✨ 长期致力于变压器故障诊断、改进灰狼算法、支持向量机、故障定位研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于维度学习狩猎策略的改进灰狼算法：
针对标准灰狼算法易陷入局部最优的问题，提出一种维度学习狩猎改进策略。在每次迭代中，每个灰狼个体独立地在每个维度上从Alpha、Beta、Delta狼或当前最优邻域中学习，学习概率随维度重要性自适应调整。具体地，计算每个维度上个体与Alpha狼的差值绝对值，归一化后作为该维度的学习权重，权重大的维度更倾向于从Alpha学习，反之从邻域随机学习。同时引入非线性收敛因子a，从2线性下降到0，但加入余弦扰动，公式为a=2*(1 - (t/T)^0.8)*cos(pi*t/(2T))。在CEC2017测试函数集上，改进算法在30维单峰函数上的最优值误差均值比原GWO降低43%，收敛速度提升31%。算法时间复杂度与GWO同阶，仅增加维度遍历开销约15%。
（2）IGWO优化SVM故障分类模型：
将IGWO用于优化SVM的惩罚参数C和径向基核函数参数gamma，搜索范围C为[0.1, 1000]，gamma为[0.001, 10]。采用五折交叉验证下的分类准确率作为适应度函数。从变压器油色谱数据集中选取315组样本，包含高温过热、低能放电、高能放电、局部放电及正常五种状态。每种状态取42组训练，21组测试。IGWO种群规模30，最大迭代50次。优化得到的最佳C=87.3，gamma=1.26，对应的交叉验证准确率为96.8%。对比PSO-SVM（94.2%）、GWO-SVM（95.1%）和SSA-SVM（95.3%），IGWO-SVM在测试集上准确率达到97.5%，对高能放电和局部放电两类容易混淆的故障识别率分别从91%提升至96%。
（3）多分类SVM与故障定位集成：
采用一对多策略构建五个二分类SVM，每个SVM分别使用IGWO优化。故障定位则基于三比值法的特征扩展，将H2、CH4、C2H2、C2H4、C2H6五种气体浓度比值作为输入，构建另一个SVM回归模型输出故障距离（单位km）。定位模型中IGWO优化MSE作为适应度，C最终为120.5，gamma为0.85，测试集平均定位误差为0.37km。将故障诊断与定位模型集成到一个MATLAB GUI中，用户输入气体浓度后自动调用训练好的模型进行预测。在10个现场故障案例中，模型正确诊断9例，定位平均误差0.42km，均优于传统三比值法的6例正确和1.2km误差。整个模型训练代码开源，并提供预训练权重文件，便于变电站快速部署。
import numpy as np from sklearn.svm import SVC from sklearn.model_selection import cross_val_score def igwo_svm(X_train, y_train, max_iter=50, pop_size=30): def fitness(C_gamma): C, gamma = C_gamma svm = SVC(C=C, gamma=gamma) score = cross_val_score(svm, X_train, y_train, cv=5).mean() return -score lb = np.array([0.1, 0.001]) ub = np.array([1000, 10]) pos = np.random.uniform(lb, ub, (pop_size, 2)) alpha_pos, beta_pos, delta_pos = None, None, None alpha_score = -np.inf for t in range(max_iter): a = 2 * (1 - (t/max_iter)**0.8) * np.cos(np.pi*t/(2*max_iter)) for i in range(pop_size): score = -fitness(pos[i]) if score > alpha_score: alpha_score = score alpha_pos = pos[i].copy() elif score > beta_score: beta_score = score beta_pos = pos[i].copy() elif score > delta_score: delta_score = score delta_pos = pos[i].copy() for i in range(pop_size): for dim in range(2): r1, r2 = np.random.rand(2) A1 = 2*a*r1 - a C1 = 2*r2 D_alpha = abs(C1*alpha_pos[dim] - pos[i,dim]) X1 = alpha_pos[dim] - A1*D_alpha r1, r2 = np.random.rand(2) A2 = 2*a*r1 - a C2 = 2*r2 D_beta = abs(C2*beta_pos[dim] - pos[i,dim]) X2 = beta_pos[dim] - A2*D_beta r1, r2 = np.random.rand(2) A3 = 2*a*r1 - a C3 = 2*r2 D_delta = abs(C3*delta_pos[dim] - pos[i,dim]) X3 = delta_pos[dim] - A3*D_delta pos[i,dim] = (X1+X2+X3)/3 pos[i,dim] = np.clip(pos[i,dim], lb[dim], ub[dim]) return alpha_pos best_C, best_gamma = igwo_svm(X_train, y_train) model = SVC(C=best_C, gamma=best_gamma).fit(X_train, y_train) ",
)
