论文部分内容阅读
随着全球能源互联网的有序推进,电网覆盖范围不断拓宽,输电距离、输送容量及电压等级与日俱增,电力网的安全可靠运行愈加成为关注的焦点。高压输电线路是电网中的重要一环,担任着电能远距离输送的重任,电力输电线路一旦发生短路故障,必须迅速得到响应,否则将会威胁到整个电网乃至整个电力系统的稳定运行,而电力输电线路故障类型的快速智能识别是实现故障快速响应的前提。因此,本课题针对电力输电线路故障分类方法及其应用开展了深入研究,主要研究内容如下:1、针对混合输电线路发生故障时,常规故障分类方法往往不能满足分类准确率的要求,提出一种基于人工神经网络的智能故障分类识别算法。首先从发送端提取电压和电流数据,然后将原始数据通过巴特沃斯滤波器、离散傅里叶变换和序分析工具进行预处理,得到三相电压、电流和零序电流特征量,将其作为分类的输入数据,最后采用经遗传算法(GA)优化初始权值和阈值的BP神经网络,对故障数据进行分类。实验结果表明:该算法故障识别性能优异,分类准确率达到98.1%,加快了神经网络训练进程,单相故障识别速度达到2ms,有效提升了混合输电线路故障识别及诊断能力。2、针对传统的二叉树支持向量机(SVM)多分类方法中SVM分类器利用效率低,分类时间延迟的不足,改进二叉树SVM多分类方法,划定故障类别的优先级,使整个分类过程成为并行操作,合理利用分类器资源,加速分类进程。SVM分类算法采用FLSA-SVM算法,其在LS-SVM算法中引入了一个柔性调整项,直接控制LS-SVM算法求解过程中的稀化程度,从而使SVM算法运算速度得到改善。数据测试结果表明,改进的二叉树SVM多分类算法耗时比改进前减少29.7%,正确率较高,适用于电力输电线路故障分类。3、通过运用模糊聚类,构建完全二叉树SVM故障分类模型,对电力输电线路故障进行分类识别。利用FCM-C算法进行初始聚类分析,有效消除了样本数据中的噪点,形成更为有用的聚类,为样本的进一步分类创造了有利条件,然后通过模糊C均值聚类和分裂层次法建立了用于故障分类的SVM分类器,实验证明,建立的分类器具有良好的分类效果。总之,本课题研究的电力输电线路故障分类方法,能够有效提高故障识别的准确率,缩短了故障识别所消耗的时间,具有一定的研究意义和实用价值。