基于希爾伯特—黃變換和模糊支持向量機(jī)的輸電線路故障分類方法研究.pdf

1、隨著我國(guó)經(jīng)濟(jì)社會(huì)的不斷發(fā)展與電力系統(tǒng)負(fù)荷的不斷增大，輸電線路故障發(fā)生頻率也隨之提高。準(zhǔn)確、迅速地輸電線故障分類是實(shí)現(xiàn)輸電網(wǎng)絡(luò)故障定位和事故分析的前提保證。本文研究了一種基于模糊支持向量機(jī)FSVM的輸電線路故障分類方法，旨在當(dāng)輸電線路發(fā)生短路故障時(shí)能夠準(zhǔn)確快速地實(shí)現(xiàn)故障分類。
　　本文首先介紹了希爾伯特-黃變換提取故障特征量的方法，該方法目前在信號(hào)特征量提取方面得到了廣泛的應(yīng)用，所提的特征量能夠很好地表征故障信息。利用經(jīng)驗(yàn)?zāi)B(tài)分解E

2、MD方法獲得電流信號(hào)的固有模態(tài)函數(shù)IMF，利用Hilbert變化獲取信號(hào)的邊際譜，再在特定頻率區(qū)段對(duì)邊際譜函數(shù)的平方積分得到特征能量函數(shù)值S。本文以A相、B相、C相及零序電流的特征能量函數(shù)值S作為輸電線路的4維故障特征向量。
　　本文研究基于模糊支持向量機(jī)FSVM的輸電線路故障分類模型與方法。首先利用標(biāo)準(zhǔn)支持向量機(jī)SVM初步建立輸電線路故障分類模型。選擇徑向基函數(shù)，選用網(wǎng)格、粒子群、遺傳三種優(yōu)化方法分別對(duì)懲罰參數(shù)C、核函數(shù)寬度σ優(yōu)

3、化，選擇了最優(yōu)參數(shù)。其次，在SVM分類模型基礎(chǔ)上在高維特征空間中定義了分段隸屬度函數(shù)，并求解出各個(gè)樣本點(diǎn)的模糊隸屬度。改變各個(gè)樣本點(diǎn)懲罰參數(shù)，構(gòu)造FSVM最優(yōu)分類函數(shù)，再結(jié)個(gè)樣本點(diǎn)的決策函數(shù)值、對(duì)應(yīng)的隸屬度，構(gòu)造支持向量回歸機(jī)SVR訓(xùn)練集，得到回歸函數(shù)，得到測(cè)試集數(shù)據(jù)屬于各類故障的最終隸屬度。通過(guò)于故障閾值比較，得到故障分類結(jié)果，修正模糊支持向量機(jī)的分類標(biāo)簽值，得到最終的分類結(jié)果。最后向訓(xùn)練集故障相五分之一的數(shù)據(jù)中加入信噪比SNR為5d

4、B的高斯白噪聲，利用FSVM進(jìn)行分類，仿真實(shí)驗(yàn)表明該方法對(duì)于輸電線十種故障類型有很高的故障識(shí)別率。
　　本文研究了基于主元分析法(PCA)的數(shù)據(jù)降維及三維圖形顯示方法。通過(guò)PCA降維處理，選擇最能表征原始信息的前三個(gè)主元成分，將原始空間4維輸入向量降至三維。再分別對(duì)訓(xùn)練集故障相、非故障相、測(cè)試集故障相、非故障相數(shù)據(jù)在三維立體空間圖中以用不同的符號(hào)加以顯示。對(duì)SVM與FSVM的分類結(jié)果在三維空間的分布圖及其差異進(jìn)行了對(duì)比分析。仿真實(shí)