基于支持向量机超高压直流输电系统故障诊断的研究

《基于支持向量机超高压直流输电系统故障诊断的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、青岛科技大学研究生学位论文基于支持向量机的超高压直流输电系统故障诊断的研究摘要超高压直流输电(HVDC)是近年来发展起来的一项新的输电技术，主要应用于远距离大容量输电、电力系统联网、海底电缆或大城市地下电缆送电。若系统发生故障，将使生产停顿以致发生混乱，所以故障诊断是超高压直流输电技术的核心，也是实施系统保护的前提。针对目前国内外对HVDC系统故障诊断研究报道较少的现状，本文分析了HVDC系统故障的类型和特点，在故障仿真基础上，将S变换和支持向量机(SVM)理论用于该系统故障诊断中，深入研究了故障诊断系统中的几个关键技术问题。论文首先分析了

2、常用的故障诊断方法和信号处理方法，通过优缺点比较，提出将S变换用于系统故障信号的特征提取，并选用SVM进行故障分类。S变换是一种可逆时频局部分析方法，能有效提取信号的时频特征，并避免了小波变换中尺度参数难以选择的问题。SVM是在统计学习理论基础上发展起来的新的学习方法，在解决小样本、非线性及高维模式中有独特的优势，是机器学习领域的一个研究热点。在分析了HVDC系统常见故障类型及特点后，本文用电磁暂态仿真软件EMTDC／PSCAD构建了一个HVDC系统故障仿真模型，对典型故障进行仿真研究。分析波形特点，选择能反映故障特点的直流电压和直流电流信

3、号进行S变换，提取故障有效特征组成故障样本。然后用SVM方法训练故障样本并进行分类测试。通过比较不同诊断模型的性能，得到适合于HVDC系统的最佳渗断模型参数。论文摄后针对传统SVM不能有效处理孤立点的问题，将模糊SVM思想引入到HVDC系统故障诊断中，并对两种方法的诊断结果作了比较。仿真实验和结果分析表明，将S变换和SVM用于HVDC系统故障诊断是有效可行的。关键词：超高压直流输电故障诊断S变换支持向量机模糊支持向量机基于支持向量机的超高压直流输电系统故障诊断的研究RESEARCHoNSUPPORTVECToRMACHINE．一BASEDH

4、VDCSYSTEMFAUL．TDIAGNOSISABSTRACTHVDCisanewtypeofpowertransmissiontechnologydevelopingrapidlyinrecentyears，mainlyappliedtofarawayandhighcapacitypowertransmission，powersystemnetworkingandsubmarineorundergroundcablepowertransmission．Systemfaultswillresultinproductionpauseorco

5、nfusion，SO，faultdiagnosisisthecoretechnologyofHVDCandalsothepreconditionofsystemprotection．ConsideringtheexistingstatethatresearchesonHVDCsystemfaultdiagnosisofhomeandabroadarerelativelyrare，typesandfeaturesofvariousHVDCsystemfaultsareanalyzedinthispaper；StransformandSuppo

6、rtVectorMachine(SVM)areusedinsystemfaultdiagnosisandafewcorrespondingkeytechnologyproblemsaredeeplyinvestigatedonthebasisofsimulation．First，sometraditionalfaultdiagnosismethodsandsignalprocessingmethodsareanalyzed，andthenStransformandSVMarerespectivelyappliedtofeatureextra

7、ctionandfaultclassification，bycomparingthemeritsanddrawbacksofvariousmethods．StransformisakindofreversibletimefrequencylocalanalysismethodthatCallbeusedtoextracttimefrequencyfeaturesofsignalsandsolvethescaleparameterselectionprobleminwavelettransform．SVMisanovellearningmet

8、hodbasedonstatisticlearningtheoryandhasbeenahotissueinmachinelearningareainsolvingsmallsa