【技术实现步骤摘要】
一种励磁涌流的机器学习识别方法
[0001]本专利技术属于电力
，涉及一种励磁涌流的机器学习识别方法。
技术介绍
[0002]差动保护作为变压器的主保护在识别励磁涌流和内部故障时经常出现拒动和误动的现象，差动保护正确率远远低于线路保护。为了提高变压器运行的可靠性，就要区分故障电流和励磁涌流，因此就要探索识别励磁涌流的方法。现阶段，识别励磁涌流的方法主要有二类，一类是从电流角度，无论是对差动电流进行谐波分析的二次谐波分析方法，或是利用励磁涌流时波形特征出发的波形对称识别方法和间断角原理识别方法，都有一定局限性。有文献表明，通过判断电流中二次谐波含量的高低辨识励磁涌流和故障电流，但长距离输电线路中存在的电容效应和谐振的存在以及变压器铁芯材料的改进使得二次谐波判据的判别准确率不高；还有文献提出了利用励磁涌流和内部故障电流间断角的不同来分类，但这种方法测量精确度要求高且要求模数转换芯片的性能好，CT饱和使励磁涌流的间断角减小或使内部故障时间断角增大，会不同程度导致保护误动作；再者，有文献提出利用波形对称原理来判别励磁涌流和故障...
【技术保护点】
【技术特征摘要】
1.一种励磁涌流的机器学习识别方法，其特征在于：该方法包括以下步骤：S1：励磁涌流与故障电流分析；选取最大值、最小值、平均值、方差、峭度、偏斜度和波形因子7个特征量对变压器故障数据进行特征提取，对所有采样数据进行处理作为识别模型的输入；S2：建立PSO
‑
SVM故障识别模型；选取高斯径向基RBF核函数，支持向量机的RBF核中包含1个参数g；惩罚因子C是控制学习复杂度的，随着惩罚因子C的增大复杂度逐渐增高，当C大到一定程度，超过空间复杂度的最大值时，对支持向量机的性能就不会再产生影响；选取粒子群优化PSO算法来进行参数优化；S3：基于PSO
‑
SVM模型仿真分析。2.根据权利要求1所述的一种励磁涌流的机器学习识别方法，其特征在于：所述S2具体为：所述粒子群优化PSO算法初始化为一群随机粒子；然后通过迭代找到最优解；在每一次迭代中，粒子通过跟踪两个极值来更新自己；第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest；另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest；每个粒子代表极值优化问题的一个潜在最优解，用位置、速度和适应度值三个指标表示该粒子的特征，适应度值表示粒子的优劣；粒子在解空间中运动，通过跟踪个体极值和全局极值更新个体位置，在到达一定的迭代次数或设定的收敛精度时即可获得搜索空间中全局最优解，表示为：x
t+1
＝x
t
+v
t+1
ꢀꢀꢀꢀ
(0.2)式中表示第t个粒子在第k+1次迭代中的速度；同理，代表第t个粒子在第k次迭代中的速度；w为惯性因子，w的值决定了粒子飞行速度，也即搜索步长；c1，c2为学习因子，决定微粒个体经验和群体经验对微粒自身运行轨迹的影响；学习因子较...
【专利技术属性】
技术研发人员：段盼，杨作红，何娅，张奔，张连芳，时英桥，刘峰佚，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。