多支持向量机模型的输电线路故障诊断方法

被引：64

作者：

吴笑民 ^{[1
]}

曹卫华 ^{[1
]}

王典洪 ^{[2
]}

丁敏 ^{[1
]}

机构：

[1] 中国地质大学(武汉)自动化学院

[2] 中国地质大学(武汉)机械与电子信息学院

来源：

高电压技术 | 2020年 / 46卷 / 03期

关键词：

电力系统; 故障诊断; 输电线路; 多支持向量机; D-S证据理论; 故障特征;

D O I：

暂无

中图分类号：

TM75 [线路及杆塔];

学科分类号：

080802 [电力系统及其自动化];

摘要：

为提高电力线路故障诊断的准确性,充分利用广域监测系统的同步量测信息,提出一种基于电气量故障信息特征的多支持向量机模型诊断方法。首先,获取同步监测信息,利用对称分量法提取故障信息特征,建立特征集。其次,采用遗传算法优化支持向量机模型参数,构建诊断模型。最后,利用D-S证据理论融合方法对不同支持向量机模型的诊断结果进行融合,获得最终的故障诊断结果。实例验证结果表明,依据特征量进行故障诊断的准确率能较稳定的达到97%,具备提高诊断精度和降低结构复杂度的优势。另外,与传统方法相比,多支持向量机诊断模型能准确识别故障特征,且有效提升诊断准确率在4%以上,具有更高的准确性与有效性。

引用

页码：957 / 963

页数：7

共 10 条

[1]

采用正弦原子分解的不带并补线路故障判别方法 [J].

郭学英 ;

阴昌华 ;

贾晶晶 ;

郭敏嘉 ;

刘晓飞 ;

张玫 .

高电压技术, 2019, 45 (02) :525-532

[2]

基于邻域粗糙集与多核支持向量机的变压器多级故障诊断 [J].

李春茂 ;

周妺末 ;

刘亚婕 ;

高波 ;

吴广宁 .

高电压技术, 2018, 44 (11) :3474-3482

[3]

电网故障最优诊断的查询方法 [J].

江雪晨 ;

王大志 ;

宁一 ;

张翠玲 .

高电压技术, 2017, 43 (04) :1311-1316

[4]

采用WAMS时序信息的故障诊断方法及应用 [J].

陈伟彪 ;

陈亦平 ;

姚伟 ;

廖诗武 ;

孙雁斌 ;

文劲宇 .

电网技术, 2017, 41 (06) :1956-1963

[5]

基于时序数据相关性挖掘的WAMS/SCADA数据融合方法 [J].

魏大千 ;

王波 ;

刘涤尘 ;

陈得治 ;

唐飞 ;

郭珂 .

高电压技术, 2016, 42 (01) :315-320

[6]

基于有限同步量测数据的电力系统故障检测、辨识与定位 [J].

施微 ;

黄磊 ;

徐箭 ;

谷祎 ;

蒋怀光 ;

张俊 .

电网技术, 2015, 39 (04) :1067-1074

[7]

利用广域测量系统定位大电网中短路故障点的方法 [J].

董清 ;

赵远 ;

刘志刚 ;

颜湘武 .

中国电机工程学报, 2013, 33 (31) :140-146+17

[8]

基于广域测量系统的电网故障在线智能化诊断与分析方法 [J].

周子冠 ;

白晓民 ;

李文锋 ;

李再华 ;

许婧 ;

李晓珺 .

中国电机工程学报, 2009, 29 (13) :1-7

[9]

A survey on intelligent system application to fault diagnosis in electric power system transmission lines[J] V.H. Ferreira;R. Zanghi;M.Z. Fortes;G.G. Sotelo;R.B.M. Silva;J.C.S. Souza;C.H.C. Guimarães;S. Gomes Electric Power Systems Research 2016,

[10]

Particle swarm optimization for parameter determination and feature selection of support vector machines[J] Shih-Wei Lin;Kuo-Ching Ying;Shih-Chieh Chen;Zne-Jung Lee Expert Systems With Applications 2007,

← 1 →