基于GWO优化KELM的变压器故障诊断
DOI: https://doi.org/10.64083/STE2610406
作者
杨建民，邵黎
摘要
溶解气体分析（Dissolved Gas Analysis，DGA）作为评估变压器内部运行状态与识别潜在故障的关键技术，已在电力系统中得到广泛应用。然而，传统依赖单一智能算法的诊断模型，在面对DGA数据固有的高维性、信息不完整性及类别边界模糊等问题时，往往泛化能力不足、判别精度受限。针对上述瓶颈，本文基于灰狼优化算法（gray wolf optimization，GWO）优化核极限学习机（kernel extreme learning machine，KELM）的变压器故障诊断新方法。具体而言：第一，基于Mercer条件，创新性地将径向基核（Radial Basis Function，RBF）与多项式核进行非线性加权组合，构造具备更强映射能力的复合核函数；针对核极限学习机（kernel extreme learning machine，KELM）模型的关键参数对模型分类性能影响较大的问题，利用GWO对其进行参数优化。实验部分内蒙古地区某电力公司变压器数据样本集，并融合多种DGA特征指标构建增强型输入特征空间。结果表明，所提方法的故障诊断准确率为98.89%，展现出更优的分类稳定性与诊断精度。
关键词
DGA；GWO；KELM；变压器；故障诊断
