论文部分内容阅读
随着我国经济社会的不断发展与电力系统负荷的不断增大,输电线路故障发生频率也随之提高。准确、迅速地输电线故障分类是实现输电网络故障定位和事故分析的前提保证。本文研究了一种基于模糊支持向量机FSVM的输电线路故障分类方法,旨在当输电线路发生短路故障时能够准确快速地实现故障分类。本文首先介绍了希尔伯特-黄变换提取故障特征量的方法,该方法目前在信号特征量提取方面得到了广泛的应用,所提的特征量能够很好地表征故障信息。利用经验模态分解EMD方法获得电流信号的固有模态函数IMF,利用Hilbert变化获取信号的边际谱,再在特定频率区段对边际谱函数的平方积分得到特征能量函数值S。本文以A相、B相、C相及零序电流的特征能量函数值S作为输电线路的4维故障特征向量。本文研究基于模糊支持向量机FSVM的输电线路故障分类模型与方法。首先利用标准支持向量机SVM初步建立输电线路故障分类模型。选择径向基函数,选用网格、粒子群、遗传三种优化方法分别对惩罚参数C、核函数宽度σ优化,选择了最优参数。其次,在SVM分类模型基础上在高维特征空间中定义了分段隶属度函数,并求解出各个样本点的模糊隶属度。改变各个样本点惩罚参数,构造FSVM最优分类函数,再结个样本点的决策函数值、对应的隶属度,构造支持向量回归机SVR训练集,得到回归函数,得到测试集数据属于各类故障的最终隶属度。通过于故障阈值比较,得到故障分类结果,修正模糊支持向量机的分类标签值,得到最终的分类结果。最后向训练集故障相五分之一的数据中加入信噪比SNR为5dB的高斯白噪声,利用FSVM进行分类,仿真实验表明该方法对于输电线十种故障类型有很高的故障识别率。本文研究了基于主元分析法(PCA)的数据降维及三维图形显示方法。通过PCA降维处理,选择最能表征原始信息的前三个主元成分,将原始空间4维输入向量降至三维。再分别对训练集故障相、非故障相、测试集故障相、非故障相数据在三维立体空间图中以用不同的符号加以显示。对SVM与FSVM的分类结果在三维空间的分布图及其差异进行了对比分析。仿真实验表明,通过样本点在三维空间分布结果,更形象直观地验证了FSVM在输电线故障分类方面优越性,及高容错性。