自适应遗传算法优化支持向量机的过电压识别

《自适应遗传算法优化支持向量机的过电压识别》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、自适应遗传算法优化支持向量机的过电压识别　　摘要：为了提高过电压识别的准确性，以及加快过电压的识别速度，提出一种自适应遗传算法优化支持向量机的过电压识别方法。首先针对单一特征信息难以获得过电压高识别率的问题，采用时域波形、波头、时频谱的组合特征作为过电压识别特征，然后采用过电压的训练样本对支持向量机进行学习，建立过电压识别的分类器，并引入自适应遗传算法对支持向量机参数进行优化，最后采用具体过电压识别实例进行性能仿真分析。结果表明，该方法的过电压平均识别率达到95%以上，远远超过了实际应用的85%要求，且识别结果要优于其他过电压

2、识别方法。　　关键词：过电压识别；支持向量机；输电线路；遗传算法　　中图分类号：TN911?34；TM863文献标识码：A文章编号：1004?373X（2016）19?0136?04　　Abstract：Inordertoimprovetheovervoltagerecognitionaccuracyandquickentherecognitionspeed，anovervoltageidentificationmethodwithgeneticalgorithmoptimizingsupportvectormachineis

3、proposed.Sincethesinglefeatureinformationisdifficulttoobtainthehighovervoltagerecognitionrate，thecombinedfeaturesoftimedomainwaveform，waveheadandtime?frequencyspectrumaretakenastherecognitionfeaturesofovervoltagerespectively，andthenthetrainingsamplesof6overvoltagear

4、eusedtostudythesupportvectormachine.Theclassifierofovervoltageidentificationisestablished，andtheadaptivegeneticalgorithmisintroducedtooptimizetheparametersofsupportvectormachine.Theperformanceofanovervoltagerecognitioninstancewasperformedforsimulationanalysis.Theres

5、ultsshowthattheaverageovervoltagerecognitionrateoftheproposedmethodcanreachupto95%，farexceedsthepracticalapplicationrequirementsof85%，andtherecognitionresultissuperiortootherovervoltageidentificationmethods.　　Keywords：overvoltageidentification；supportvectormachine；t

6、ransmissionline；geneticalgorithm　　0引言　　雷电是一种无法预测的自然现象，会对输电线路产生干扰，引起输电线路故障，而仅对输电线路添加防雷保护难以保证输电线路的正常工作，过电压识别可以反映输电线路的工作状态，为电力系统管理人员提供有价值的参考意见，因此提高过电压的识别率具有重要的实际应用价值[1?2]。　　针对过电压识别问题，学者们从理论、方法以及技术等方面进行深入的分析，提出了许多有效的过电压识别方法[3]。最初过电压识别通过专家系统进行，过电压由于类型多、产生原因复杂，专家系统识别率低，而且

7、识别结果具有盲目性，难以应用于实际过电压识别[4]。6　　随着机器学习技术研究的不断深入，机器学习算法被学者们引入到了过电压识别的建模中，将过电压识别看作是一种多分类问题，根据特征对样本进行处理，建立过电压识别的分类器，以区别出各种类型的过电压，在过电压识别中应用最为广泛[5?7]。特征提取是过电压识别的基础，对后续过电压识别结果影响大，当前特征主要有：电流变化幅值、时域波形、暂态电流特征等[8?10]，单一特征只能描述过电压类型的部分、片段信息，难以获得正确率高的过电压识别结果，通用性较差；当前过电压识别基于神经网络、支持向

8、量机（SupportVectorMachine，SVM）等建模，神经网络虽然具有自学习、非线性分类能力，但要求过电压识别的训练样本数量大，而过电压识别是一种典型小样本的多分类问题，易得到“过拟合”的过电压识别结果[11]。　　SVM是一种小样本的机器学习算法，不存在神经网络要