基于支持向量机的高压线路故障原因辨识

发布时间：2017-09-19 05:24

  本文关键词：基于支持向量机的高压线路故障原因辨识

  更多相关文章： 故障原因辨识 录波器 小波基 支持向量机 核函数 遗传算法

【摘要】：高压输电网络是送电端和用电端之间的枢纽,起着十分重要的连接作用。高压输电线路运行的环境较为恶劣,常常会发生各种故障。由于单相瞬时性接地故障在高压输电线路故障中所占的比重较大,本文提出了针对高压输电线路单相瞬时性接地故障的故障原因辨识方法。本文首先对故障录波器上传的数据信息进行处理,针对时间不同步问题,提出了相应的解决方案。从小波变换的角度出发,在尺度域上对信号能量进行划分,通过理论分析和真实故障录波数据的仿真对比得出,双正交小波基bior3.5是故障录波数据分解与重构的较好选择。同时引入了能量指标、方差指标和熵指标作为信号特征提取的特征量,将此特征量代入支持向量机的分类模型中,可以实现分类器的训练和待测集的预测。其次,详细分析了电力线路故障发生的不同原因,将故障原因大致分为六类,分别是山火、凝冰、雷击、对树木放电、异物和外力破坏。在现有故障录波数据的基础上,提出了基于支持向量机的故障原因辨识分类方法,采用核矩阵和核校准的近似系数指标对核函数进行选择,利用遗传算法对惩罚因子C和核参数的数值进行估计。经实验仿真证明,最终得出的SVM分类模型的预测率较高,具有一定的实用价值。最后,介绍了继电保护智能支撑平台的结构框架以及相关技术,提出了利用故障录波数据进行继电保护动作分析评价的方法,实现了高压线路故障原因辨识等高级功能在实际平台上的应用。
【关键词】：故障原因辨识 录波器 小波基 支持向量机 核函数 遗传算法
【学位授予单位】：华北电力大学(北京)
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM75
【目录】：

• 摘要5-6
• Abstract6-10
• 第1章 绪论10-15
• 1.1 引言10
• 1.2 课题的背景和意义10-11
• 1.3 国内外研究现状11-14
• 1.3.1 故障录波分析11-12
• 1.3.2 高压线路故障原因辨识12-13
• 1.3.3 故障信息系统13-14
• 1.4 论文的主要工作14-15
• 第2章 基于故障录波数据的线路故障特征量的提取15-30
• 2.1 通信线路两端不同步问题及解决方案15-19
• 2.1.1 同步问题研究背景15-16
• 2.1.2 在电力系统中时间同步的应用16
• 2.1.3 基于故障线路两端电压相位差的时间同步方法16-17
• 2.1.4 仿真分析17-19
• 2.2 电力系统故障录波电压与电流的特征选取与提取19-29
• 2.2.1 小波基选择的意义19-20
• 2.2.2 两类小波基简介20-21
• 2.2.3 小波基综合性能的评价指标21-22
• 2.2.4 分解层数的选择22
• 2.2.5 仿真验证与比较22-25
• 2.2.6 录波数据特征量的三个指标25-27
• 2.2.7 样本的选择与特征量的提取27-29
• 2.3 本章小结29-30
• 第3章 基于支持向量机的故障原因辨识30-52
• 3.1 高压电力线路的故障原因概述30-34
• 3.1.1 山火30-31
• 3.1.2 凝冰31
• 3.1.3 雷击31-32
• 3.1.4 异物32-33
• 3.1.5 对树木放电33-34
• 3.1.6 外力破坏34
• 3.1.7 小结34
• 3.2 支持向量机模型的建立34-36
• 3.3 基于支持向量机的电力线路故障类型识别36-39
• 3.3.1 支持向量机训练试验36
• 3.3.2 支持向量机分类测试试验36-39
• 3.4 支持向量机模型选择的意义及方法39-40
• 3.4.1 模型选择的意义39
• 3.4.2 模型选择方法简介39-40
• 3.5 核函数的选择40-44
• 3.5.1 近似系数指标40-41
• 3.5.2 实验及结果分析41-44
• 3.6 核参数的调整及误差惩罚参数C的估计44-48
• 3.6.1 核函数参数的选择44
• 3.6.2 惩罚因子C的估计44
• 3.6.3 遗传算法选择支持向量机参数44-46
• 3.6.4 电力线路故障原因辨识模型参数的确定46-48
• 3.7 仿真结果与分析48-50
• 3.7.1 仿真结果48-50
• 3.7.2 分析50
• 3.8 本章小结50-52
• 第4章 继电保护运行综合智能支撑平台52-64
• 4.1 系统方案概述52-54
• 4.1.1 CSGC3000平台介绍52-53
• 4.1.2 系统总体结构53-54
• 4.2 故障智能分析54-57
• 4.2.1 录波分析55-56
• 4.2.2 故障场景数据收集56
• 4.2.3 扩展故障分析56-57
• 4.3 保护动作行为分析57-61
• 4.3.1 动作行为分析的自动启动条件及分析对象57-58
• 4.3.2 录波文件选取58
• 4.3.3 基于故障数据的继电保护动作行为分析方法58-61
• 4.4 高压线路故障原因分析结果61-62
• 4.4.1 分析结果61
• 4.4.2 展示界面的设计61-62
• 4.5 本章小结62-64
• 第5章 总结与展望64-66
• 5.1 总结64-65
• 5.2 展望65-66
• 参考文献66-70
• 致谢70

【相似文献】

中国期刊全文数据库 前10条

1 葛海峰;林继鹏;刘君华;丁晖;;基于支持向量机和小波分解的气体识别研究[J];仪器仪表学报;2006年06期

2 琚旭;王浩;姚宏亮;;支持向量机的一个边界样本修剪方法[J];合肥工业大学学报(自然科学版);2006年07期

3 张菁华;袁鑫;刘达;;基于支持向量机的电力工程最优投标报价决策研究[J];山东电力高等专科学校学报;2006年04期

4 张涛;段淑敏;;支持向量机在中医疾病症候诊断中的应用[J];华北水利水电学院学报;2007年03期

5 王晶;靳其兵;曹柳林;;面向多输入输出系统的支持向量机回归[J];清华大学学报(自然科学版);2007年S2期

6 陈丹;;多类支持向量机算法的研究[J];东莞理工学院学报;2007年05期

7 程丽丽;张健沛;马骏;;一种改进的加权边界调节支持向量机算法[J];哈尔滨工程大学学报;2007年10期

8 宋召青;崔和;胡云安;;支持向量机理论的研究与进展[J];海军航空工程学院学报;2008年02期

9 郭濵;孙晓梅;薛明;;基于壳向量的边界邻近支持向量机[J];黑龙江交通科技;2008年12期

10 许超;运士伟;舒云星;;基于支持向量机的混凝土测强换算模型[J];洛阳理工学院学报(自然科学版);2008年02期

中国重要会议论文全文数据库 前10条

1 余乐安;姚潇;;基于中心化支持向量机的信用风险评估模型[A];第六届（2011）中国管理学年会——商务智能分会场论文集[C];2011年

2 刘希玉;徐志敏;段会川;;基于支持向量机的创新分类器[A];山东省计算机学会2005年信息技术与信息化研讨会论文集（一）[C];2005年

3 史晓涛;刘建丽;骆玉荣;;一种抗噪音的支持向量机学习方法[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（下册）[C];2008年

4 何琴淑;刘信恩;肖世富;;基于支持向量机的系统辨识方法研究及应用[A];中国力学大会——2013论文摘要集[C];2013年

5 刘骏;;基于支持向量机方法的衢州降雪模型[A];第五届长三角气象科技论坛论文集[C];2008年

6 王婷;胡秀珍;;基于组合向量的支持向量机方法预测膜蛋白类型[A];第十一次中国生物物理学术大会暨第九届全国会员代表大会摘要集[C];2009年

7 赵晶;高隽;张旭东;谢昭;;支持向量机综述[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

8 周星宇;王思元;;智能数学与支持向量机[A];2005年中国智能自动化会议论文集[C];2005年

9 颜根廷;马广富;朱良宽;宋斌;;一种鲁棒支持向量机算法[A];2006中国控制与决策学术年会论文集[C];2006年

10 侯澍e，

本文编号：879736