摘要

针对传统变压器故障识别方法准确率较低的问题,提出一种新的核极限学习机(kernel-based extreme learning machine, KELM)变压器故障识别方法。首先,采用核主成分分析(kernel principal component analysis, KPCA)算法对变压器样本数据进行预处理;然后,引入无限折叠迭代混沌映射(iterative chaotic map with infinite collapses, ICMIC)、邻域变异和纵横交叉策略对探路者算法(pathfinder algorithm, PFA)进行改进,改进后的PFA(improved PFA,IPFA)与PFA、粒子群优化(particle swarm optimization,PSO)算法及正余弦算法(sine cosine algorithm, SCA)相比在收敛速度和寻优精度方面均有一定提升;最后,利用IPFA优化KELM参数,建立IPFA-KELM变压器故障识别模型。以KPCA算法预处理后的数据为模型输入,实验结果表明,IPFA-KELM模型的故障识别准确率为92.25%,比PFA-KELM、PSO-KELM和SCA-KELM模型分别提高了3.92%、6.42%和8.09%。所提方法能够有效提高变压器故障识别准确率。

全文