科研之友
微信
新浪微博
Facebook
分享链接
摘要
核熵成分分析(kernel entropy component analysis,KECA)方法在处理非线性数据集,去除冗余信息方面具有独特的优势。针对电力变压器故障诊断中有效特征提取困难,KECA中核参数选择繁琐以及忽略了样本类别信息等问题,文中提出一种自适应核函数优化学习的监督核熵成分分析特征提取方法,用于电力变压器敏感特征量的提取。首先收集电力变压器不同状态下的样本数据,并结合样本类别信息建立一个依赖数据的核函数;其次基于余弦相似度以最小化类间相似度和最大化类内相似度为目标对核函数中表征样本类别信息的参数进行优化;然后将优化得到的核函数与核熵成分分析相结合形成一种监督的自适应核熵成分分析(supervised adaptive kernel entropy component analysis,SAKECA)特征提取方法,并运用该方法从原始特征量中提取出能有效表征电力变压器状态的敏感特征;最后将提取的特征输入核极限学习机(KELM)建立变压器故障诊断模型。与常用特征提取方法进行对比分析,结果表明所提方法具有良好的特征提取效果,能有效提升故障诊断准确率。
- 单位
