基于声振特征区分的SMA优化SVM变压器机械松动识别方法

作者：马宏忠; 王健^*; 杨启帆; 倪一铭

来源：电机与控制学报, 2023, 27(10): 42-53.

DOI：10.15938/j.emc.2023.10.005

• 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

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。

• 单位
  电气学院; 河海大学