[发明专利]一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法

权利要求书

1.一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于，包括以下步骤：

(1)对电抗器故障诊断数据进行预处理，构建训练样本和测试样本，形成样本数据；

(2)建立基于支持向量机的电抗器故障诊断模型；

(3)建立改进果蝇算法；

(4)建立基于IFOA-SVM的油浸式电抗器故障诊断模型；

(5)将样本数据代入故障诊断模型，实现电抗器故障诊断。

2.根据权利要求1所述的一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于：所述步骤(1)中的预处理为归一化处理。

3.根据权利要求1所述的一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于：所述步骤(2)中的基于支持向量机的电抗器故障诊断模型为：

式中，为径向基函数，g＞0；m表示迭代次数，x_i、x_j表示样本位置，b为偏置，α_i为拉格朗日乘子。

4.根据权利要求1所述的一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于：所述步骤(3)中的改进果蝇算法具体包括以下子步骤：

(3.1)设定果蝇种群规模S_pop，最大觅食代数Iter，随机初始化果蝇群体位置，初始化结果为(X₀,Y₀,Z₀)；

(3.2)进行果蝇个体随机搜索的方向和距离的计算，计算公式为：

式中，i＝1,2,3,…S_pop；L₀为初始步长值；m_gen为当前觅食代数；X_i、Y_i、Z_i分别为果蝇个体在下一时刻的位置；rands(1,N)为随机产生N维变量；

(3.3)计算出味道浓度判定值S_i；

(3.4)将味道浓度判定值S_i代入味道浓度判定函数，计算出果蝇个体当前位置的味道浓度；

(3.5)找到果蝇群体中具有最高味道浓度的个体；

(3.6)保留并记录果蝇最佳位置和最佳味道浓度，同时果蝇群体利用自身的视觉对食物源进行定位，然后飞往食物源所在的位置；

(3.7)重复步骤(3.2)～(3.5)进入迭代寻优过程，并判断当前最佳味道浓度是否好于前一次迭代味道浓度；若成立，则执行步骤(3.6)。

5.根据权利要求4所述的一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于：所述味道浓度判定值的计算包括以下步骤：

计算果蝇个体的当前位置与坐标原点之间的距离：

再计算味道浓度判定值，所述味道浓度判定值计算公式为：

式中：β为修正因子；

其中：g服从均匀分布；K为常数；X₀,Y₀,Z₀分别为果蝇群体初始坐标。

6.根据权利要求4或5所述的一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于：所述味道浓度判定函数为：Smell_i＝function(S_i)。

7.根据权利要求1所述的一种基于IFOA优化SVM模型的油浸式电抗器故障诊断方法，其特征在于：所述步骤(4)包括以下步骤：

(4.1)以支持向量机的惩罚参数C和核函数g作为优化对象，运用IFOA算法优化获取SVM最优模型；其中，优化的数学模型为：

Fitness＝{C,g}

在确保电抗器故障诊断准确率最大的情况下，实现惩罚参数C和核函数g的自适应选择；

(4.2)利用得到的最优参数(C,g)对步骤(2)中得到的基于支持向量机的电抗器故障诊断模型进行SVM训练，得到基于IFOA-SVM的油浸式电抗器故障诊断模型。