| 摘 要： | 针对传统机器学习算法处理绝缘油中溶解气体分析(Dissolved gas analysis, DGA)的数据集准确率低的问题，提出了樽海鞘优化算法(Salp swarm algorithm, SSA)优化极端梯度提升(Extreme gradient Boosting, XGBoost)的DGA故障检测模型。对DGA数据集进行Z-score标准化预处理，消除DGA数据集各个特征间差异过大的影响；初始化SSA种群参数、迭代次数，设置樽海鞘群体的上下限，分别对应XGBoost里面的各个参数；经过樽海鞘群体的连续迭代优化，寻找XGBoost的最优参数；利用寻找到的诊断模型XGBoost的最优参数进行DGA的故障诊断。与遗传算法(Genetic algorithm, GA)优化XGBoost、粒子群算法(Particle swarm optimization, PSO)优化XGBoost和蚁群算法(Ant colony optimization, ACO)优化XGBoost的对比实验表明，针对DGA数据集，SSA相比于GA、PSO和ACO优化的XGBoost模型各个故障的准确率更高，总体准确率...
|
