论文部分内容阅读
针对溶解气体分析（dissolved gas analysis，DGA）诊断变压器故障的准确率偏低的问题，提出了一种基于改进野犬优化算法（improved dingo optimization algorithm，IDOA）优化深度混合核极限学习机（deep hybrid kernel extreme learning machine，DHKELM）的变压器故障诊断方法。首先采用核主成分分析（kernel principal component analysis，KPCA）对气体数据降维并提取有效的特征量；其次将多项式核函数与高斯核函数加权结合，构造出新的混合核函数，并引入自动编码器对极限学习机进行改进，建立DHKELM模型。将反向学习、柯西变异和差分进化算法融入到野犬算法中，并利用2种典型的测试函数对IDOA性能进行测试，证明了IDOA具有更强的稳定性和寻优能力。利用IDOA对DHKELM的关键参数进行寻优，建立IDOA-DHKELM变压器故障诊断模型。最后，将KPCA提取的特征量作为模型的输入集，并对不同变压器故障诊断模型进行仿真验证。研究结果表明，相较于其他模型，IDOA-DHKELM具有更高的变压器故障诊断精度。