鐘化蘭，黃揚(yáng)海，傅軍棟

(華東交通大學(xué) 電氣與自動化工程學(xué)院，江西 南昌 330033)

在電力系統(tǒng)中，變壓器承擔(dān)著電能傳遞的重要任務(wù)。我國是一個(gè)用電大國，變壓器的運(yùn)行狀態(tài)緊密影響著用戶的用電體驗(yàn)以及日常生產(chǎn)生活。油中溶解氣體分析法(Dissolved Gas Analysis，DGA)是一種預(yù)防性監(jiān)測方法，它能直接反映出變壓器的運(yùn)行狀態(tài)，在國內(nèi)被列為油浸式變壓器故障診斷方法的首選。但是，傳統(tǒng)的DGA方法判據(jù)大多是建立在經(jīng)驗(yàn)之上，且故障分類的邊界過于絕對，容易出現(xiàn)分類錯(cuò)誤的情況，后融入智能算法，以提高診斷準(zhǔn)確度，常用的智能算法有神經(jīng)網(wǎng)絡(luò)、免疫算法(Immue Algorithm)、支持向量機(jī)(Support Vector Machines，SVM)等。雖然，這些算法能夠被應(yīng)用于故障診斷，但是單一的分類算法或多或少會存在收斂慢、精度低、易陷入局優(yōu)等問題。如文獻(xiàn)[1]建立的支持向量機(jī)故障診斷模型，雖然能夠很好的解決非線性分類問題，但是該方法存在運(yùn)行不穩(wěn)定、模型表現(xiàn)受超參數(shù)對制約等問題。文獻(xiàn)[2]在以BP神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)構(gòu)建的變壓器故障診斷模型的基礎(chǔ)上，引入天牛須智能優(yōu)化算法，對故障診斷模型進(jìn)行參數(shù)優(yōu)化，該模型在變壓器故障診斷中提高了準(zhǔn)確率、縮減了診斷時(shí)間。文獻(xiàn)[3]利用人工蜂群算法(Artificial Bee Colony Algorithm，ABC)優(yōu)化支持向量機(jī)參數(shù)，克服了傳統(tǒng)方式選取最優(yōu)超參數(shù)組效率低下的問題，減少了SVM算法的故障診斷時(shí)間，提高了故障診斷準(zhǔn)確率，但是人工蜂群算法存在局部搜索能力較弱，導(dǎo)致搜索精度不理想的問題，因此尋得參數(shù)并不能使得SVM故障診斷模型性能達(dá)到最優(yōu)。

因此，針對ABC算法的不足，本文以傳統(tǒng)人工蜂群算法為基礎(chǔ)，提出了一種改進(jìn)精英蜂群算法(Elite Artificial Bee Colony Algorithm，EABC)，并將其應(yīng)用SVM算法中，構(gòu)建EABC-SVM變壓器故障診斷模型。通過仿真驗(yàn)證，此模型具有故障診斷準(zhǔn)確率高、克服局優(yōu)能力強(qiáng)、計(jì)算簡單等優(yōu)勢。

1 支持向量機(jī)分類模型

支持向量機(jī)[4](Support Vector Machines，SVM)，是一種基于統(tǒng)計(jì)學(xué)習(xí)理論(Statistical Learning Theory，SLT)的新的機(jī)器學(xué)習(xí)算法。由SLT基本原理可知，基于統(tǒng)計(jì)模型的機(jī)器學(xué)習(xí)算法誤差由經(jīng)驗(yàn)誤差和置信域組成，在SVM模型中，以最小置信域?yàn)閮?yōu)化目標(biāo)，訓(xùn)練誤差為約束條件，因而該模型是一種結(jié)構(gòu)誤差最小化的機(jī)器學(xué)習(xí)模型，具有良好的分類精度與泛化能力。其基本分類原理如圖1所示。

圖1 SVM基本分類原理圖

(1)

式中，w為最優(yōu)超平面的法線方向；b為閾值。約束條件是指個(gè)樣本點(diǎn)(xi,yi)到最優(yōu)超平面的距離，其值是大于或者等于1。

若在圖1中出現(xiàn)類別1與類別2出現(xiàn)鄰近甚至重合的情況下，則上述線性可分問題變?yōu)榱司€性不可分模式下的問題。因此，引入松弛變量ζ，來弱化式(1)中的約束條件，使得SVM在線性不可分?jǐn)?shù)據(jù)樣本中也能得到很好的應(yīng)用，同時(shí)引入懲罰參數(shù)C，來優(yōu)化松弛變量，因此得到式(2)如下所示。

(2)

首先構(gòu)建拉格朗日函數(shù)，將式(2)的目標(biāo)函數(shù)轉(zhuǎn)化為關(guān)于w和b的無約束問題，如式(3)所示。

(3)

式中，λi>0(i=1,2,…,l)為拉格朗日乘子。

以拉格朗日對偶理論為依據(jù)，將式(2)的問題轉(zhuǎn)變?yōu)閷ε紗栴}，即：

(4)

在處理變壓器油中溶解氣體故障特征量數(shù)據(jù)這種樣本小、維數(shù)高的非線性數(shù)據(jù)時(shí)，SVM優(yōu)勢明顯。SVM通過非線性變換Φ:Rm→H，將樣本數(shù)據(jù)從原始空間映射到高維度歐幾里德空間H中，映射到高維空間中的分類器變得更加簡單[5]。問題空間映射到高維空間可視化如圖2所示。

圖2 低維樣本問題映射到高維空間示意圖

在原始問題空間向高維歐幾里德空間轉(zhuǎn)換同時(shí)，向量點(diǎn)積計(jì)算的難度會隨著空間維度的增高變大。這里需要采用滿足Mercer定理的核函數(shù)K(xi,xj)來替代高維度空間中向量的點(diǎn)積運(yùn)算，從而減少計(jì)算的工作量和復(fù)雜程度。高斯徑向基核函數(shù)參數(shù)少、局部性能優(yōu)良、性能穩(wěn)定，在實(shí)現(xiàn)SVM非線性映射時(shí)具有一定優(yōu)勢[6-7]。因此，在本文的SVM故障診斷模型中，選取高斯徑向基核函數(shù)。

(5)

原始問題完成到歐幾里德高維特征空間的映射后，求解問題轉(zhuǎn)化為：

(6)

(7)

即得最優(yōu)分類函數(shù)為：

f(x)=sgn(w*K(xi,xj)+b*)

(8)

在上述推導(dǎo)中不難發(fā)現(xiàn)發(fā)現(xiàn)，式(2)中的懲罰因子C和式(5)中的核參數(shù)g的取值在很大程度上決定了SVM分類模型的表現(xiàn)。為了使SVM分類模型具有優(yōu)秀的分類表現(xiàn)，本文采用改進(jìn)精英蜂群算法對SVM的超參數(shù)組合(g，C)進(jìn)行優(yōu)化選取，旨在提高SVM分類模型的性能。

2 改進(jìn)蜂群算法

2.1 人工蜂群算法

人工蜂群算法是一種研究蜜蜂采蜜行為的新型群體智能優(yōu)化算法，在2005年由Karaboga小組提出，旨在解決多變量函數(shù)優(yōu)化問題，是集群智能思想的一個(gè)具體應(yīng)用[8]。ABC算法具有搜尋盲目性較低、對個(gè)體進(jìn)行針對性比較等特點(diǎn)。其優(yōu)勢在于每次全局迭代過程中通過引領(lǐng)蜂、跟隨蜂、偵察蜂進(jìn)行局部搜索，通過局部尋優(yōu)最終找到全局最優(yōu)。

在ABC[9]算法中，求解問題時(shí)，首先根據(jù)公式(9)隨機(jī)產(chǎn)生N個(gè)初始解如式(9)所示。

xi,j=Lj+rand(0,1)(Uj-Lj)

(9)

式中，xi,j∈(Lj,Uj)，Uj和Li分別代表為搜索解的上下限，i=1,2,…,N；j=1,2,…,D，D為決策變量的數(shù)量。初始后，ABC通過3個(gè)階段來搜索待解決問題的最優(yōu)解，具體如下。

2.1.1 引領(lǐng)蜂階段

在對應(yīng)的蜜源xi,j的位置，每只引領(lǐng)蜂通過以式(10)的策略，進(jìn)行搜索并產(chǎn)生新的蜜源。

vi,j=xi,j+φ(xi,j-xk,j)

(10)

式中，j∈[1,D]，代表引領(lǐng)蜂任意地選擇去進(jìn)行搜索的某一維，其值為隨機(jī)的整數(shù)；k∈{1,2,…,NP}，k≠i，表示在NP個(gè)蜜源中隨機(jī)選擇一個(gè)不等于i的蜜源；φ∈[-1,1]代表均勻分布的隨機(jī)數(shù)。若新蜜源適應(yīng)度優(yōu)于舊蜜源時(shí)，采用貪婪的思想，引領(lǐng)蜂選擇高適應(yīng)度的蜜源，所有的引領(lǐng)蜂保留了高適應(yīng)度的蜜源后，完成式(10)運(yùn)算并返回舞蹈區(qū)分享蜜源信息。

2.1.2 跟隨蜂階段

在引領(lǐng)蜂以跳舞的方式將自身探索到的蜜源信息向跟隨蜂傳遞后，跟隨蜂分析所接受到蜜源信息，并按式(11)計(jì)算的概率進(jìn)行跟隨。

(11)

跟隨蜂選擇引領(lǐng)蜂進(jìn)行跟隨時(shí)，采用輪盤賭的策略。在[0，1]產(chǎn)生一個(gè)均勻分布的隨機(jī)數(shù)r，如果Pi>r，該跟隨蜂根據(jù)式(10)的策略，在選取蜜源i開采，同時(shí)探測此蜜源i位置附近的其他蜜源，并采取與引領(lǐng)蜂相同的策略，保存自身最優(yōu)適應(yīng)度蜜源。在搜索過程中，如果蜜源經(jīng)過迭代發(fā)現(xiàn)適應(yīng)度更好的蜜源且被保留，則蜜源能被開采的次數(shù)參數(shù)trail置為0，反之trail+1。

適應(yīng)度函數(shù)為：

(12)

2.1.3 偵察蜂階段

如果一個(gè)蜜源經(jīng)過式(10)的勘探并沒有改進(jìn)更新且trail的值大于蜜源能被開采的最大限制參數(shù)limt的值，放棄此蜜源，該引領(lǐng)蜂變?yōu)閭刹旆?。偵察蜂通過式(9)任意產(chǎn)生新的蜜源，以克服搜索過程陷入局部極值的問題。

上述過程如式(13)所示。

(13)

綜上所述，ABC算法的核心包括3個(gè)部分：(1)引領(lǐng)蜂搜索蜜源；(2)引領(lǐng)蜂傳以跳舞的方式在舞蹈區(qū)傳遞自身探索到的蜜源信息給跟隨蜂，跟隨蜂分析蜜源信息，并選取蜜源跟蹤開采；(3)偵察蜂在搜索空間隨機(jī)搜索。

2.2 EABC的改進(jìn)方案

針對傳統(tǒng)人工蜂群算法存在的不足，本文對其做了如下改進(jìn)。

2.2.1 初始化改進(jìn)

標(biāo)準(zhǔn)蜂群算法采用隨機(jī)初始化蜂群，在改進(jìn)精英算法中使用均勻初始化，即在搜索范圍內(nèi)均勻分布蜜源。

2.2.2 雇傭蜂(引領(lǐng)蜂)偵查行為改進(jìn)

在傳統(tǒng)的標(biāo)準(zhǔn)人工蜂群算法中，引領(lǐng)蜂在每個(gè)蜜源附近進(jìn)行探測，其蜜源信息的更新公式如下式所示。

(14)

其中φ為[-1,1]隨機(jī)數(shù)，vi,j為原來該雇傭蜂對應(yīng)的蜜源，這個(gè)策略過于簡單，不容易跳出局部最優(yōu)解，同時(shí)收斂速度較慢?；诖?，使用混沌算子改進(jìn)雇傭蜂的偵查策略，公式如式(15)所示。

(15)

其中混沌算子R為與雇傭蜂相同維數(shù)的向量，在蜂群算法每一次迭代時(shí)，R同時(shí)更新，公式為Rt=u·Rt-1·(1-Rt-1)，其中u是一個(gè)可以調(diào)節(jié)的參數(shù)。

2.2.3 跟隨蜂跟隨策略改進(jìn)

在傳統(tǒng)的標(biāo)準(zhǔn)人工蜂群算法中，跟隨蜂以較大概率選擇適應(yīng)度較高的蜜源開采，同時(shí)在其附近探索其他蜜源，保留高適應(yīng)度的蜜源，跟隨蜂位置更新公式如式(16)所示。

(16)

傳統(tǒng)標(biāo)準(zhǔn)人工蜂群算法中，跟隨蜂跟隨策略較為盲目，具有較慢的收斂速度也不容易跳出局部最優(yōu)解，精英蜂群算法中引入了精英蜂群的概念，精英蜂群即在雇傭蜂中擁有最高適應(yīng)度蜜源的一批蜜蜂，有理論可以證明問題的最優(yōu)解有較大概率分布在精英蜂群中心點(diǎn)，所以使用精英蜂群指導(dǎo)跟隨蜂的行為更具有價(jià)值，同時(shí)我們引入慣性系數(shù)，在迭代初期鼓勵跟隨蜂探索大范圍的蜜源，增加探索到全局最優(yōu)解的概率，隨著迭代次數(shù)增加，我們將逐漸將其收緊在精英蜂群所有的蜜源附近，增加收斂速度，本文中跟隨蜂的探索策略為：

(17)

其中慣性系數(shù)公式為：

(18)

2.2.4 偵查蜂更新策略

使用在食物空間中均勻探索新的蜜源策略替代隨機(jī)探索的方法。

2.3 多元函數(shù)中EABC算法的性能驗(yàn)證

本文選取兩種測試函數(shù)，對EABC、ABC算法進(jìn)行測評，比較測評結(jié)果，驗(yàn)證了改進(jìn)EABC的性能優(yōu)勢。表1為測試函數(shù)相關(guān)參數(shù)。

表1 測試函數(shù)參數(shù)

測試函數(shù)1：

(19)

測試函數(shù)2：

(20)

觀察圖3可知，分別利用ABC、EABC算法對測試函數(shù)GR(X)進(jìn)行1000次迭代優(yōu)化，EABC算法在迭代200次左右時(shí)收斂，ABC算法在迭代800次左右收斂，EABC、ABC算法收斂時(shí)的函數(shù)優(yōu)化值為分別為0.0024、0.0278；觀察圖4可知，利用ABC、EABC算法分別對測試函數(shù)AK(x)迭代1000次，EABC算法在迭代800次左右收斂，ABC算法在迭代980次左右收斂，EABC、ABC算法收斂時(shí)的函數(shù)優(yōu)化值為分別為0.0080、0.0282。因此，通過以上的分析可以得出結(jié)論：改進(jìn)后的EABC算法收斂快、精度高。

圖3 ABC、EABC優(yōu)化測試函數(shù)GR(X)

圖4 ABC、EABC優(yōu)化測試函數(shù)AK(X)

3 EABC優(yōu)化的SVM模型實(shí)現(xiàn)

3.1 EABC優(yōu)化的SVM模型

在SVM分類器模型中，最優(yōu)核參數(shù)g與懲罰因子C對模型表現(xiàn)具有很大影響[10]。傳統(tǒng)的方法使用交叉驗(yàn)證或者人工調(diào)參等方法進(jìn)行最優(yōu)參數(shù)搜尋，需要依賴人工經(jīng)驗(yàn)以及大量的試錯(cuò)，效率低下且通常找不到最優(yōu)的超參數(shù)組合，本文將改進(jìn)的EABC應(yīng)用于SVM分類器的參數(shù)尋優(yōu)中，首先將數(shù)據(jù)集分為訓(xùn)練集、驗(yàn)證集、測試集；然后通過訓(xùn)練和驗(yàn)證集用于尋找最優(yōu)核參數(shù)g和懲罰因子C，避免了人工調(diào)參帶來的不利影響；最后通過測試集進(jìn)行測試。從結(jié)果來看取得了較好的效果，算流程圖如圖5所示，算法具體步驟如下。

圖5 EABC優(yōu)化SVM參數(shù)流程圖

Step1精英蜂群算法參數(shù)初始化，包含蜜源數(shù)目的大小F，蜂群的數(shù)目N、控制參數(shù)limit及最大迭代次數(shù)T等。

Step2SVM參數(shù)初始化，在一定的范圍內(nèi)均勻的生成超參數(shù)對(g，C)，這些參數(shù)對作為SVM模型的最佳超參數(shù)候選解。

Step3將所有超參數(shù)對(g，C)做為蜜源的位置，對于每個(gè)超參數(shù)對(g，C)，使用訓(xùn)練數(shù)據(jù)集合訓(xùn)練當(dāng)前g和C的SVM，然后使用驗(yàn)證集進(jìn)行驗(yàn)證，得到的準(zhǔn)確度做為EABC算法模型的適應(yīng)度。

Step4通過EABC算法尋找SVM模型在驗(yàn)證集下的最優(yōu)參數(shù)(g，C)。

Step5在訓(xùn)練集下，對使用Step4中尋找到的最優(yōu)超參數(shù)對(g，C)的SVM模型進(jìn)行人工經(jīng)驗(yàn)訓(xùn)練，從而得到性能最優(yōu)的SVM分類器，最后使用測試集進(jìn)行最終結(jié)果的測試。

3.2 EABC優(yōu)化的SVM模型性能測試

為證明EABC-SVM模型的性能優(yōu)勢，分別利用ABC、GA優(yōu)化SVM的參數(shù)，將EABC-SVM、ABC-SVM、GA-SVM這三種模型進(jìn)行仿真訓(xùn)練，多次訓(xùn)練后模型收斂速度及收斂時(shí)模型對應(yīng)的分類準(zhǔn)確率如圖6、圖7所示。

圖6 GA、EABC、ABC優(yōu)化的SVM模型的收斂速度

圖7 GA、EABC、ABC優(yōu)化的SVM模型的收斂時(shí)對應(yīng)準(zhǔn)確率

由圖6可知，GA-SVM模型收斂速度最快，與EABC-SVM、ABC-SVM模型在分別在迭代66次、65次后收斂相比，GA-SVM模型在迭代63次后收斂。觀察圖中EABC-SVM、ABC-SVM、GA-SVM三個(gè)模型收斂時(shí)其各自對應(yīng)的準(zhǔn)確率可知，EABC-SVM模型最優(yōu)分類準(zhǔn)確率為94.048%，且很大程度上克服了模型陷入局部最優(yōu)的問題；GA-SVM模型最優(yōu)分類準(zhǔn)確率也可達(dá)到94.048%，但與EABC-SVM模型相比，其陷入局部最優(yōu)次明顯增多，運(yùn)行不穩(wěn)定；ABC-SVM模型的最優(yōu)分類準(zhǔn)確率雖然也可以達(dá)到90.300%，但是運(yùn)行非常不穩(wěn)定，與GA-SVM、EABC-SVM分類模型相比，不僅僅準(zhǔn)確率低，陷入局部最優(yōu)的缺點(diǎn)明顯。因此，綜合分析，EABC算法在解決SVM參數(shù)尋優(yōu)問題中，克服了局部最優(yōu)問題，提升了SVM的分類性能。

4 變壓器故障診斷實(shí)例

4.1 數(shù)據(jù)樣本預(yù)處理

參考IEC 60599標(biāo)準(zhǔn)可知，變壓器故障類型主要分為高溫過熱、高能放電、中溫過熱、中低溫、低溫過熱、低能放電6種故障[11]，加上正常工作狀態(tài)，總共7種運(yùn)行狀態(tài)狀態(tài)。本文采用H2，CH4，C2H6，C2H4，C2H2這5種氣體的檢測量進(jìn)行故障診斷?？紤]到故障數(shù)據(jù)的在數(shù)值區(qū)間跨度大，各數(shù)量級上數(shù)據(jù)量不同等問題會影響分類表現(xiàn)，需要對數(shù)據(jù)進(jìn)行預(yù)處理[12]。

由文獻(xiàn)[13]中可知LOG函數(shù)轉(zhuǎn)換方式對變壓器油中氣體原始數(shù)據(jù)處理效果比較好，用LOG函數(shù)轉(zhuǎn)換方法作為預(yù)處理方法，轉(zhuǎn)換函數(shù)如式(21)所示。

(21)

式中，max為樣本數(shù)據(jù)的最大值。

4.2 基于EABC-SVM模型的變壓器故障診斷

表2 、表3分別為訓(xùn)練樣本和測試樣本分布情況。

表2 訓(xùn)練樣本分布

表3 測試樣本分布

分別利用EABC-SVM、GA-SVM、ABC-SVM、Rand-SVM等同構(gòu)分類器以及異構(gòu)的RandF分類器對變壓器故障樣本進(jìn)行分類，分類結(jié)果如表4所示；同構(gòu)分類器GA-SVM、ABC-SVM、EliteABC-SVM分類器分類可視化如圖8-圖10所示。

表4 各分類器分類準(zhǔn)確率

圖8 GA-SVM模型的分類準(zhǔn)確率

圖9 ABC-SVM模型的分類準(zhǔn)確率

圖10 EABC-SVM模型的分類準(zhǔn)確率

觀察表4可知，利用Rand-SVM分類器模型(隨機(jī)參數(shù)支持向量機(jī)模型)、RandF分類器模型(隨機(jī)森林模型)對變壓器進(jìn)行故障診斷時(shí)，這兩個(gè)單一故障診斷模型的總體診斷正確率均為83.333%；而經(jīng)過智能算法優(yōu)化參數(shù)之后的ABC-SVM、GA-SVM、EABC-SVM分類模型的故障診斷總體正確率分別為88.095%、91.667%、94.048%，故障診斷精度均高于Rand-SVM和RandF，因此可知將智能優(yōu)化算法引入SVM分類模型中對其分類性能有較好的提升，且本文基于改進(jìn)EABC算法，以SVM分類模型為基礎(chǔ)構(gòu)建的EABC-SVM故障診斷模型，在變壓器故障診斷中具有最高的故障識別率。

由圖8-圖10可知，ABC-SVM在變壓器故障診斷中總共出現(xiàn)了9個(gè)誤識，包括1個(gè)低能放電被錯(cuò)誤識別為高溫過熱；5個(gè)高能放電，1個(gè)被錯(cuò)誤識別為高溫過熱，4個(gè)被錯(cuò)誤識別為低能放電；3個(gè)中低溫過熱，分別被錯(cuò)誤識別為低能放電和高溫過熱以及高能放電。

GA-SVM在變壓器故障診斷中出總共現(xiàn)了7個(gè)誤識，包括了1個(gè)低能放電被錯(cuò)誤的識別成了高能放電；4個(gè)高能放電被錯(cuò)誤識別為低能放電；2個(gè)中低溫過熱，被錯(cuò)誤識別為了高能放電和低溫過熱，一個(gè)被錯(cuò)誤識別為高能放電，另一個(gè)被錯(cuò)誤識別為低溫過熱。

EABC-SVM在變壓器故障診斷中總共出現(xiàn)了5個(gè)誤識，包括1個(gè)低能放電被錯(cuò)誤識別為高能放電；2個(gè)高能放電被錯(cuò)誤識別為低能放電；2個(gè)中低溫過熱，一個(gè)被錯(cuò)誤識別為高能放電，另一個(gè)被錯(cuò)誤識別為低溫過熱。

綜合以上的圖表分析可知，EABC優(yōu)化參數(shù)后的SVM分類模型，其分類性能表現(xiàn)的提升均要優(yōu)于ABC、GA算法優(yōu)化后的SVM分類模型，EABC-SVM在變壓器的故障識別中與ABC-SVM、GA-SVM相比具有更高的的故障識別率，且通過與異構(gòu)分類器RandF對比，其故障識別率遠(yuǎn)高于RandF。

5 結(jié)論

為解決支持向量機(jī)在解決線性不可分的高維樣本數(shù)據(jù)時(shí)，其分類性能很大程度的受到核參數(shù)及懲罰因子這一弊端的影響，本文在針對傳統(tǒng)標(biāo)準(zhǔn)人工蜂群算法的缺點(diǎn)上進(jìn)行相應(yīng)改進(jìn)，提升了基本人工蜂群算法的局部搜索能力、加快了算法收斂速度、很大程度克服了算法局優(yōu)問題，提升了算法運(yùn)行穩(wěn)定性。并將其應(yīng)用于SVM分類模型中，對分類模型超參數(shù)組進(jìn)行迭代優(yōu)化搜索，提升了SVM分類模型的分類準(zhǔn)確率和泛化能力。最后利用構(gòu)建的EABC-SVM、ABC-SVM、GA-SVM等同構(gòu)診斷模型對變壓器油中溶解氣體進(jìn)行故障診斷，三個(gè)模型的故障診斷正確率分別為88.095%、91.667%、94.048%；EAB-SVM在與異構(gòu)的RandF診斷模型進(jìn)行準(zhǔn)確率對比時(shí)，EABC-SVM診斷模型的分類正確率比異構(gòu)診斷模型RandF的診斷準(zhǔn)確率高出12.8%，性能對比突出。因此可以得出結(jié)論，本文方法能對變壓器故障信息做出更為精確的診斷，具有方法簡單、泛化能力強(qiáng)、計(jì)算速度快等優(yōu)點(diǎn)。在理論研究和工程實(shí)際中都具有一定意義。