基于優(yōu)化參數(shù)在線極限學習機的變壓器故障診斷.pdf

1、變壓器DGA數(shù)據(jù)分析技術具有原理簡單且易于實施的特點，被廣泛應用于變壓器早期故障診斷。隨著智能化和多算法融合的發(fā)展，DGA數(shù)據(jù)分析技術與智能算法模型相結合解決了DGA數(shù)據(jù)分析技術因為判定邊界模糊造成的誤判，促進了變壓器診斷模式的轉(zhuǎn)變。但是現(xiàn)有DGA數(shù)據(jù)智能算法模型在診斷時陳舊數(shù)據(jù)伴隨新輸入數(shù)據(jù)重復訓練，在一定程度上影響診斷準確率的提高。
　　本文針對現(xiàn)有DGA數(shù)據(jù)診斷算法模型準確率不夠高的現(xiàn)象，提出將在線序列極限學習機算法應用于變

2、壓器故障診斷中。分析不同參數(shù)和隱藏層激活函數(shù)的選取對OS-ELM算法診斷性能的影響，設計并建立OS-ELM算法的診斷模型。通過MATLAB實驗及分析，證明OS-ELM算法模型比SVM和ELM在訓練速度、診斷準確率上都有一定程度的提高，具有較好的診斷效果。由于OS-ELM算法診斷模型人工設置參數(shù)會造成網(wǎng)絡輸出不穩(wěn)定，為了進一步提高OS-ELM算法的準確率，運用多算法融合思想，提出用遺傳算法智能選擇OS-ELM算法診斷模型參數(shù)，設計并建立G