论文部分内容阅读
电力系统作为保障国民生产生活的重要组成部分，必须时刻安全、可靠地运行。由于小电流接地系统的自身性质以及故障特征微弱等原因，单相接地故障选线问题虽已研究多年，但仍然没能得到较好的解决。现有的各种小电流接地故障选线方法都有各自的不足，适用范围有限。针对这一情况，本文围绕SVM(Support Vector Machine,支持向量机)对小电流接地系统故障选线问题展开研究。具体的研究工作如下：(1)对小电流接地系统发生单相接地故障时的稳态和暂态特征进行了论述。在此基础上，利用专业电磁暂态仿真软件建立了110kV/35kV小电流接地系统故障仿真模型，根据不同接地系统、不同接地电阻、不同故障初始角和不同故障距离等故障类型进行了大量仿真实验。(2)对SVM与LSSVM(Least Square Support Vector Machine,最小二乘支持向量机)的思想及分类原理进行了分析研究。提出了基于暂态量和LSSVM的故障选线方法，利用小波包变换作为特征提取手段，对线路的零序电流信号进行多层变换，选用特征频带内的能量值作为分类器LSSVM的训练与测试样本。在仿真验证这种方法有效的基础上，提出LSSVM改进小波包的选线方法，仿真证明故障选线准确率得到了提高。(3)采用了基于LSSVM的智能融合选线算法，以提高故障选线方法的适用性与可靠性。分别采用小波包变换和FFT(Fast Fourier Transform,快速傅里叶变换)算法作为特征提取手段，将提取到的稳态基波分量、五次谐波分量以及暂态能量分量构成特征向量，利用分类及泛化能力较强的LSSVM作为故障分类器进行融合选线。(4)在对分类精度和模型泛化能力有较大影响的LSSVM模型参数选择的问题上，采用群体智能优化算法进行解决。利用QPSO(Quantum Particle Swarm Optimization,量子行为粒子群优化算法)来选择最优参数，利用优化后的参数进行故障选线模型的训练与测试。经仿真实验证明，与传统LSSVM方法以及PSO(Particle Swarm Optimization,粒子群优化算法)优化参数的方法相比，基于QPSO优化LSSVM的故障选线方法的选线准确性和可靠性更高。