英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料
外文翻译
题 目 基于粒子群优化的配电网故障分类支持向量机的特征选择与参数优化
作 者 Ming-Yuan Cho bull; Thi Thom Hoang
发表时间_____2017年_______
二Ｏ 一七 年 五 月 二十八 日
摘要：现快速准确的故障分类是电力系统运行的关键。为了对径向配电系统的电气故障进行分类，提出了一种基于粒子群优化（PSO）的支持向量机（SVM）分类器。基于粒子群算法的支持向量机分类器能够选择合适的输入特征，优化支持向量机参数，提高分类精度。此外，一种具有伪随机二值序列（prbs）刺激的时域反射测量（tdr）方法被用于生成用于分类的数据集。利用Simulink软件和matlab工具箱生成的12个给定输入特征，在典型的径向配电网上对该方法进行了测试，识别出10种不同类型的故障，仿真结果表明该方法的成功率为97%，证明了该方法的有效性和高效性。
关键词：粒子群优化算法，配电网故障，支持向量机，特征选择
1.介绍
配电网将电能从输电系统输送到所有电力系统的用户和重要部分。一旦配电线路发生电气故障，立即故障分类在故障后分析和恢复供电中起着重要作用，故障类型信息的准确度不仅有助于故障诊断系统及时定位电气故障，而且有助于确保电能质量和可靠性[1,2]。
为了在配电线路中建立一个有效的故障分类器，已经开发了多种方法。随着配电系统供电量的显著增加，有必要将重点放在故障分类方案上，配电馈线中的故障分类可分为三类：（1）基于阻抗的方法[3，4]；（2）基于行波的方法[5，6]；（3）人工基于智能的方法[7,8]。电力系统故障分类的最常用方法是时间域反射法（TDR）[9-11]。
TDR的实现比较简单，但是，它并不是一种完美的故障定位方法，因为任何注入线路的单脉冲刺激都会沿着线路迅速衰减，导致故障定位和分类不准确。为了克服方法上的问题，改进了TDR方法，即偶然伪随机双晶体序列（PRBS）激励器。建议将此类故障定位在[12]中，但应注意，它仅适用于大功率输电线路。实际上，由于所涉及的分支网络的各种连接和端部，采用TDR方法查找配电馈线故障是相当困难的，因此，在跳线测量中可能会出现不同的反射响应[13]。因此，需要一种智能算法从所提供的反射测量轨迹中提取多分支网络上的故障位置信息。由于SVM具有很强的规则化特性和快速的训练速度[14–16]，因此它已成功地用于解决广泛应用中的分类问题。
为了建立一个支持向量机分类器，特征子集选择在分类空间中检测相关变量起着重要作用。主成分分析（PCA）和多维尺度分析（MDS）是去除原始特征向量中冗余变量的两种传统方法。[19]中的作者提出了一个Hadoop方案来并行提取特征，其中包含数百个映射器。在最近的一篇论文[20]中，Ma和Niu使用Firework算法来选择输入特性，通过删除冗余的流量来提高其对高电压在线传输的预测能力。
除了特征子集选择外，支持向量机参数的优化集在给定搜索空间中样本的分布中也起着重要作用。Vapnik表明，径向基函数（RBF）的惩罚参数c和核函数参数gamma对SVM的性能有显著影响[21]。针对这两个参数的选择，人们提出了各种研究，但这两个参数对它们的设置有一定的影响[22]，网格搜索方法（gsm）是通过尝试不同的值和选择估计误差后的估计值来确定时间参数的[23]，由于gsm涉及到的互补复杂性，遗传算法M（GA）的开发目的是通过使用最少数量的功能来提高分类精度和缩短培训时间[24]。然而，由于复杂的操作过程，包括遗传、选择、重组和变异，计算时间相当长。为了克服这个相对的问题，肯尼迪和埃伯哈特提出了一种基于人群的搜索技术——粒子群优化（PSO）[25]。该编码技术的主要优点是能够在局部最优条件下降低捕获状态，提高分类的准确度和捕获速度。
本文提出了一种基于粒子群算法（PSO）的多级方法，同时对配电网的输入特性和SVM参数进行优化，对配电网中的故障类型进行分类，这些故障类型可分为：单相接地故障（AG、BG、CG）、线对线故障（AB、AC、BC）、双线接地故障（ABG、ACG、A）、双线路接地故障（ABG、ACG、A）。NDBCG），以及三相短路故障（ABC）。此外，该PSO-SVM分类器还使用了一个数据集，该数据集来自于具有PRBS激励的TDR分析。该方法不仅有利于提高虚拟分类器的成功率。
本文的主要工作如下：第二节讨论了该方法的理论，包括TDR、SVM和PSO。第三节介绍了典型的双分支配电馈线的建模。第四节给出了基于粒子群算法的支持向量机故障诊断方法，第五节给出了实验模拟结果和讨论，第六节给出了结论。
2.该方法的基础理论
2.1 时域反射计
时域反射计（TDR）广泛用于故障分类和故障电子传输和分配线的位置。TDR的基础是向给定线路或待检查电缆中注入单脉冲。随后，当脉冲能量到达任何不连续点时，如电气故障、三通接头、或线路终端，都会反射回源。由于假定传播速度为常数，因此可以根据预期的脉冲传输时间来测量断层距离。因此，反射测量记录道将不会仅显示故障类型的预期信息，而是显示默认位置的代码。
假设配电线路由集中参数等效电路建模，如图1所示，具有分布的串联电感I、电阻R、电容C和电导G。
图1：集中截面的经典模型
发电机引入的电压需要一定的时间沿以下公式所示的线路传播：
（1）
其中和分别是正向传播的电压波和电流波。入射脉冲的幅度沿线路衰减，沿线路传输的电压相位因变化频率而发生畸变[26]，衰减和相位变化由功率因数决定，如下式所示：
（2）
其中，和分别是衰减系数和相变系数。电压沿线路向下移动的速度可定义为：
（3）
根据式（1），利用拉普拉斯变换和微分方程，我们可以得到：
（4）
其中和分别是正向行驶电压和电流波；和分别是反向行驶电压和电流波。可重写（4）系数的等式：
（5）
其中称为特性阻抗。当线路以阻抗值不属于特性阻抗的任何负载终止时，将发生弯曲，然后向电源传播。在这种情况下，沿线路向下移动的电压通过以下方法给出：
（6）
其中称为负载阻抗。该反射波与事故波有关，表示如下方程：
（7）
式中，称为接收端电压反射系数，称为传输时间。
TDR是一种简单的实现方法，但由于采用了沿线路快速衰减的单脉冲激励，因此它不是完美的技术。此外，脉冲宽度也是影响反射法测量精度的因素之一。TDR方法，使用事件伪随机二进制序列（PRBS）激励，通过使用（8）给出的反射波和事件波之间的互相关（CCR）函数来解决这些问题，用于故障诊断配电馈线：
（8）
其中是反射波、反射波之间的互相关（CCR）函数。是前馈信号，是反馈信号。
如上所述，配电线路上存在着各种不同的元件，如变压器、电容器、抽头变换器、分相器等，因此不容易从反射测量轨迹中观察到的各种反射中提取故障位置。在本研究中，提出了一种多层SVM分类器作为支持。TDR方法在多分支配电网中提供故障诊断的技术，包括单相接地故障（AG、BG和CG）、线对线故障（AB、AC和BC）、双线接地故障（ABG、ACG和BCG）和三相故障（ABC）。
2.2 支持向量机
支持向量机（SVM）是Vapnik在1995年首次提出的，它已成为数据分类的最佳技术之一。基于结构风险最小化原则和统计机器学习理论（SLR）相结合的方法具有坚实的理论基础，支持向量机的主要优点是全局优化和泛化能力强。此外，它克服了过拟合问题，并提供了与现有方法（如人工神经元网络（ANN）和精细网络算法（RGA）错误分类）相比的稀疏解决方案。
例如，在标准线性分类问题中，应将训练数据集分离，是给定观测值的个数，其中是特征向量，而是标签向量。二元分类问题可以通过以下方式解决和优化问题：
（10）
（9）
其中表示正则化参数；表示惩罚松弛变量。方程式（10）表示：
（11）
需要注意的是，非线性分类器可以在输入空间表示为：
（12）
其中是决策函数，偏差由Karush-Kuhn-Tucker（KKT）条件计算；（，）是为该特征空间生成内积的核心函数。在本文中，我们使用了以下径向基函数（RBF）：
（13）
其中是内核参数。
为了获得最优性能，需要选择一些参数，包括正则化参数和核参数。本文采用粒子群算法对这两个参数进行了相应的优化。
2.3 粒子群优化
粒子群优化（PSO）是由不同物种在搜索空间中显示的满足其需求的社会合作行为所激发的，该算法根据个体经验、整体经验和粒子的当前运动来决定它们在搜索空间中的下一个位置。此外，经验是由两个系数和以及在[0 1]之间生成的两个随机数和来表示的；当前的运动乘以一个惯性系数。在数学上，每个粒子在搜索空间中的更新位置可以用下面讨论的两个等式来表示。
初始种群的大小和维数表示为，其中表示转置算子。每一个单独的粒子被表示为。同时，种群的初速度记为。因此，每个粒子的速度为。指数从1到N变化而指数从1到D变化。
（14）
在式（14）中，代表了个体的个人最佳分量，而在迭代之前代表了种群中最佳个体的分量。图2显示了粒子群算法在多维搜索空间中的搜索机制。
（15）
图2：粒子群算法在迭代时的搜索机制
每个粒子的初始位置是它们的初始位置，而初始最佳粒子位置是随机初始化的。每个粒子的和更新如下，迭代k次时：
（16）
其中是最小化的目标函数。一直重复更新过程，直到达到停止条件，例如满足预先指定的迭代次数。一旦终止，这个和被确定为PSO技术的解决方案，关于PSO的基本概念的更多细节可以在[27-30]中找到。
3.系统建模
必须使用Simulink软件和Matlab工具箱建立一个等效模型，以模拟图3所示的典型双分支配电馈线，其中点代表配电变压器及其负载。
图3：样品系统的两个分支分布线图
采样系统中的两个配电变压器用于将配电线路上的电压降低到沿馈线分布的用户水平。其参数和连接相位如表1所示[31]。值得注意的是，这些配电变压器在满负荷条件下运行，滞后功率因数为0.8；因此，样品配电系统在不平衡条件下运行。主馈电线和支线由架空线路构成，其正序阻抗为0.131 0.364Omega;/km[31]。
表1：采样系统中配电变压器的参数和连接相位
|
编号 |
绕组连接 |
阶段 |
二次电压（V） |
容量（kVA） |
阻抗（Z%） |
|
1 |
三角星形 |
A,B,C |
220 |
500 |
1.89 |
|
2 |
双三角 |
A,B,C |
220 |
500 |
1.89 |
4.基于粒子群算法的支持向量机故障诊断方法
由于TDR技术在配电网中不易诊断故障，因此需要其它智能技术的支持才能获得最佳的诊断结果。本文提出了一种基于粒子群算法的支持向量机分类器，以提高TDR方法在配电线路故障分类中的性能。SVM短路分类器的总体结构如图4所示，其中PSO用于优化特征子集和SVM参数。为此，首先介绍了用于数据预处理的数据采集。
图4：基于粒子群算法的支持向量机分类器的框图
4.1 数据采集
为了获得适用于分类过程的数据集，直接注入电流互感器（CT）200/5A的二次回路中的PRBS干扰，该回路位于被测线的起始处。CT的主电路与主馈线相连，因此放大的PRB沿线路传播，以诊断可能发生的任何故障。
一旦配电馈线发生故障，就会产生一个反射信号，该信号在故障位置和变电站之间传输。然后，通过（8）将这些反射响应与入射脉冲交叉相关，以减少噪声的影响和超越振幅衰减。值得注意的是，对于指定的每种故障类型，在短时间内反馈波的大小是不同的；因此，没有发现恒流调节器的峰值相同。因此，反射波和入射波之间的反射响应和CCR用作训练阶段的输入特征向量。特征向量总数为12，它们包含一个特征向量，其中是变电站获得的反射电压和电流，是e反射波和入射波之间的峰值。
4.2 特征提取
为了利用反射测量方法，收集了各种不同的回波响应，其中一些无关的数据可能会使SVM分类器混淆，从而增加训练时间。特征提取是选择合适的输入特征以提高训练速度和保证分类成功率的最有效方法。为了优化特征选择，本文采用了粒子群算法（PSO）来提高支持向量机分类器的性能。为了选择给定数据集的最佳特性，使用PSO对二进制字符串进行了优化，其中每个位表示数据集的特征。在二进制字符串中，“0”表示指定的特征，其中“1”表示数据集的选定特征。最佳
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[19879]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
