[发明专利]一种输电线路的模糊故障分类方法

摘要

一种输电线路的模糊故障分类方法，包括确定故障发生时刻；计算故障输入向量；构造模糊支持向量机FSVM二分类器；训练优化FSVM二分类器；构造FSVM高维空间的带状分段隶属度函数；将故障输入向量送入各FSVM分类器，得到各自的初步分类标签、决策函数值与初始隶属度。构造和训练支持向量回归机SVR；将决策函数值与初始隶属度送入SVR，得到故障样本的最终故障隶属度；根据最终隶属度判定最终故障类型。本发明引入模糊隶属度函数，减弱了噪声点、孤立点对支持向量机超平面构造的影响。采用支持向量回归机SVR对由FSVM获得的初步分类标签进行修正，通过模糊化、回归优化等处理，准确地获得故障分类标签，大大提高了输电线路故障分类的准确性与容错性。

主权项

一种输电线路的模糊故障分类方法，其特征在于，包括步骤1：从电网故障录波文件的开头起，提取4个周波的三相电流信号，进行EMD分解，得到各固有模态函数分量IMF，将IMF1最大瞬时频率值对应的时刻确定为故障发生时刻；步骤2：从故障录波文件取得故障发生时刻后2个周波的A、B、C三相电流信号，把这三个向量相加求和除以3，得到零序电流信号；将A、B、C三相电流信号和零序电流信号作为故障样本；步骤3：将故障样本的A、B、C三相电流信号及零序电流信号进行EMD分解、HHT变换得到各自的边际谱值，选择在0～2000Hz频段，对各边际谱的平方积分，分别得到三相及零序电流的特征能量函数值S_A、S_B、S_C、S₀，组成的一个4维输入向量，作为故障输入向量x_g；步骤4：选择径向核函数RBF作为核函数，构造10种故障类型的模糊支持向量机FSVM二分类器，分别为：A相短路Ag故障FSVM二分类器、B相短路Bg故障FSVM二分类器、C相短路Cg故障FSVM二分类器、B相C相短路BC故障FSVM二分类器、A相C相短路AC故障FSVM二分类器、A相B相短路AB故障FSVM二分类器、A相B相接地短路ABg故障FSVM二分类器、A相C相接地短路ACg故障FSVM二分类器、B相C相接地短路BCg故障FSVM二分类器和A相B相C相同时接地短路ABCg故障FSVM二分类器；步骤5：训练优化每一种故障类型的FSVM二分类器，包括步骤5.1：对每一种故障类型的FSVM二分类器，各自构造一个模糊训练样本集S；所述模糊训练样本集S＝{(x₁,y₁,u(x₁)),...(x_k,y_k,u(x_k))...(x_n,y_n,u(x_n))}，其中(x_l,y_l,u(x_l))为训练样本，x_k为输入向量，x_k∈Rⁿ，y_k为分类标签值，y_k∈{‑1,1}，1表示故障标签，‑1表示非故障标签，u(x_k)为训练样本属于该故障类型的模糊隶属度，0≤u(x_k)≤1；步骤5.2：对每一种故障类型的FSVM二分类器，输入其对应的模糊训练样本集，求得该FSVM二分类器的决策函数的系数向量ω^*和常数项b^*；再利用网格优化算法，对每一种故障类型的FSVM二分类器的惩罚参数C和核函数宽度σ进行优化：对每一种故障类型的FSVM二分类器，选择准确率最高的一组{C,σ}作为其最优分类参数；步骤5.3：对每一种故障类型的FSVM二分类器，构造各自的高维空间的带状分段隶属度函数：通过FSVM获得最优分类超平面H为ωx+b＝0，其中ω是超平面的法向量,b是超平面的常数项；在高维特征空间中求解出正类样本点到超平面H的平均距离d_c，以距离H为d_c且与之平行的超平面H_c为基准平面，分别在H_c两边构造不同的隶属度函数u(x_i)，$u\left(x_i\right)=\left\{\begin{array}{cc}1-\frac{{(d\left(x_i\right)-d_e)}^2}{2.5{d_{\mathrm{ce}}}^2}& (d_e\≤d\left(x_i\right)\≤d_c)\\ 0.6-\frac{d\left(x_i\right)}{5d_e}& (0\<d\left(x_i\right)\<d_e)\\ 1-\frac{{(d\left(x_i\right)-d_c)}^2}{10{(d_{\max }-d_c)}^2}& (d_c\<d\left(x_i\right)\≤d_{\max })\end{array}\right.$其中，d(x_i)是任一样本点到H的距离，d_e是支持向量到H的距离，d_ce是超平面H_c到支持向量的距离；d_max是样本点到H的最大距离，对于在负类一侧的负类样本直接赋予其较小的隶属度0.1；步骤5.4：对每一种故障类型的FSVM二分类器，输入其对应的模糊训练样本集，求得其高维空间的带状分段隶属度函数；步骤6：将优化后的10种故障类型的FSVM二分类器串联后，构成组合多分类FSVM分类器；步骤7：将故障样本的故障输入向量x_g输入到组合多分类FSVM分类器中，得到10种故障类型各自的初步分类标签值y_g、决策函数值Z_g和初始隶属度u(x_g)；步骤8：确定初步分类标签值y_g为故障标签的那种故障类型为最终故障类型。