张邵杰

摘 要：提出了一种基于烟花算法优化支持向量机的变压器故障诊断模型。标准的支持向量机是二分类，现对其进行非线性处理及多分类变换，使其能适用于变压器故障分类。针对支持向量机参数难以确定的情况，采用烟花算法优化支持向量机，从而搭建烟花算法优化支持向量机的故障诊断模型。实验分析结果表明，所提方法的故障诊断准确率优于其他算法。最后，进一步将算法用于机器学习的其他标准数据集，证明了该算法具有泛化性。

关键词：变压器;故障诊断;支持向量机;烟花算法

0    引言

变压器作为电力系统的关键设备，对维护电力系统安全，避免经济财产损失有着至关重要的作用[1]。因此，及时对变压器故障进行分类诊断十分重要[2]。

目前，变压器故障诊断主要是基于油中溶解气体分析（DGA），这是一种十分有效的分析方法[3]。随着人工智能的发展，支持向量机（Support Vector Machine，SVM）由于其训练效率高，泛化能力强，不易陷入局部最优，克服了三比值法的不足，在故障分类中得到了大量应用[4]。但是SVM分类效果受限于核函数和参数的选取，因此选择一种合适的智能算法优化SVM寻找参数的过程对提升SVM分类效果有着至关重要的作用[5]。本文采用烟花算法（Fireworks Algorithm，FWA）优化SVM，烟花算法是一种新型的群体智能算法，相比其他算法，烟花算法易于实现，搜索速度较快，不容易陷入局部最优，鲁棒性较好。

1    支持向量机

支持向量机（SVM）本质是寻找一个最优分类的超平面划分数据集，该平面可以使两类样本正确分离并保证分类间隔最大。……