基于小波能量熵和支持向量机的高压输电线路故障选相方法研究.pdf

《基于小波能量熵和支持向量机的高压输电线路故障选相方法研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、测量与检测技术《电气自动化}2m1年第33卷第6期Measurement＆DetectinQTechnics基于小波能量熵和支持向量机的高压输电线路故障选相方法研究张明光陆文辉刘昱晨(兰州理工大学电气工程与信息工程学院，甘肃兰州730050)摘要：提出了一种基于小波能量熵和最小二乘支持向量机(LS—SVM)的高压输电线路故障选相的新方法。首先对采集到的故障后三相电流信号进行合适的小波分解，得到特定时间窗口内的三相小波能量熵的累加值以及各相之间的比值。利用各相的小波能量熵累加值以及比值作为表征不同故障类别的特征向量，并输入到LS—SVM分类

2、器。采用支持向量机算法对数据样本进行训练，找出样本内潜在的规律，最终完成整个输电线路的故障选相。仿真结果表明，该方法不受系统运行方式、过渡电阻、故障位置以及故障初始角因素的影响，能够有效地识别故障类型，具有较强的通用性和实用性。关键词：输电线路故障选相小波分解小波能量熵LS．SVM[中图分类号]TM726．1[文献标志码]A[文章编号]1000—3886(2011)06—0067—04ResearchOnal、JewFaultyPhaseSelectorofHighVoltagePowerTransmissionLinesBasedonW

3、aveletEnergyEntropyandSVMZhangMingguangLuWenhuiLiuYuchen(CollegeofElectricalandInformationEngineering，LanzhouUnivemityofTechnology，LanzhouGansu730050，China)Abstract：Anewfaultyphaseselectionmethodofhighvoltagepowertransmissionlinesispresented，basedontheconceptofwaveletener

4、gyentropy(WEE)andtheleastsquaresupportvectormachine(LS—SVM)．First，appropriatewaveletdecompositionisconductedonthecollectedthree-phasepost—faultcurrentsignals，obtainingtheaccumulatedvalueandratioofthree—phaseWEEwithinthespecifiedtime．TheaccumulatedvalueandratioofWEEofevery

5、phasearetakenasthevariantfaultyeigenvectorsandtheninputintoLS—SVM．BymeansofSVMtechnique，thedatasamplesaretrained；thepotentialdisciplineisfoundandthenthefaultyphaseofthewholetransmissionlinesisselected．ThesimulationresultsofMatl~showthattheproposedmethodisnotaffectedbytheo

6、perationmodeofsystem，thetransitionalresistance，thefaultlocation，andthefaultinitialangle．Moreover，itcaneffectivelyidentifythetypeofthefaulty，withbettergeneralityandpracticality．KeyWords：transmissionlinesfaultyphaseselectionwaveletdecompositionwaveletenergyentropyLS—SVM优势和信

7、息熵对信号复杂程度的统计特性，各种小波熵理论已经O引言在故障选相中取得了较好的应用。本文应用Shannon信息熵的随着我国现代电力系统规模的日益扩大，输电容量和电压等概念，结合小波分析技术，定义适当的小波熵度，用以衡量信号的级的不断提高，当高压输电线路发生故障后，迅速准确地得知故不确定性(即复杂度)，可有效进行故障特征信息的提取。同时，障相别，对于保证其继电保护装置的正确动作、有选择地切除故利用目前解决小样本分类的最佳理论——支持向量机(SVM)来障具有重要意义。特别是近年来受到广泛关注的新型行波保护进行模式识别，SVM被公认为是人工神经

8、网络的替代方法。用和暂态保护更离不开快速可靠的故障选相I2。同时，故障选相SVM分类器作为模式识别可以通过机器学习，准确得出数据内也是实现精确故障定位的重要前提。在的规律，实现准确分类。输电线