崔强， 李迎龙， 李志红

(南京工程学院 电力工程学院，江苏 南京　211167)

0　引　言

电力变压器作为整个电网的重要构成部分，在能量的传输环节处于核心地位，也是电网安全稳定运行的重要部件，及时准确地找到变压器潜在的故障，可以有效避免重大事故的产生，所以，对电力变压器进行全面诊断，能够有效促进电力系统安全稳定性的提升[1-2]。依托变压器气体分析(DGA)法可以对变压器内部的油浸状况展开具体分析，这也是检测其绝缘性的重要方式[3]。随着计算机信息技术以及人工智能的发展，主体结合人工神经网络以及灰色系统等理论可以对变压器故障进行有效的诊断[4-7]。因此，本文结合改进的鱼群算法、油中溶解气体分析法以及支持向量机来建立变压器的诊断模型。

1　SVM理论

支持向量机[8](SVM)是以Vapnik为代表的研究者在20世纪90年代构建的，因其结构简单、推广能力强、学习和预测时间短等优点被广泛应用于各个领域。主要目标是构建一个能有效将待分类输入样本分开的最优分类面，且使距离平面两侧最近的两类样本间的分类间隔最大，从而实现样本分类问题。

假设训练样本集为(x1,y1)(x2,y2),…(xN,yN)xRn,y{-1,1}，其中{-1,1}表示两类类别的标志，它能被分类面ω·x+b=0正确无误的分开，式中w是分类面的法向量，b是分类面的常数项。 可以通过以下不等式来描述分类面：

(1)

找出最优分类面就是找出最优的法向量w和常数项b，使其满足公式(1)的同时，要求分类间隔也最大。对于线性可分问题，其最优……