基于改进型RS-SVM相结合的配电网故障诊断技术研究

发布时间：2021-09-03 12:01

　　配电网作为电力系统中的一个重要组成部分,直接面向用户,是保证供电服务质量与用户服务质量、提高电力系统运行效率的关键环节。在配电网自动化快速发展的过程中,保证配电网安全、稳定运行和供电可靠性始终是电网建设运行的重中之重。一方面,配电网自动化系统为配电网故障诊断提供了丰富的数据信息,蕴含着丰富的潜在价值;另一方面,配电网中大量智能化设备的增加和使用导致配电网的数据采集与监视控制系统（Supervisory Control And Data Acquisition,SCADA）等信息采集系统收集到大量无用的冗余故障信息,并且其中夹杂着不完备故障信号,对配电网的故障诊断工作造成困扰。配电网的复杂结构也使得多重故障的出现频率增加,加大诊断难度。因此,快速、准确的配电网故障诊断方法对于配电网的安全、稳定、经济运行具有重要意义。针对配电网故障信息不完备和故障信息冗余的特点,本文提出一种基于改进型粗糙集理论（Rough Set,RS）与支持向量机（Support Vector Machine,SVM）相结合的故障诊断方法。将故障信息中各断路器、保护器动作信息作为故障诊断模型的输入量,对故障所处的线路或... 

【文章来源】：青岛大学山东省

【文章页数】：64 页

【学位级别】：硕士

【部分图文】：

图4-3两种属性约简算法的约简率曲线

青岛大学硕士学位论文40分析图4-3可知，采用未改进的粗糙集属性约简算法进行约简时，数据约简率分布在36%-44%的区间内，平均约简率为40.45%；采用基于二进制可辨矩阵的改进型属性约简算法进行约简时，这22组单次故障训练样本集合的数据约简率分布在54%-74%的区间内，平均约简率为62.81%，明显优于未改进的粗糙集属性约简算法。由此可知，在处理信息不完备的配电网单次故障时，本文所提出的改进型属性约简算法拥有更好的属性约简效率。将约简后的22组训练样本集合决策表数据作为输入量，训练SVM模型。采用本文第三章中提出的改进后的粒子群算法优化核函数参数g与惩罚参数C，将粒子群初始化参数进行如下设置：粒子种群数量N为20，最大迭代次数Tmax为100，核函数参数g最大、最小取值为2-15和23，惩罚参数C最大、最小取值为2-5和215。同时，设置学习因子初始值c1ini=2、c2ini=0.5，学习因子的迭代最终值c1fin=0.5、c2fin=2粒子维度为1.2，惯性因子w取值空间为[0.4,0.9]。对随机抽取组成的22组测试样本集合分别进行测试。改进后的粒子群算法优化SVM的适应度曲线如图4-4.图4-4适应度曲线分析可知，收敛过程的初始阶段SVM适应度值很低，利用改进后的粒子群优化算法优化后，适应度值经过35次迭代后逐渐接近95，寻到最优解。将最优解用于支持向量机模型的训练与分类诊断，模型输出设置为[0,1]，其中

青岛大学硕士学位论文42（1）分类精度Accuracy，表示故障正确分类的百分比，计算公式如下：ccTPTNAuracyTPTNFPFN+=+++4-(1)（2）灵敏度Sensitivity，记为Acc(+)，表示正类的分类精度，计算公式如下：TPSensitivityTPFN=+4-(2)（3）特异度Specificity，记为Acc(-)，表示负类的分类精度，计算公式如下：TNSpecificityFPTN=+4-(3)Accuracy、Sensitivity、Specificity这3种指标分别用来展示故障测试数据结果中故障总体、故障正类样本、故障负类样本的分类精度。通常认为，精度越高，分类效果越好。为对比分析验证改进型粗糙集与支持向量机相结合方法（改进型RS-SVM）的分类精度，基于相同算例和样本数据引入未结合粗糙集的单一支持向量机（SVM）、未改进的粗糙集与支持向量机结合方法（RS-SVM）共三种方法进行实验分析。3种方法的单次故障诊断结果的分类精度对比如图4-5所示。图4-5单次故障诊断结果的分类精度对比图

【参考文献】：
期刊论文
[1]含分布式电源的配电网故障定位改进矩阵算法[J]. 刘煜,王俊江,焦青,赵彦,赵卫斌.  科学技术与工程. 2019(34)
[2]基于改进量子粒子群优化支持向量机的变压器故障诊断方法[J]. 党东升,张树永,葛鹏江,田星.  电力科学与技术学报. 2019(03)
[3]中低压配电网故障定位的改进蚁群算法研究[J]. 赵永生,秦浩,江和顺,赵爱华,吴轲.  自动化与仪表. 2019(09)
[4]基于属性重要度的变精度邻域粗糙集属性约简算法[J]. 郑文彬,李进金,何秋红.  计算机科学. 2019(12)
[5]基于粒子群优化算法的支持向量机参数选择[J]. 贺心皓,罗旭.  计算机系统应用. 2019(08)
[6]基于支持向量机的油浸式电力变压器故障诊断方法研究[J]. 李长海.  电气应用. 2019(05)
[7]矩阵算法和优化算法相结合的配电网故障定位[J]. 徐彪,尹项根,张哲,庞帅,李旭升.  电力系统自动化. 2019(05)
[8]基于改进遗传算法的配电网故障定位方法[J]. 谢涛,蒯圣宇,朱晓虎,高传海.  沈阳工业大学学报. 2019(02)
[9]配电网规划研究综述与展望[J]. 肖白,郭蓓.  电力自动化设备. 2018(12)
[10]基于聚类算法和粗糙集理论的分布式电源状态约简[J]. 赵晓君,张立梅,杜坤.  电力系统及其自动化学报. 2019(05)

硕士论文
[1]基于聚类与粗糙集的配电网故障诊断研究[D]. 韩志伟.电子科技大学 2018
[2]基于改进Petri网的智能配电网故障分析方法研究[D]. 郭晓红.华北电力大学 2018
[3]基于RS-CPN的电力系统输电线路故障诊断方法研究[D]. 李莹.西安工程大学 2017
[4]基于支持向量机的电网故障诊断研究[D]. 袁柳杨.华北电力大学(北京) 2017
[5]基于GIS的中低压配网故障定位系统的研究[D]. 田红兵.兰州理工大学 2014
[6]基于二进制可辨矩阵的知识获取算法研究[D]. 杨星星.南京邮电大学 2014



本文编号：3381074