摘要
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。
作者
马宏忠
王健
杨启帆
倪一铭
MA Hongzhong;WANG Jian;YANG Qifan;NI Yiming(College of Energy and Electrical Engineering,Hohai University,Nanjing 211100,China)
出处
《电机与控制学报》
EI
CSCD
北大核心
2023年第10期42-53,共12页
Electric Machines and Control
基金
国家自然科学基金(51577050)
国网江苏省电力公司科技项目(J2021053)。
关键词
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
Mel frequency cepstrum coefficient
extreme gradient boosting
contribution indexing
slime mould algorithm
support vector machine
transformer state identification
作者简介
马宏忠(1962-),男,博士,教授,研究方向为电力设备状态监测与故障诊断研究;通信作者:王健(1999-),男,硕士研究生,研究方向为电力设备故障诊断;杨启帆(1990-),男,博士,研究方向为电力设备故障诊断;倪一铭(1998-),男,硕士研究生,研究方向为电力设备故障诊断。
