SF_(6)电气设备内部的分解组分可以通过可调谐吸收光谱技术进行检测,其中CO_(2)浓度反映了设备内部的绝缘缺陷情况。因此,通过准确测量CO_(2)浓度可以及时发现设备潜在的绝缘故障。为克服传统最小二乘法浓度反演模型稳定性较差的问题,...SF_(6)电气设备内部的分解组分可以通过可调谐吸收光谱技术进行检测,其中CO_(2)浓度反映了设备内部的绝缘缺陷情况。因此,通过准确测量CO_(2)浓度可以及时发现设备潜在的绝缘故障。为克服传统最小二乘法浓度反演模型稳定性较差的问题,文中基于改进的旗鱼优化算法(Improved Sailed Fish Optimizer,ISFO)与核极限学习机(Kernel Based Extreme Learning Machine,KELM)建立了ISFO-KELM气体浓度反演模型。利用多策略初始化方法、Levy随机步长、柯西变异和自适应t分布变异等技术提升了旗鱼优化算法寻优能力和跳出局部最优解能力。实验结果表明,该模型具有高精度和鲁棒性,并且在稳定性和泛化能力方面优于最小二乘法、极限学习机、反向传播(Back Propagation,BP)神经网络等传统方法,对评估SF_(6)电气设备运行状态具有重要意义。展开更多
文摘SF_(6)电气设备内部的分解组分可以通过可调谐吸收光谱技术进行检测,其中CO_(2)浓度反映了设备内部的绝缘缺陷情况。因此,通过准确测量CO_(2)浓度可以及时发现设备潜在的绝缘故障。为克服传统最小二乘法浓度反演模型稳定性较差的问题,文中基于改进的旗鱼优化算法(Improved Sailed Fish Optimizer,ISFO)与核极限学习机(Kernel Based Extreme Learning Machine,KELM)建立了ISFO-KELM气体浓度反演模型。利用多策略初始化方法、Levy随机步长、柯西变异和自适应t分布变异等技术提升了旗鱼优化算法寻优能力和跳出局部最优解能力。实验结果表明,该模型具有高精度和鲁棒性,并且在稳定性和泛化能力方面优于最小二乘法、极限学习机、反向传播(Back Propagation,BP)神经网络等传统方法,对评估SF_(6)电气设备运行状态具有重要意义。
