一种基于改进多分类支持向量机的配电网故障识别方法技术

本发明专利技术涉及一种基于改进多分类支持向量机的配电网故障识别方法，其特征在于：包括以下步骤：步骤S1：采集故障后一周波的主变低压侧三相电流和母线零序电压仿真波形数据，作为输入信号；步骤S2:对输入信号进行小波分解处理，并重构低频分量，得到重构信号；步骤S3:采用求取均方根与欧式距离的方法，提取重构信号的特征向量；步骤S4:构建多级支持向量模型，并基于径向基核函数寻找最优参数，得到训练后的多级支持向量机模型；步骤S5:将重构信号的特征向量输入至训练后的多级支持向量机模型，得到故障分类。本发明专利技术基于改进多分类支持向量机，极大的提高了故障分类的准确率，故障识别率。

【技术实现步骤摘要】
一种基于改进多分类支持向量机的配电网故障识别方法
本专利技术涉及配电网领域，具体涉及一种基于改进多分类支持向量机的配电网故障识别方法。
技术介绍
现代电力发展使配电网规模不断扩大、结构日益复杂，难免会发生各类故障。准确识别并定位处理故障，可有效减小事故停电影响范围，提高系统运行稳定性。通常，检测出故障发生后首先需辨识故障类型，然后并选出故障线路，再定位故障区段。不同故障类型使用的故障定位方法有异，因此，准确地识别故障是配电网故障定位研究的决定性前提之一。故障识别可基于稳态或是暂态电气量实现。其中，传统基于工频稳态量与设置门槛值的故障识别方法，受到故障发生时刻、故障点位置、短路过渡电阻等因素影响较大，具有一定的局限性；基于暂态电气量的故障识别方法，往往先提取出能表征故障类型的特征量，再通过模式识别完成分类，一般灵敏度高可靠性强，并且不受消弧线圈影响，实现简单快速。作为一种泛化能力较强的模式识别方法，支持向量机已广泛应用于配电网故障类型识别。支持向量机通常采用二分类模式识别方法，为能有效完成多类型识别，需扩展其多分类功能。典型SVM只是一种二分类模式识别方法，当使用于多分类模式识别时，需对其功能进行扩展。多分类支持向量机常用方法有1-against-1法、1-against-rest法与决策树法等。已有配电网故障识别的多级支持向量机多采用决策树法搭建，容易出现错误向下累积，且受不同决策路径影响较大，可能导致识别率降低。因此有必要对现有方法进行改进，提高故障分类的准确率。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于改进多分类支持向量机的配电网故障识别方法，改进现有方法，提高故障分类的准确率。为实现上述目的，本专利技术采用如下技术方案：一种基于改进多分类支持向量机的配电网故障识别方法，其特征在于：包括以下步骤：步骤S1：采集故障后一周波的主变低压侧三相电流和母线零序电压仿真波形数据，作为输入信号；步骤S2:对输入信号进行小波分解处理，并重构低频分量，得到重构信号；步骤S3:采用求取均方根与欧式距离的方法，提取重构信号的特征向量；步骤S4:构建多级支持向量模型，并基于径向基核函数寻找最优参数，得到训练后的多级支持向量机模型；步骤S5:将重构信号的特征向量输入至训练后的多级支持向量机模型，得到故障分类。进一步的，所述步骤S1具体为：步骤S11:利用PSCAD/EMTDC仿真软件搭建10kV配电网模型；步骤S12:通过该模型获取主变低压母线零序电压和主变低压侧三相电流的10种故障(AG、BG、CG、ABG、ACG、BCG、AB、AC、BC、ABC)前后各一周波的仿真波形数据；步骤S13:根据得到的仿真波形数据，提取故障后一周波的主变低压侧三相电流和母线零序电压仿真波形数据，作为输入信号。进一步的，所述步骤S2具体为：步骤S21:选取正则性良好的db4作为小波基函数，分解层数为2层；步骤S22:根据小波基函数换对输入信号进行2层分解，并对第二层的小波系数进行重构，得到重构信号。进一步的，所述步骤S3具体为：步骤S31:利用重构信号的第二层近似分量分别求取三相电流与零序电压的均方根R及三相电流的相间欧氏距离d；步骤S32:根据求取三相电流与零序电压的均方根R及三相电流的相间欧氏距离d，进行归一化处理后，得到重构信号的特征向量。进一步的，所述多级支持向量模型为改进多分类SVM模型，该模型由10个SVM构成，记为SVM1-SVM10。模型整体结构采用决策树模式，但其中SVM4～SVM6采用1-against-1法进行投票，以票决方式选取故障相。本专利技术与现有技术相比具有以下有益效果：本专利技术基于本专利技术基于改进多分类支持向量机，极大的提高了故障分类的准确率，故障识别率。附图说明图1为本专利技术方法流程图；图2为本专利技术一实施例中设计的改进多分类支持向量机结构图；图3为本专利技术一实施例中10kV配电网的软件仿真模型图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。请参照图1，本专利技术提供一种基于改进多分类支持向量机的配电网故障识别方法，其特征在于：包括以下步骤：步骤S1：采集故障后一周波的主变低压侧三相电流和母线零序电压仿真波形数据，作为输入信号；步骤S2:对输入信号进行小波分解处理，并重构低频分量，得到重构信号；步骤S3:采用求取均方根与欧式距离的方法，提取重构信号的特征向量；步骤S4:构建多级支持向量模型，并基于径向基核函数寻找最优参数，得到训练后的多级支持向量机模型；步骤S5:将重构信号的特征向量输入至训练后的多级支持向量机模型，得到故障分类。在本专利技术一实施例中，建立一辐射式中压配电网模型，通过该模型获取主变低压母线零序电压和主变低压侧三相电流的10种故障(AG、BG、CG、ABG、ACG、BCG、AB、AC、BC、ABC)前后各一周波的仿真波形数据；根据叠加原理，配电网发生故障时，故障电流为正常运行时负荷电流与故障工况下故障分量电流的叠加。由于系统存在频率偏差，因此只提取故障后一周波的故障分量作为待分析数据。在本专利技术一实施例中，在步骤S2中，选取正则性良好的db4作为小波基函数，应用小波变换对输入信号进行2层分解，并对第二层的小波系数进行重构。在本专利技术一实施例中，在步骤S3中，基于均方根与欧式距离构造7个故障特征向量三相电流及零序电压故障分量的重构信号均方根R计算为：其中，N为一个工频周期内的采样点数。本文中，采样频率10kHz，于是N＝200。三相电流的相间欧氏距离d计算为：x＝a,b,c；y＝b,c,a为便于观察，对特征量进行归一化：将特征向量输入至已训练完善的多级支持向量机模型中，模型如图2所示。实施例1：在本实施例中，利用仿真软件搭建的10kV配电网软件仿真模型获取电气量信号，对馈线三相电流及母线零序电压故障后一周波的故障分量进行小波分解，并重构第二层的近似分量，求取重构信号的均方根及欧氏距离作为特征向量，输入至改进多分类支持向量机完成配电网故障分类。其中，训练样本为1080个，测试样本为6480个。配电网故障分类步骤为：(1)特征向量的获取根据本专利技术提供的上述技术方案，截取故障前后各一周波的主变低压侧三相电流和母线零序电压的仿真波形，并求取故障后一周波的故障分量。选取db4为小波基函数，对各个波形分别进行2层小波分解，并重构第二层的低频分量，基于均方根与欧式距离构造7个故障特征向量。(2)故障分类根据本专利技术提供的上述技术方案，输入故障分类模型的特征向量为构建改进多分类SVM模型如图2所示，该模型由10个SVM构成，记为SVM1-SVM10，模型整体结构采用决策树模式，但其中SVM4～SVM6采用1-against-1法进行投票，以票决方式选取故障相。最终输出故障类型标签编号，对应于10种故障类型。分类结果：分类正确率达98.2％以上。以上所述仅为本专利技术的较佳实施例，凡依本专利技术申请专利范围所做的均等变化与修饰，皆应属本专利技术的涵盖范围。本文档来自技高网...

【技术保护点】
1.一种基于改进多分类支持向量机的配电网故障识别方法，其特征在于：包括以下步骤：步骤S1：采集故障后一周波的主变低压侧三相电流和母线零序电压仿真波形数据，作为输入信号；步骤S2:对输入信号进行小波分解处理，并重构低频分量，得到重构信号；步骤S3:采用求取均方根与欧式距离的方法，提取重构信号的特征向量；步骤S4:构建多级支持向量模型，并基于径向基核函数寻找最优参数，得到训练后的多级支持向量机模型；步骤S5:将重构信号的特征向量输入至训练后的多级支持向量机模型，得到故障分类。

【技术特征摘要】
2018.09.07 CN 20181104433051.一种基于改进多分类支持向量机的配电网故障识别方法，其特征在于：包括以下步骤：步骤S1：采集故障后一周波的主变低压侧三相电流和母线零序电压仿真波形数据，作为输入信号；步骤S2:对输入信号进行小波分解处理，并重构低频分量，得到重构信号；步骤S3:采用求取均方根与欧式距离的方法，提取重构信号的特征向量；步骤S4:构建多级支持向量模型，并基于径向基核函数寻找最优参数，得到训练后的多级支持向量机模型；步骤S5:将重构信号的特征向量输入至训练后的多级支持向量机模型，得到故障分类。2.根据权利要求1所述的一种基于改进多分类支持向量机的配电网故障识别方法，其特征在于：所述步骤S1具体为：步骤S11:利用PSCAD/EMTDC仿真软件搭建10kV配电网模型;步骤S12:通过该模型获取主变低压母线零序电压和主变低压侧三相电流的故障前后各一周波的仿真波形数据;步骤S13:根据...

【专利技术属性】
技术研发人员：洪翠，付宇泽，郭谋发，高伟，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35