, the improved INGO algorithm is used to optimize the initial parameters of HKELM to improve its classification accuracy and robustness. Finally, the features optimized by ReliefF are used as input features for the model and compared with different transformer fault diagnosis models. The simulation results show that the INGO-HKELM fault diagnosis model has higher fault diagnosis accuracy compared to other models.

Key words: transformer, fault diagnosis, northern goshawk optimization algorithm, hybrid kernel extreme learning machine

中图分类号:

TM41

王士彬, 李多, 赵娜, 谢文龙, 黄伟, 季鸿宇. 基于改进北方苍鹰算法优化混合核极限学习机的变压器故障诊断方法[J]. 湖南电力, 2023, 43(4): 125-132.

WANG Shibin, LI Duo, ZHAO Na, XIE Wenlong, HUANG Wei, JI Hongyu. Transformer Fault Diagnosis Method of Optimized Hybrid Kernel Extreme Learning Machine Based on Improved Northern Goshawk Optimization Algorithm[J]. Hunan Electric Power, 2023, 43(4): 125-132.

参考文献 21

[1]	田凤兰,张恩泽,潘思蓉,等.基于特征量优选与ICA-SVM的变压器故障诊断模型[J].电力系统保护与控制,2019,47(17):163-170.
[2]	谢国民,蔺晓雨.基于改进SSA优化MDS-SVM的变压器故障诊断方法[J].控制与决策,2023,38(2):459-467.
[3]	Duval M. Dissolved gas analysis: It can save your transformer[J]. IEEE Electrical Insulation Magazine, 1989, 5(6): 22-27.
[4]	Rogers R R. IEEE and IEC codes to interpret incipient faults in transformers,using gas in oil analysis[J]. IEEE Transactions on Electrical Insulation,1978,EI-13(5):349-354.
[5]	赵玲玲,王群京,陈权,等.基于IBBOA优化BP神经网络的变压器故障诊断[J].电工电能新技术,2021,40(9):39-46.
[6]	杨德昌,廖文龙,任翔,等.基于胶囊网络的电力变压器故障诊断[J].高电压技术,2021,47(2):415-425.
[7]	康佳宇,张沈习,张庆平,等.基于ANOVA和BO-SVM的变压器故障诊断方法[J].高电压技术,2023,49(5):1882-1891.
[8]	李黄曼,张勇,张瑶.基于ISSA优化SVM的变压器故障诊断研究[J].电子测量与仪器学报,2021,35(3):123-129.
[9]	李恩文,王力农,宋斌,等.基于混沌序列的变压器油色谱数据并行聚类分析[J].电工技术学报,2019,34(24):5104-5114.
[10]	潘裕斌,王华,陈捷,等.基于核极限学习机自编码器的转盘轴承寿命状态识别[J].浙江大学学报(工学版),2022,56(9):1856-1866.
[11]	Dehghani M, HubálovskÝ Š TrojovskÝ P. Northern goshawk optimization: a new swarm-based algorithm for solving optimization problems[J]. IEEE Access, 2021,9:162059-162080.
[12]	王梓辰,窦震海,董军,等.多策略改进的自适应动态鲸鱼优化算法[J].计算机工程与设计,2022,43(9):2638-2645.
[13]	张晓琴,汪云飞,胡春强.基于改进极限学习机的数据采集与监控系统攻击检测模型[J].南京航空航天大学学报,2021,53(5):708-717.
[14]	李可军,徐延顺,魏本刚,等.基于PSO-HKELM的变压器顶层油温预测模型[J].高电压技术,2018,44(8):2501-2508.
[15]	郭建帅,崔双喜,郭建斌,等.基于VMD-SSA-HKELM的超短期负荷预测[J].国外电子测量技术,2022,41(6):105-111.
[16]	生龙,袁丽娜,武南南,等.基于GSA与DE优化混合核ELM的网络异常检测模型[J].计算机工程,2022,48(6):146-153.
[17]	栗磊,王廷涛,赫嘉楠,等.考虑过采样器与分类器参数优化的变压器故障诊断策略[J].电力自动化设备,2023,43(1):209-217.
[18]	田晓飞. 基于改进蝙蝠算法优化支持向量机的变压器故障诊断研究[D].成都:西华大学,2019.
[19]	丁学辉,许海林,罗颖婷,等.基于随机森林特征优选与MAEPSO-ELM算法的变压器DGA故障诊断[J].电力科学与技术学报,2022,37(2):181-187.
[20]	安国庆,史哲文,马世峰,等.基于RF特征优选的WOA-SVM变压器故障诊断[J].高压电器,2022,58(2):171-178.
[21]	廖才波,杨金鑫,胡雄,等.数据与经验混合驱动下的变压器故障分层诊断方法[J].高电压技术:2023,49(5):1841-1850.

基于改进北方苍鹰算法优化混合核极限学习机的变压器故障诊断方法

Transformer Fault Diagnosis Method of Optimized Hybrid Kernel Extreme Learning Machine Based on Improved Northern Goshawk Optimization Algorithm

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献 21

相关文章 11

编辑推荐

Metrics

本文评价

[1]	任乔林, 张逸, 张伟, 蔡萱, 吴优, 李钟灵. 变压器废油处置案例分析及应用[J]. 湖南电力, 2023, 43(4): 114-117.
[2]	鲁新生, 徐胜, 葛晨, 任杰. 基于磁流变脂的电力变压器减振装置设计[J]. 湖南电力, 2023, 43(3): 82-87.
[3]	杨彤, 姜晓峰, 阳瑞霖, 陈威. 基于时域特征参数与振动信号分析的有载分接开关故障诊断[J]. 湖南电力, 2023, 43(3): 125-132.
[4]	丁晓飞, 郭劲, 唐浩龙. 基于多点温度的变压器绕组无损识别方法[J]. 湖南电力, 2023, 43(1): 41-45.
[5]	易灵芝, 龙娇, 王雅慧, 黄健雄, 孙涛, 余煌, 禹果. 基于改进天鹰算法优化核极限学习机的油浸式变压器故障诊断研究[J]. 湖南电力, 2022, 42(6): 7-14.
[6]	吴晓文, 赵瑞敦, 李胜利, 陈炜, 胡胜. 变压器铁芯减振技术及三种减振橡胶性能测试[J]. 湖南电力, 2022, 42(6): 40-45.
[7]	王丹, 李勇, 胡斯佳, 吴晋波, 龚禹生, 彭衍建. 工业级源荷三相电压不平衡分析与处理方法研究[J]. 湖南电力, 2022, 42(6): 59-63.
[8]	李振华, 李浩, 黄景光, 张磊, 吴琳. 基于声信号和一维卷积神经网络的绝缘子污秽度监测方法研究[J]. 湖南电力, 2022, 42(4): 18-22.
[9]	周可慧, 肖剑, 张可人, 徐先勇, 唐海国, 王珂, 朱吉然. 变压器套管运行状态自动检测技术现状分析[J]. 湖南电力, 2020, 40(6): 40-.
[10]	余斌, 黎刚, 朱光明, 万代, 欧阳帆, 朱维钧, 梁文武. 一种基于电化学储能的配电变压器动态增容装置研制[J]. 湖南电力, 2020, 40(6): 59-.
[11]	黄磊. 火电机组发变组离相母线系统绝缘研究与应用[J]. 湖南电力, 2020, 40(6): 73-.