变压器故障诊断方法.pdf

《变压器故障诊断方法.pdf》由会员分享，可在线阅读，更多相关《变压器故障诊断方法.pdf（12页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911220444.5 (22)申请日 2019.12.03 (71)申请人 广东电网有限责任公司 地址 510030 广东省广州市越秀区东风东 路757号 申请人 广东电网有限责任公司肇庆供电局 (72)发明人 董朕卢欣奇 (74)专利代理机构 广州粤高专利商标代理有限 公司 44102 代理人 刘瑶云 (51)Int.Cl. G06N 20/00(2019.01) G06N 3/00(2006.01) G01R 31/00(2006.01) (54)发明名称 一种变压器。

2、故障诊断方法 (57)摘要 本发明涉及一种变压器故障诊断方法， 包括 以下步骤： S1、 获取变压器油中溶解气体浓度和 对应故障结论的样本数据并做预处理， 生成训练 样本集和测试样本集； S2、 采用生成的训练样本 集建立核极限学习机预测模型； S3、 模型训练过 程中采用纵横交叉算法对核极限学习机的核函 数参数和惩罚系数进行优化； S4、 将测试样本输 入到训练好的核极限学习机中进行预测， 得到变 压器故障诊断结果。 本发明的变压器故障诊断方 法有效解决了变压器故障数据编码以及核极限 学习机参数选择难的问题， 同时避免了传统BP神 经网络的局部最优问题， 可应用于变压器相关领 域的科学研究和。

3、工程应用， 识别速度快， 识别率 高， 大大提高了变压器故障的诊断精度。 权利要求书3页 说明书7页 附图1页 CN 110969262 A 2020.04.07 CN 110969262 A 1.一种变压器故障诊断方法， 其特征在于， 包括以下步骤： S1、 获取变压器油中溶解气体浓度和对应故障结论的样本数据并做预处理， 生成训练 样本集和测试样本集； S2、 采用生成的训练样本集建立核极限学习机预测模型； S3、 模型训练过程中采用纵横交叉算法对核极限学习机的核函数参数和惩罚系数进行 优化； S4、 将测试样本输入到训练好的核极限学习机中进行预测， 得到变压器故障诊断结果。 2.根据权利要。

4、求1所述的变压器故障诊断方法， 其特征在于， 在步骤S1中， 样本数据中 的油中溶解气体采用的特征气体包括甲烷(CH4)、 乙烷(C2H6)、 乙烯(C2H4)、 乙炔(C2H2)、 氢气 (H2)、 二氧化碳(CO2)以及一氧化碳(CO)。 3.根据权利要求2所述的变压器故障诊断方法， 其特征在于， 在步骤S1中， 根据碳氢气 体的浓度， 变压器对应的故障类型分为以下六种： 高温过热(T2)、 高能量放电(D2)、 低能量 放电(D1)、 中低温过热(T1)、 局部放电(PD)以及正常状态(NC)， 共6种状态； 对应的输出编码 分别为： 100000、 010000、 001000、 00。

5、0100、 000010以及000001。 4.根据权利要求3所述的变压器故障诊断方法， 其特征在于， 在步骤S1中， 将样本数据 分为训练样本集和测试样本集， 训练样本集Trn中每个样本包括上述7种碳氢气体的浓度作 为输入， 表示为其中m为预测模型输入个数， 1种对应的故障类型作为 输出， 表示为l的取值由预测模型输出个数决定， n为样本集中第n个样 本。 5.根据权利要求4所述的变压器故障诊断方法， 其特征在于， 其中m7， l1。 6.根据权利要求5所述的变压器故障诊断方法， 其特征在于， 在步骤S1中， 测试样本集 Ten的选取方式与训练样本集Trn的选取方式相同。 7.根据权利要求6。

6、所述的变压器故障诊断方法， 其特征在于， 在步骤S2中， 建立核极限 学习机预测模型的具体步骤为： S2.1、 极限学习机回归函数及隐藏层与输出层链接权重如下： 式中， x为样本输入， f(x)为网络输出， h(x)、 H为隐藏层特征映射矩阵， 为一随机映射， 为隐藏层与输出层连接权值， 根据广义逆矩阵理论求出， I为对角矩阵， C为惩罚系数， T为样 本目标值向量； S2.2、 定义核极限学习机核矩阵如下： 式中， xi和xj为样本输入向量， 其中i和j是取值范围为1到N的正整数， K(xi,xj)为核函 数， 核极限学习机的核函数选择为径向基RBF核函数， RBF核函数表达式为： K(xi。

7、,xj)exp-|xi-xj|2/2 2 权利要求书 1/3 页 2 CN 110969262 A 2 式中， |xi-xj|为样本间的欧式范数， 为核函数参数； 则核极限学习机的输出和隐藏层与输出层连接权值为： 式中N为样本输入向量个数。 8.根据权利要求7所述的变压器故障诊断方法， 其特征在于， 在步骤S2中， 核极限学习 机需要优化的变量个数为2个： 惩罚系数C和核函数参数 。 9.根据权利要求8所述的变压器故障诊断方法， 其特征在于， 惩罚系数C和核函数参数 的取值范围分别为0.01,1000和0.001,100。 10.根据权利要求9所述的变压器故障诊断方法， 其特征在于， 在步骤S。

8、3中， 采用纵横交 叉算法对核极限学习机的惩罚系数和核函数参数进行优化的具体步骤为： S3.1、 参数初始化， 纵横交叉算法种群大小M设为20， 最大迭代次数Tmax取100， 纵向交叉 概率Pv设为0.8； S3.2、 随机生成一组粒子作为核极限学习机的初始C和 ， 用于建立纵横交叉算法优化 核极限学习机的诊断模型： FiCi, i， i1,2,.,M 其中， C为惩罚系数， 为核函数参数， M为种群大小， 共M个粒子； 迭代次数t置1， 分别将纵横交叉算法的每一个初始种群粒子转换成核极限学习机的惩 罚系数和核函数参数， 进行模型训练， 由下式计算训练误差， 即为该粒子的适应度值： 式中， 。

9、pt、 分别是实际故障类型输出和目标故障类型输出， T为训练样本数； S3.3、 在粒子探索目标空间的t次迭代中， 由Fi表示每一个粒子在解空间中的位置； S3.3.1、 对种群中所有粒子进行两两不重复随机组合， 共M/2对组合， 对每对组合， 根据 下式对粒子进行横向交叉： MShc(i,d)e1F(i,d)+(1-e1)F(j,d)+f1(F(i,d)-F(j,d) MShc(j,d)e2F(j,d)+(1-e2)F(i,d)+f2(F(j,d)-F(i,d) i,jN(1,M)； dN(1,D) 式中， e1、 e2为0,1之间的随机数， f1、 f2为-1,1之间的随机数， M为粒子规。

10、模， D为变量 维数， F(i,d)、 F(j,d)分别为父代粒子F(i)和F(j)的第d维， MShc(i,d)、 MShc(j,d)分别为F (i,d)和F(j,d)通过横向交叉产生的第d维子代； 横向交叉结果保存在中庸解矩阵MShc中， 计算粒子适应度值， 并与其父代粒子的适应度 值作比较， 适应度值小的粒子保留在F中； S3.3.2、 对横向交叉得到的粒子的每一维进行归一化， 然后对粒子所有的维进行不重 复两两随机配对， 共D/2对， 对任意一对维， 生成一个随机数rand， 若randPv， 则对该对维根 据下式进行纵向交叉操作： 权利要求书 2/3 页 3 CN 110969262。

11、 A 3 MSvc(i,d1)eF(i,d1)+(1-e)F(i,d2) iN(1,M)； d1,d2N(1,D)； r0,1 式中， MSvc(i,d1)为父代粒子F(i)的第d1维和第d2维通过纵向交叉产生的子代， e为0, 1之间的随机数； 纵向交叉结果保存在中庸解矩阵MSvc中， 对纵向交叉结果反归一化后计算中庸解矩阵 中粒子的适应度值， 与其父代粒子进行适应度值比较， 适应度值好的粒子保存在F中； S3.3.3、 粒子更新完成后， 计算更新位置后的粒子适应度值， 记录相对应的最优个体 Fbest； S3.3.4、 迭代次数t加1， 当迭代次数tTmax时， 转至步骤S3.3.1， 否。

12、则， 寻优结束， Fbest即 为核极限学习机的最优惩罚系数和函数参数。 权利要求书 3/3 页 4 CN 110969262 A 4 一种变压器故障诊断方法 技术领域 0001 本发明涉及变压器故障诊断技术领域， 具体涉及一种变压器故障诊断方法。 背景技术 0002 电力变压器是电力系统最重要的输变电设备， 同时也是电力系统中发生事故最多 的设备之一， 其运行状态直接影响系统运行的安全与稳定。 如何确保变压器的安全运行受 到了世界各国的广泛关注。 通过对电力变压器定期进行预防性维护， 实时检测高压设备的 实际运行情况， 检测与诊断其潜伏性故障或缺陷， 提高诊断水平， 做到有针对性的检修维 护。

13、， 达到早期预报故障， 避免恶性事故的发生， 具有重要的实际意义。 另外， 国内外许多的资 料表明， 开展故障诊断能取得明显的经济效益。 据日本统计， 在采用诊断技术后， 事故率减 少， 维修费降低一英国对个国营工程的调查表明， 采用诊断技术后每年节省维修费亿英镑， 用于诊断技术的费用仅为亿英镑， 净获利亿英镑。 因此， 通过对电力变压器运行过程中的故 障诊断， 及时有效的判断其状态， 将使变压器长期、 安全可靠的运行成为可能。 无论是从重 要性还是具有的经济效益来衡量， 都将对电力系统的安全运行产生重要的意义。 0003 传统的诊断方法是人们在长期的科学研究和变压器故障诊断实践中总结出来的 。

14、由特征气体浓度信息直接或通过简单的计算比值判断故障类型的方法， 主要有特征气体 法、 有编码比值法、 无编码比值法等， 但是当在实际使用中暴露出编码不全， 编码边界过于 绝对等缺点。 人工智能方法如BP神经网络等近年来在变压器故障诊断领域得到广泛应用， 但BP算法采用梯度下降方法， 因此具有训练速度慢， 容易陷入局部极小点， 并且对学习率的 选择十分敏感， 从而导致对变压器故障识别率低。 发明内容 0004 为了克服上述现有技术所存在的速度慢， 结果过于绝对以及故障识别率低的问 题， 本发明提供了一种变压器故障诊断方法， 是一种基于纵横交叉算法优化核极限学习机 的变压器故障诊断方法， 有效解决。

15、了变压器故障数据编码以及核极限学习机参数选择难的 问题， 同时避免了传统BP神经网络的局部最优问题， 可应用于变压器相关领域的科学研究 和工程应用， 识别速度快， 识别率高， 大大提高了变压器故障的诊断精度。 0005 为解决上述技术问题， 本发明提供以下技术方案： 0006 一种变压器故障诊断方法， 包括以下步骤： 0007 S1、 获取变压器油中溶解气体浓度和对应故障结论的样本数据并做预处理， 生成 训练样本集和测试样本集； 0008 S2、 采用生成的训练样本集建立核极限学习机预测模型； 0009 S3、 模型训练过程中采用纵横交叉算法对核极限学习机的核函数参数和惩罚系数 进行优化； 0。

16、010 S4、 将测试样本输入到训练好的核极限学习机中进行预测， 得到变压器故障诊断 结果。 说明书 1/7 页 5 CN 110969262 A 5 0011 进一步的， 在步骤S1中， 样本数据中的油中溶解气体采用的特征气体包括甲烷 (CH4)、 乙烷(C2H6)、 乙烯(C2H4)、 乙炔(C2H2)、 氢气(H2)、 二氧化碳(CO2)以及一氧化碳(CO)， 特 征多， 精度高。 0012 进一步的， 在步骤S1中， 根据碳氢气体的浓度， 变压器对应的故障类型分为以下六 种： 高温过热(T2)、 高能量放电(D2)、 低能量放电(D1)、 中低温过热(T1)、 局部放电(PD)以及 正。

17、常状态(NC)， 共6种状态； 对应的输出编码分别为： 100000、 010000、 001000、 000100、 000010以及000001， 精度更高。 0013 进一步的， 在步骤S1中， 将样本数据分为训练样本集和测试样本集， 训练样本集 Trn中每个样本包括上述7种碳氢气体的浓度作为输入， 表示为其中m为 预测模型输入个数， 1种对应的故障类型作为输出， 表示为l的取值由预 测模型输出个数决定， n为样本集中第n个样本， 提高诊断精度。 0014 进一步的， 其中m7， l1， 结果更加准确。 0015 进一步的， 在步骤S1中， 测试样本集Ten的选取方式与训练样本集Trn的。

18、选取方式相 同， 减少计算量。 0016 进一步的， 在步骤S2中， 建立核极限学习机预测模型的具体步骤为： 0017 S2.1、 极限学习机回归函数及隐藏层与输出层链接权重如下： 0018 0019 式中， x为样本输入， f(x)为网络输出， h(x)、 H为隐藏层特征映射矩阵， 为一随机映 射， 为隐藏层与输出层连接权值， 根据广义逆矩阵理论求出， I为对角矩阵， C为惩罚系数， T 为样本目标值向量； 0020 S2.2、 定义核极限学习机核矩阵如下： 0021 0022 式中， xi和xj为样本输入向量， 其中i和j是取值范围为1到N的正整数， K(xi,xj)为 核函数， 核极限学。

19、习机的核函数选择为径向基RBF核函数， RBF核函数表达式为： 0023 0024 式中， |xi-xj|为样本间的欧式范数， 为核函数参数； 0025 则核极限学习机的输出和隐藏层与输出层连接权值为： 0026 0027 式中N为样本输入向量个数， 结果更加准确。 0028 进一步的， 在步骤S2中， 核极限学习机需要优化的变量个数为2个： 惩罚系数C和核 说明书 2/7 页 6 CN 110969262 A 6 函数参数 ， 结果更加准确。 0029 进一步的， 惩罚系数C和核函数参数 的取值范围分别为0.01,1000和0.001, 100， 结果更加准确。 0030 进一步的， 在步骤。

20、S3中， 采用纵横交叉算法对核极限学习机的惩罚系数和核函数 参数进行优化的具体步骤为： 0031 S3.1、 参数初始化， 纵横交叉算法种群大小M设为20， 最大迭代次数Tmax取100， 纵向 交叉概率Pv设为0.8； 0032 S3.2、 随机生成一组粒子作为核极限学习机的初始C和 ， 用于建立纵横交叉算法 优化核极限学习机的诊断模型： 0033 FiCi, i， i1,2,.,M 0034 其中， C为惩罚系数， 为核函数参数， M为种群大小， 共M个粒子； 0035 迭代次数t置1， 分别将纵横交叉算法的每一个初始种群粒子转换成核极限学习机 的惩罚系数和核函数参数， 进行模型训练， 由。

21、下式计算训练误差， 即为该粒子的适应度值： 0036 0037式中， pt、 分别是实际故障类型输出和目标故障类型输出， T为训练样本数； 0038 S3.3、 在粒子探索目标空间的t次迭代中， 由Fi表示每一个粒子在解空间中的位 置； 0039 S3.3.1、 对种群中所有粒子进行两两不重复随机组合， 共M/2对组合， 对每对组合， 根据下式对粒子进行横向交叉： 0040 MShc(i,d)e1F(i,d)+(1-e1)F(j,d)+ 0041 f1(F(i,d)-F(j,d) 0042 MShc(j,d)e2F(j,d)+(1-e2)F(i,d)+ 0043 f2(F(j,d)-F(i,d。

22、) 0044 i,jN(1,M)； dN(1,D) 0045 式中， e1、 e2为0,1之间的随机数， f1、 f2为-1,1之间的随机数， M为粒子规模， D 为变量维数， F(i,d)、 F(j,d)分别为父代粒子F(i)和F(j)的第d维， MShc(i,d)、 MShc(j,d)分 别为F(i,d)和F(j,d)通过横向交叉产生的第d维子代； 0046 横向交叉结果保存在中庸解矩阵MShc中， 计算粒子适应度值， 并与其父代粒子的适 应度值作比较， 适应度值小的粒子保留在F中； 0047 S3.3.2、 对横向交叉得到的粒子的每一维进行归一化， 然后对粒子所有的维进行 不重复两两随机。

23、配对， 共D/2对， 对任意一对维， 生成一个随机数rand， 若randPv， 则对该对 维根据下式进行纵向交叉操作： 0048 MSvc(i,d1)eF(i,d1)+(1-e)F(i,d2) 0049 iN(1,M)； d1,d2N(1,D)； r0,1 0050 式中， MSvc(i,d1)为父代粒子F(i)的第d1维和第d2维通过纵向交叉产生的子代， e为 0,1之间的随机数； 0051 纵向交叉结果保存在中庸解矩阵MSvc中， 对纵向交叉结果反归一化后计算中庸解 说明书 3/7 页 7 CN 110969262 A 7 矩阵中粒子的适应度值， 与其父代粒子进行适应度值比较， 适应度值。

24、好的粒子保存在F中； 0052 S3.3.3、 粒子更新完成后， 计算更新位置后的粒子适应度值， 记录相对应的最优个 体Fbest； 0053 S3.3.4、 迭代次数t加1， 当迭代次数tTmax时， 转至步骤S3.3.1， 否则， 寻优结束， Fbest即为核极限学习机的最优惩罚系数和函数参数， 整个过程高效简洁。 0054 与现有技术相比， 本发明具有以下有益效果： 0055 本发明是一种基于纵横交叉算法优化核极限学习机的变压器故障诊断方法， 首先 对变压器油中溶解气体浓度和对应故障结论的样本数据进行处理， 建立训练样本集和测试 样本集， 然后对测试样本集建立核极限学习机的预测模型， 同。

25、时采用纵横交叉算法对核极 限学习机的惩罚系数和核函数参数进行寻优， 大大提高了模型的泛化能力和诊断精度， 最 后将测试样本输入训练好的核极限学习机中得到变压器故障诊断结果， 整个过程高效简 洁， 处理速度快， 效率高， 能获得更高精度的变压器故障诊断结果。 附图说明 0056 为了更清楚地说明本发明实施例， 下面将对实施例描述中所需要使用的附图作简 单地介绍， 显而易见地， 下面描述中的附图仅仅是本发明的实施例， 对于本领域普通技术人 员来讲， 在不付出创造性劳动的前提下， 还可以根据附图获得其他的附图。 0057 图1为本发明一种变压器故障诊断方法的采用纵横交叉算法对核极限学习机的惩 罚系数。

26、和核函数参数进行优化的具体步骤的流程图。 具体实施方式 0058 下面将对本发明实施例中的技术方案进行清楚、 完整地描述， 显然， 所描述的实施 例仅是本发明的一部分实施例， 而不是全部的实施例。 基于本发明中的实施例， 本领域普通 技术人员在没有做出创造性劳动前提下所获得的所有其它实施例， 都属于本发明保护的范 围。 0059 本发明实施例包括： 0060 一种变压器故障诊断方法， 包括以下步骤： 0061 S1、 获取变压器油中溶解气体浓度和对应故障结论的样本数据并做预处理， 生成 训练样本集和测试样本集； 0062 S2、 采用生成的训练样本集建立核极限学习机预测模型； 0063 S3、。

27、 模型训练过程中采用纵横交叉算法对核极限学习机的核函数参数和惩罚系数 进行优化； 0064 S4、 将测试样本输入到训练好的核极限学习机中进行预测， 得到变压器故障诊断 结果。 0065 在本实施例中， 在步骤S1中， 样本数据中的油中溶解气体采用的特征气体包括甲 烷(CH4)、 乙烷(C2H6)、 乙烯(C2H4)、 乙炔(C2H2)、 氢气(H2)、 二氧化碳(CO2)以及一氧化碳(CO)， 特征多， 精度高。 0066 在本实施例中， 在步骤S1中， 根据碳氢气体的浓度， 变压器对应的故障类型分为以 下六种： 高温过热(T2)、 高能量放电(D2)、 低能量放电(D1)、 中低温过热(T。

28、1)、 局部放电(PD) 说明书 4/7 页 8 CN 110969262 A 8 以及正常状态(NC)， 共6种状态； 对应的输出编码分别为： 100000、 010000、 001000、 000100、 000010以及000001， 精度更高。 0067 在本实施例中， 在步骤S1中， 将样本数据分为训练样本集和测试样本集， 训练样本 集Trn中每个样本包括上述7种碳氢气体的浓度作为输入， 表示为其中m 为预测模型输入个数， 1种对应的故障类型作为输出， 表示为l的取值由 预测模型输出个数决定， n为样本集中第n个样本， 提高诊断精度。 0068 在本实施例中， 其中m7， l1， 结。

29、果更加准确。 0069 在本实施例中， 在步骤S1中， 测试样本集Ten的选取方式与训练样本集Trn的选取方 式相同， 减少计算量。 0070 在本实施例中， 在步骤S2中， 建立核极限学习机预测模型的具体步骤为： 0071 S2.1、 极限学习机回归函数及隐藏层与输出层链接权重如下： 0072 0073 式中， x为样本输入， f(x)为网络输出， h(x)、 H为隐藏层特征映射矩阵， 为一随机映 射， 为隐藏层与输出层连接权值， 根据广义逆矩阵理论求出， I为对角矩阵， C为惩罚系数， T 为样本目标值向量； 0074 S2.2、 定义核极限学习机核矩阵如下： 0075 0076 式中， 。

30、xi和xj为样本输入向量， 其中i和j是取值范围为1到N的正整数， K(xi,xj)为 核函数， 核极限学习机的核函数选择为径向基RBF核函数， RBF核函数表达式为： 0077 0078 式中， |xi-xj|为样本间的欧式范数， 为核函数参数； 0079 则核极限学习机的输出和隐藏层与输出层连接权值为： 0080 0081 式中N为样本输入向量个数， 结果更加准确。 0082 在本实施例中， 在步骤S2中， 核极限学习机需要优化的变量个数为2个： 惩罚系数C 和核函数参数 ， 结果更加准确。 0083 在本实施例中， 惩罚系数C和核函数参数 的取值范围分别为0.01 ,1000和 0.00。

31、1,100， 结果更加准确。 0084 如图1所示， 在步骤S3中， 采用纵横交叉算法对核极限学习机的惩罚系数和核函数 参数进行优化的具体步骤为： 说明书 5/7 页 9 CN 110969262 A 9 0085 S3.1、 参数初始化， 纵横交叉算法种群大小M设为20， 最大迭代次数Tmax取100， 纵向 交叉概率Pv设为0.8； 0086 S3.2、 随机生成一组粒子作为核极限学习机的初始C和 ， 用于建立纵横交叉算法 优化核极限学习机的诊断模型： 0087 FiCi, i， i1,2,.,M 0088 其中， C为惩罚系数， 为核函数参数， M为种群大小， 共M个粒子； 0089 迭。

32、代次数t置1， 分别将纵横交叉算法的每一个初始种群粒子转换成核极限学习机 的惩罚系数和核函数参数， 进行模型训练， 由下式计算训练误差， 即为该粒子的适应度值： 0090 0091式中， pt、 分别是实际故障类型输出和目标故障类型输出， T为训练样本数； 0092 S3.3、 在粒子探索目标空间的t次迭代中， 由Fi表示每一个粒子在解空间中的位 置； 0093 S3.3.1、 对种群中所有粒子进行两两不重复随机组合， 共M/2对组合， 对每对组合， 根据下式对粒子进行横向交叉： 0094 MShc(i,d)e1F(i,d)+(1-e1)F(j,d)+ 0095 f1(F(i,d)-F(j,d。

33、) 0096 MShc(j,d)e2F(j,d)+(1-e2)F(i,d)+ 0097 f2(F(j,d)-F(i,d) 0098 i,jN(1,M)； dN(1,D) 0099 式中， e1、 e2为0,1之间的随机数， f1、 f2为-1,1之间的随机数， M为粒子规模， D 为变量维数， F(i,d)、 F(j,d)分别为父代粒子F(i)和F(j)的第d维， MShc(i,d)、 MShc(j,d)分 别为F(i,d)和F(j,d)通过横向交叉产生的第d维子代； 0100 横向交叉结果保存在中庸解矩阵MShc中， 计算粒子适应度值， 并与其父代粒子的适 应度值作比较， 适应度值小的粒子保。

34、留在F中； 0101 S3.3.2、 对横向交叉得到的粒子的每一维进行归一化， 然后对粒子所有的维进行 不重复两两随机配对， 共D/2对， 对任意一对维， 生成一个随机数rand， 若randPv， 则对该对 维根据下式进行纵向交叉操作： 0102 MSvc(i,d1)eF(i,d1)+(1-e)F(i,d2) 0103 iN(1,M)； d1,d2N(1,D)； r0,1 0104 式中， MSvc(i,d1)为父代粒子F(i)的第d1维和第d2维通过纵向交叉产生的子代， e为 0,1之间的随机数； 0105 纵向交叉结果保存在中庸解矩阵MSvc中， 对纵向交叉结果反归一化后计算中庸解 矩阵。

35、中粒子的适应度值， 与其父代粒子进行适应度值比较， 适应度值好的粒子保存在F中； 0106 S3.3.3、 粒子更新完成后， 计算更新位置后的粒子适应度值， 记录相对应的最优个 体Fbest； 0107 S3.3.4、 迭代次数t加1， 当迭代次数tTmax时， 转至步骤S3.3.1， 否则， 寻优结束， Fbest即为核极限学习机的最优惩罚系数和函数参数， 整个过程高效简洁。 说明书 6/7 页 10 CN 110969262 A 10 0108 以上所述仅为本发明的实施例， 并非因此限制本发明的专利范围， 凡是利用本发 明说明书内容所作的等效结构或等效流程变换， 或直接或间接运用在其它相关的技术领 域， 均同理包括在本发明的专利保护范围内。 说明书 7/7 页 11 CN 110969262 A 11 图1 说明书附图 1/1 页 12 CN 110969262 A 12 。