多方法融合的電力系統(tǒng)過(guò)電壓分層模式識(shí)別研究.pdf

1、電力系統(tǒng)過(guò)電壓直接影響到電力系統(tǒng)的安全運(yùn)行，是發(fā)展超高壓和特高壓電網(wǎng)所必須研究的重要課題。電力系統(tǒng)中的過(guò)電壓發(fā)生類(lèi)型多種多樣，發(fā)生機(jī)理不盡相同，波形、幅值、持續(xù)時(shí)間也不相同。過(guò)電壓信號(hào)攜帶著豐富的電力系統(tǒng)運(yùn)行狀態(tài)信息，利用目前監(jiān)測(cè)到的過(guò)電壓信號(hào)進(jìn)行特征提取以及識(shí)別算法研究，實(shí)現(xiàn)過(guò)電壓類(lèi)型的自動(dòng)識(shí)別和診斷，對(duì)保證電網(wǎng)安全運(yùn)行具有十分重要的意義。
　　 基于目前學(xué)界對(duì)于過(guò)電壓類(lèi)型的劃分，本文在充分考慮不同類(lèi)型過(guò)電壓之間的從屬層次關(guān)系

2、后，提出了過(guò)電壓分層識(shí)別的思路。與傳統(tǒng)的單層整體識(shí)別方式所不同，分層識(shí)別算法采用基于不同數(shù)學(xué)方法的獨(dú)立分類(lèi)器，實(shí)現(xiàn)對(duì)過(guò)電壓的逐層依次細(xì)分。由于各個(gè)分類(lèi)器是相互獨(dú)立的，可以根據(jù)該分類(lèi)器所需要識(shí)別的過(guò)電壓類(lèi)型，采取多種數(shù)學(xué)方式，優(yōu)化提取特征量及識(shí)別算法，從而能有效提高系統(tǒng)的針對(duì)性及計(jì)算效率。同時(shí)，由于采用了模塊化思想來(lái)設(shè)計(jì)分類(lèi)系統(tǒng)，整個(gè)分層識(shí)別系統(tǒng)易于進(jìn)行修改，系統(tǒng)擴(kuò)展性好。
　　 本文通過(guò)對(duì)電力系統(tǒng)中雷電過(guò)電壓，工頻電壓升高，諧振

3、過(guò)電壓及操作過(guò)電壓的發(fā)生機(jī)理，發(fā)展過(guò)程，波形特點(diǎn)的分析，闡述了上述幾種過(guò)電壓在本質(zhì)特征方面的區(qū)別。文中介紹了小波理論，并結(jié)合不同過(guò)電壓信號(hào)在時(shí)頻空間能量分布差異，提出了基于小波時(shí)頻理論的過(guò)電壓特征提取方式。本文還介紹了S變換理路和矩陣奇異值分解理論，并從理論上分析了S變換和奇異值分解理論在降低信號(hào)隨機(jī)擾動(dòng)方面的獨(dú)特優(yōu)勢(shì)，將S變換和奇異值分解理論結(jié)合，提出了基于S變換奇異值分解理論的過(guò)電壓特征提取方式。根據(jù)感應(yīng)，反擊，繞擊等三種雷電過(guò)電壓

4、的波形特點(diǎn)，提出了采用輸電線路電流行波的時(shí)域參數(shù)來(lái)辨識(shí)三種雷電過(guò)電壓的方法。該方法避開(kāi)了雷電流行波折反射干擾，具有計(jì)算量小，識(shí)別方式簡(jiǎn)單等優(yōu)點(diǎn)。在提出了多種過(guò)電壓特征量提取方法后，本文針對(duì)性的考慮了分層識(shí)別系統(tǒng)各層分類(lèi)器的不同識(shí)別任務(wù)，綜合考慮各種過(guò)電壓特征提取方式的優(yōu)點(diǎn)與實(shí)用性，為過(guò)電壓分層識(shí)別系統(tǒng)的各個(gè)分類(lèi)器選擇了合理的特征量。
　　 最后，本文介紹了支持向量機(jī)和粒子群優(yōu)化算法的基本原理以及特性。針對(duì)目前實(shí)測(cè)過(guò)電壓數(shù)據(jù)較少，

5、訓(xùn)練樣本不多的情況，提出了采用基于樣本風(fēng)險(xiǎn)最小化思想的支持向量機(jī)作為識(shí)別算法，對(duì)過(guò)電壓進(jìn)行辨識(shí)。系統(tǒng)研究了采用分層結(jié)構(gòu)后，對(duì)過(guò)電壓識(shí)別率造成的影響，提出需要對(duì)每一個(gè)分類(lèi)器優(yōu)化其識(shí)別算法以保證最終的識(shí)別率。針對(duì)目前支持向量機(jī)參數(shù)選取缺乏理論依據(jù)的問(wèn)題，提出了利用粒子群算法來(lái)優(yōu)化選取每層分類(lèi)器的支持向量機(jī)參數(shù)。由于粒子群算法對(duì)自身初始參數(shù)設(shè)定不敏感，收斂性好，因此十分適合于優(yōu)化支持向量機(jī)參數(shù)。測(cè)試計(jì)算表明，本文提出的粒子群優(yōu)化支持向量機(jī)算法