对配电网故障类型的及时准确识别有助于故障定位和事故分析等。提出一种基于奇异值分解(SVD)和多级支持向量机(SVM)的配电网故障类型识别方法。首先通过希尔伯特-黄变换(HHT)带通滤波算法对三相电压/电流、零序电压等7个故障波形进行等...对配电网故障类型的及时准确识别有助于故障定位和事故分析等。提出一种基于奇异值分解(SVD)和多级支持向量机(SVM)的配电网故障类型识别方法。首先通过希尔伯特-黄变换(HHT)带通滤波算法对三相电压/电流、零序电压等7个故障波形进行等频宽分解,构造时频矩阵。然后将时频矩阵SVD得到的部分有效奇异值作为特征量,输入到多级SVM进行训练和分类识别。利用PSCAD/EMTDC软件搭建10 k V配电网模型用于获取训练样本和测试样本。测试结果表明,该方法对配电网单相接地、两相接地、两相短路、三相短路等10种故障类型的识别正确率较高,且在噪声干扰、采样不同步、系统网络结构改变、负荷电流变化、系统中性点经消弧线圈接地、系统等值阻抗变化、分布式电源接入等情况下均有较好的适应性。展开更多
为了及时准确地获得有载分接开关(on-load tap-changer,OLTC)的状态信息,将S变换和奇异值分解(singular value decomposition,SVD)引入OLTC的机械故障识别。通过S变换获得振动信号的模时频矩阵(module time-frequency matrixes,MTFM);对...为了及时准确地获得有载分接开关(on-load tap-changer,OLTC)的状态信息,将S变换和奇异值分解(singular value decomposition,SVD)引入OLTC的机械故障识别。通过S变换获得振动信号的模时频矩阵(module time-frequency matrixes,MTFM);对MTFM进行SVD,得到原始矩阵的左右奇异向量组和奇异值;针对前3阶奇异值,提取对应左右奇异向量的重心,得到不同振动模式的时域重心和频域重心;基于奇异值、左右奇异向量重心构成一个9维的特征向量,利用最小二乘支持向量机(least squares support vector machines,LS-SVM)实现OLTC故障的识别。测试结果表明所提出的方法简洁高效,并且能得到较高的OLTC故障识别准确率。展开更多
文摘对配电网故障类型的及时准确识别有助于故障定位和事故分析等。提出一种基于奇异值分解(SVD)和多级支持向量机(SVM)的配电网故障类型识别方法。首先通过希尔伯特-黄变换(HHT)带通滤波算法对三相电压/电流、零序电压等7个故障波形进行等频宽分解,构造时频矩阵。然后将时频矩阵SVD得到的部分有效奇异值作为特征量,输入到多级SVM进行训练和分类识别。利用PSCAD/EMTDC软件搭建10 k V配电网模型用于获取训练样本和测试样本。测试结果表明,该方法对配电网单相接地、两相接地、两相短路、三相短路等10种故障类型的识别正确率较高,且在噪声干扰、采样不同步、系统网络结构改变、负荷电流变化、系统中性点经消弧线圈接地、系统等值阻抗变化、分布式电源接入等情况下均有较好的适应性。
文摘为了及时准确地获得有载分接开关(on-load tap-changer,OLTC)的状态信息,将S变换和奇异值分解(singular value decomposition,SVD)引入OLTC的机械故障识别。通过S变换获得振动信号的模时频矩阵(module time-frequency matrixes,MTFM);对MTFM进行SVD,得到原始矩阵的左右奇异向量组和奇异值;针对前3阶奇异值,提取对应左右奇异向量的重心,得到不同振动模式的时域重心和频域重心;基于奇异值、左右奇异向量重心构成一个9维的特征向量,利用最小二乘支持向量机(least squares support vector machines,LS-SVM)实现OLTC故障的识别。测试结果表明所提出的方法简洁高效,并且能得到较高的OLTC故障识别准确率。
