来源：期刊VIP网 时间：
作者：刘蒙;赵晨晓;朱乔波;李梁;姚旭;李鑫;赵明;
单位：国网冀北电力有限公司;北京科东电力控制系统有限责任公司;辽宁工程技术大学电气与控制工程学院;
摘要：为解决电力变压器故障诊断中支持向量机（support vector machine, SVM）超参数优化和多分类性能不足的问题，采用t-分布的随机邻居嵌入（t-distributed stochastic neighbor embedding , t-SNE）对26维溶解气体分析（DGA）数据进行非线性降维，引入纠错输出码（error correction output codes, ECOC），将改进麻雀搜索算法（improved sparrow search algorithm, ISSA）与切比雪夫混沌映射、柯西-高斯变分策略相结合，优化SVM超参数，处理多分类问题。研究结果表明：ECOC-ISSA-SVM(t-SNE)模型的诊断精度、召回率、特异性和F1值分别为95.6%、97.8%、99.6%和97.8%，各项指标较传统模型提升效果显著，诊断时间缩短至11 ms，诊断效率显著提高。研究结论为电力设备智能运维提供技术支持。
关键词：故障诊断;;变压器;;油中溶解气体;;支持向量机;;麻雀搜索算法;;t-SNE降维;;纠错输出码
基金资助：国家自然科学基金项目(52104160)
