基于支持向量机的低压串联故障电弧识别方法研究

被引:16
作者
王子骏
张峰
张士文
顾昊英
曹潘亮
机构
[1] 上海交通大学电子信息与电气工程学院
关键词
低压串联故障电弧; 支持向量机; 分类辨识; 电气火灾;
D O I
暂无
中图分类号
TM501.2 [];
学科分类号
摘要
针对串联故障电弧发生时线路电流幅值较小传统线路保护装置不能进行有效检测的情况,提出一种基于支持向量机(SVM)的串联故障电弧识别方法。该方法利用自制的电弧发生装置模拟串联故障电弧,采集典型负载在正常回路和故障电弧回路中的电流数据,采用该数据训练基于支持向量机的串联故障电弧辨识模型。经实验证明,该辨识模型可以实现对典型线性负载和非线性负载回路中串联故障电弧的特征识别,最高识别准确率可达96%。该方法对硬件电路要求低,识别效率高,并且可以实现故障电弧波形的存储和处理,具有一定参考价值。
引用
收藏
页码:22 / 26
页数:5
相关论文
共 7 条
[1]   支持向量机参数优化及其在变压器故障诊断中的应用 [J].
尹金良 ;
朱永利 .
电测与仪表, 2012, 49 (05) :11-16
[2]   基于自回归参数模型的低压系统串联电弧故障识别 [J].
雍静 ;
桂小智 ;
牛亮亮 ;
曾礼强 .
电工技术学报, 2011, 26 (08) :213-219
[3]   中外电气火灾十年数据分析及防控体系 [J].
符平发 .
电气技术, 2008, (03) :8-11
[4]   基于支持向量机校正虚拟仪器非线性误差研究 [J].
谭超 .
电测与仪表 , 2005, (09) :6-8+55
[5]   基于S变换的电能质量扰动支持向量机分类识别 [J].
占勇 ;
程浩忠 ;
丁屹峰 ;
吕干云 ;
孙毅斌 .
中国电机工程学报, 2005, (04) :53-58
[6]   Fast exact leave-one-out cross-validation of sparse least-squares support vector machines [J].
Cawley, GC ;
Talbot, NLC .
NEURAL NETWORKS, 2004, 17 (10) :1467-1475
[7]   SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297