[cityanme]变压器厂家移转带动构架体在发电琼海干式变压器问题整治时的践行

　　只有正确选择参数，才可以使SVM的分类得到比较好的效果。SVM佳参数选择目前还没有十分好的方法，一般可通过交叉试验进行求解，但这种方法相当费时；在实践中也可以采用网格搜索法来确定参数，但该方法需要人为确定参数的范围、变化步长等因素，并且识别效果也不一定理想。为了克服上述缺陷，避免参数选择的盲目性，本文使用遗传算法来实现SVM中的参数优化。

　　遗传算法GA是一种基于自然选择和自然遗传的全局优化算法。用GA对多个体组成的群体进行操作，通过GA可以使个体间的信息得以交换，这样，群体中的个体一代一代地得以优化，并逐步逼近优解。

　　GA的3个主要算子分别为：（1）选择。即根据每个个体的适应度值大小选择，适应度较高的个体被遗传到下一代群体中的概率较大；适应度较低的个体被遗传到下一代群体中的概率较小。这样就可以使群体中个体的适应度值不断接近优解。

　　（2）交叉。又称重组，是按较大的概率从群体中选择两个个体，交换两个个体的某个或某些位。交叉算子产生子代，子代继承了父代的基本特征。（3）变异。即以较小的概率对个体编码串上的某个或某些位值进行改变。

　　遗传SVM遗传SVM流程本文提出的遗传SVM模型，采用GA来优化SVM中的参数，具体过程如下：（1）系统初始化，包括参数和初始种群；（2）计算初始的目标函数值；（3）判断是否达到结束条件，若达到，则输出结果，否则转步骤（4）；（4）进行适应度值的计算、选择、交叉和变异；（5）计算子代的目标函数值，并重插子代到种群，转入步骤（3）。

　　参数选择本文采用真值编码方法，这主要是因为真值编码适合于在较大空间遗传搜索，并且改善了GA的计算复杂性，提高了运算效率。因为要优化两个参数C和σ，所以建立了一个具有40个个体，每个个体有2个变量的随机种群作为原始种群。为了避免SVM的过学习现象，将训练样本划分为正式训练和辅助训练样本，目标函数为正式训练样本集与辅助训练样本集的正判率之和。

　　在遗传搜索的初始阶段，正式和辅助训练样本集的正判率会同时增加；随着搜索的进行，正式训练样本集正判率的增加会变慢；当正式训练样本集的正判率进一步提高，辅助训练样本集的正判率减小时，就要停止遗传搜索<7>.

　　结语SVM是一种基于统计学习的理论，有较好的泛化能力，在故障诊断领域得到了越来越多的应用。本文使用遗传SVM进行琼海干式变压器的故障诊断研究，用GA实现了SVM中参数的优化，该优化方法能快速准确地在大范围内找到优化值，并进一步应用到基于油中溶解气体的琼海干式变压器故障诊断中。实例分析表明了本文算法的有效性以及相比其他方法的优越性。