没有合适的资源?快使用搜索试试~ 我知道了~
基于最小二乘双支持向量机的配电网短路故障辨识方法研究.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 19 浏览量
2023-02-23
20:32:05
上传
评论
收藏 949KB DOCX 举报
温馨提示
试读
11页
基于最小二乘双支持向量机的配电网短路故障辨识方法研究.docx
资源推荐
资源详情
资源评论
摘要
配电网短路故障时有发生,若无法及时辨识和清除故障,对电网的稳定运行和用户的生产生活都将
造成严重影响。为了对配电网短路故障类型进行准确辨识,对传统支持向量机算法进行了改进,搭
建了基于决策树和最小二乘双支持向量机的多分类辨识模型,并将其应用于配电网短路故障辨识中。
首先在短路故障发生后对采样后的电流暂态信号作希尔伯特-黄变换,其次分别提取变换后各电流
分量的能量特征构成特征向量,最终输入多分类辨识模型,实现对配电网短路故障类型的快速准确
识别,并通过仿真验证了该方法的可靠性和有效性。
Abstract
Short-circuit faults in distribution networks occur from time to time. If the faults
cannot be identified and cleared in time, there will be a serious impact on the stable
operation of the power grid and the production and life of users. In order to identify
the types of short-circuit faults in the distribution network accurately, this paper
improved the traditional support vector machine algorithm, built a multi-class
identification model based on decision trees and least squares twin support vector
machine, and applied it to the short-circuit fault identification in distribution
networks. First, Hilbert-Huang transformation was performed on the sampled
transient current signal after the occurrence of a short-circuit fault. Secondly, the
energy characteristics of each current component after the transformation were
extracted to form a feature vector, which was finally input to the multi-class
identification model to realize the rapid and accurate identification of the types of
short-circuit faults in the distribution network. The reliability and effectiveness of
the method were verified by simulation.
译
关键词
短路故障; 类型辨识; 希尔伯特-黄变换; 最小二乘双支持向量机
Keywords
short-circuit fault; type identification; Hilbert-Huang transform; least squares twin
support vector machine
译
随着我国电力系统不断发展,配电网规模日渐扩大,各类故障也时有发生。当配电网线路发生短路
故障时,系统电压大幅下降,短路点附近线路的电流急剧增加,若未及时识别故障并采取必要的保
护动作, 可能会造成线损 增大、设备烧毁 等危害,甚至造成发电机与 系统解列,导致 大面积停电。
短路故障时间越长,对电气设备和配电网系统的危害越严重。因此,快速准确地辨识、定位和处理
配电网短路故障,有助于恢复系统稳定运行、保障用户电能质量、降低故障所造成的损失
[ 1-3 ]
。短
路故障可分为单相接地短路、两相短路、两相接地短路以及三相短路 4 种类型,只有精准辨识故障
类型,才能进一步对故障进行定位和切除。
为实现配电网短路故障类型辨识,通常先提取稳态或暂态电气量作为故障特征,通过人工智能算法
进行训练和测试,从而完成故障分类识别,该方法具有较高的灵敏度和可靠性。常用于解决故障分
类问 题的人工 智能算法 包括人工 神经网 络、卷积 神经网络 、支持向 量机(support vector machine,
SVM)等。文献[4]对故障后 2 ms 的零序电流进行经验模态分解,提取其暂态分量中的高频信
号作为特征量,通过模糊神经网络实现中性点非有效接地的中低压配电系统的故障分类;文献[5]
提取了故障电流及电流变化率作为特征量,通过 BP(back propagation)神经网络实现直流电网的
故障辨识与定位。传统神经网络算法可以达到较高的准确率,但容易陷入局部极小值,且由于需要
设置权值和阈值的初值,以及使用大量参数以确立网络拓扑结构,可能导致迭代时间长、收敛速度
慢等问题。相比之下,SVM 无需选择网络结构,参数设置简便,具有较高的泛化性能,能够较好
地克服传统神经网络的缺陷,因此广泛应用于故障分类辨识问题中
[ 6]
。文献[7]通过快速傅里叶
变换对等效电压、电流相角进行处理,将等效相角频率系数和归一化的电压系数作为多级 SVM 的
输入,进而完成故障分类;文献[8]通过小波变换对零序电压和三相电流故障分量进行分解和重
构,提取重构信号的均方根和相间电流的欧氏距离作为特征量,输入改进的多分类 SVM 中,实现
配电网短路故障类型辨识。
传统 SVM 对数量均匀的两类样本具有较好的分类效果,类型辨识准确率高,但其求解二次规划问
题时计算量较大,且当处理数量悬殊的两类样本时,所确定的超平面可能出现偏差,影响辨识准确
率,因此需要对传统 SVM 的分类性能进行改进
[ 6]
。双支持向量机(twin support vector machine,
TSVM)通过求解 2 个较小规模的二次规划问题,得到 2 个非平行的分类超平面,使计算量大大减
少 , 也 克 服 了 样 本 失 衡 对 传 统 SVM 的影 响
[ 9 ]
; 最 小 二 乘 双 支 持 向 量 机 ( least squares twin
support vector machine, LS-TSVM)将 TSVM 中的不等式约束转化为最小二乘意义下的等
式约束,提高了学习和训练速度,分类性能也得到进一步提升
[ 10]
。因此,本文选取 LS-TSVM 作
为配电网短路故障分类算法。
为了快速、准确地识别配电网短路故障类型,对故障发生后配电网线路母线侧的零序电流和三相电
流进行希尔伯特-黄变换(Hilbert-Huang Transform, HHT),提取故障后一周波内电流的暂
态能量特征,输入基于决策树的 LS-TSVM 多分类器,对短路故障类型和故障相别进行辨识;并在
MATLAB / Simulink 中对中性点经消弧线圈接地的 10 kV 配电网模型进行故障仿真,仿真结果证
实了该方法在短路故障类型辨识中的适用性和有效性。
1 数据处理与特征量提取
在配电网线路中,若发生接地短路故障,可以检测到幅值明显的零序电压和零序电流,而相间短路
故障后的零序电压、电流幅值则接近于 0。若要进一步判别具体故障类型,则需要对三相电压、电
流波形进 行特征提取和分 析。因此,本文 选择对故障发生后的零序电 流及三相电流数 据进行处理,
以提取故障分类所需的特征量。
HHT 是一种对非平 稳信号 进行处 理与分析 的有效 方法, 信号经 HHT 变换后 能够得到其频域 信息,
使故障特征更具有区 分度。HHT 由经 验模态分解 (empirical mode decomposition, EMD)
和 Hilbert 谱 分 析 两 部 分 组 成 。 EMD 可 将 原 信 号 分 解 为 多 个 固 有 模 态 分 量 ( intrinsic mode
function, IMF)和 1 个剩余分量,不同的 IMF 分量体现了原信号不同频率的振荡特征,其中 IMF1
分量是原信号中的最高频部分,反映了故障时暂态信息的主要变化趋势。将这些 IMF 分量作 Hilbert
变换,可以得到描述了各 IMF 分量的瞬时频率和信号振幅的时频分布情况的 Hilbert 谱,用于对信
号作进一步的时频分析
[ 11- 13]
。
将原信号作 EMD 分解,则第 i 个 IMF 分量在 t0~t1 时间段内的能量可表示为
Ei=∫t1t0(IMFi(t))2dtEi=∫t0t1(IMFit)2dt
(1)
各 IMF 分量的能量之和为
E=∑i=1nEiE=∑i=1nEi
(2)
式中:n 为原信号经 EMD 分解后的 IMF 分量个数
[ 14]
。
通常认为故障发生后 1~2 个周期为暂态过程,因此,为提取故障特征量,对故障发生后一周波内
的零序电流和三相电流信号以 12 800 Hz 的频率进行采样,分别对采样后的信号进行 EMD 分解,
可得到多个 IMF 分量。提取零序电流能量 E0,将零序电流 IMF1 分量的能量 E01 在零序电流能量
中的占比 E01/E0,以及各相电流能量在三相电流总能量中的占比 Ea/E 总、Eb/E 总、Ec/E 总作为
特征量。
其中:
E 总=Ea+Eb+EcE 总=Ea+Eb+Ec
(3)
式中:Ea、Eb、Ec 分别为 A、B、C 相电流能量。
将上述特征量共同构成特征向量:
x=[E0E01E0EaE 总 EbE 总 EcE 总]x=E0E01E0EaE 总 EbE 总 EcE 总
(4)
将所提取的特征向量 x 作为故障分类算法的输入,进而对配电网短路故障的类型进行辨识。
2 最小二乘双支持向量机与故障类型辨识
2.1 最小二乘双支持向量机原理
TSVM 与传统 SVM 均为二分类器,有所不同的是,标准 SVM 通过求解 1 个二次规划问题来获得 1
个分类超平面,数据样本在超平面的哪一侧,其类别即为该侧所对应的类别;而 TSVM 通过求解 2
个较小规模的二次规划问题得到 2 个非平行分类超平面,数据样本的类别根据其距离 2 个超平面的
远近来决定,距离哪个超平面更近,其类别即为该超平面所对应的类别
[ 15]
。与传统 SVM 相比,TSVM
计算量更小,且克服了样本不均衡对传统 SVM 的影响。
LS-TSVM 是对 TSVM 的改进,将 TSVM 中的二次规划问题转化成为最小二乘形式,并用等式约束
取代 TSVM 中的不等式约束,进一步降低了计算复杂度,提升了求解效率
[ 16, 1 7]
。
在 二 分 类 问 题 中 , 给 定 m×n 维 样 本 集 X∈Rm×n , 其 中 正 类 、 负 类 样 本 集 分 别 记 为 :
A=[x1,x2,⋯,xm1],B=[xm1+1,⋯,xm]。线性 LS-TSVM 所需求解的问题如下。
LS-TSVM1:
译
剩余10页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3652
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功