基于希尔伯特—黄变换和模糊支持向量机的输电线路故障分类方法研究

《基于希尔伯特—黄变换和模糊支持向量机的输电线路故障分类方法研究》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、国内图书分类号：TM734国际图书分类号：621．3西南交通大学研究生学位论文密级：公开年级三委二二级姓名墨空运申请学位级别工堂亟±专业电力丕统拯墓自动丝指导老师童瞳田副数援二零一四年五月^Y一占口一机一向一琶一盐埴型拯越壁世垃监娄王个一争一幽验型蝗麴幽-一品一燮超监线一ClassifiedIndex：TM734U．D．C：621．3SouthwestJiaotongUniversityMasterDegreeThesisTRANSMISSIONLn寸EFIAULTSCLASSIFICATIONMETHODBASEDONHILBEIU、-HU

2、ANGTRANSFORMANDFUZZYSUPPOIUlVECTORMACHINEGrade：2011Candidate：LuoZhongyunAcademicDegreeAppliedfor：MasterSpeciality：PowerSystemandItsAutomationSupervisor：AssociateProf．TongXiaoyangMay．2014西南交通大学学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人

3、授权西南交通大学可以将本论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复印手段保存和汇编本学位论文。本学位论文属于1．保密口，在年解密后适用本授权书；2．不保密醇使用本授权书。(请在以上方框内打”、／”)学位论文作者签名：琴恚迁日期：如仟t5·弘巾L^嵫扎毒州名乳捌瑚耐日老指西南交通大学硕士学位论文主要工作(贡献)声明本人在学位论文中所做的主要工作或贡献如下：1．研究了模糊支持向量机FSVM的惩罚参数文核函数宽度仃的参数寻优方法，运用网格、遗传、粒子群三种优化方法寻找最佳优化参数。研究了带状分段隶属度函数的设计方法。(

4、第3．3、3．4节)。2．研究了基于模糊支持向量机的输电线路故障分类模型的构造方法，对模糊支持向量机与支持向量机分别构造了分类模型，仿真实验结果表明FSVM分类器具有更高的故障识别率。通过模糊支持向量机计算出样本点的决策函数值，采用支持向量回归机构造了支持向量回归函数。在获得支持向量回归机的分类隶属度值后，修正模糊支持向量机的分类标签值，从而得到最终准确的分类结果。另外，给仿真数据引入了一定信噪比的高斯白噪声，通过仿真实验结果验证了本文的模糊支持向量机具有较高的容错性能(第3．8节)。3．利用主元分析法PCA，对实验数据降维处理，并且在三维图

5、形中显示。分别就SVM得到的分类结果、FSVM分类结果分别进行了展示，对比其差异，并做了相关分析。(第四章)。本人郑重声明：所呈交的学位论文，是在导师指导下独立进行研究工作所得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已在文中作了明确说明。本人完全了解违反上述声明所引起的一切法律责任将由本人承担。学位论文作者签名：琴意过日期：弘／q-．5、如西南交通大学硕士研究生学位论文第1页摘要随着我国经济社会的不断发展与电力系统负荷的不断增大，输电线路故障发生频率也随

6、之提高。准确、迅速地输电线故障分类是实现输电网络故障定位和事故分析的前提保证。本文研究了一种基于模糊支持向量机FSVM的输电线路故障分类方法，旨在当输电线路发生短路故障时能够准确快速地实现故障分类。本文首先介绍了希尔伯特．黄变换提取故障特征量的方法，该方法目前在信号特征量提取方面得到了广泛的应用，所提的特征量能够很好地表征故障信息。利用经验模态分解EMD方法获得电流信号的固有模态函数IMF，利用Hilbert变化获取信号的边际谱，再在特定频率区段对边际谱函数的平方积分得到特征能量函数值S。本文以A相、B相、C相及零序电流的特征能量函数值S作为

7、输电线路的4维故障特征向量。本文研究基于模糊支持向量机FSVM的输电线路故障分类模型与方法。首先利用标准支持向量机SVM初步建立输电线路故障分类模型。选择径向基函数，选用网格、粒子群、遗传三种优化方法分别对惩罚参数C、核函数宽度仃优化，选择了最优参数。其次，在SVM分类模型基础上在高维特征空间中定义了分段隶属度函数，并求解出各个样本点的模糊隶属度。改变各个样本点惩罚参数，构造FSVM最优分类函数，再结个样本点的决策函数值、对应的隶属度，构造支持向量回归机SVR训练集，得到回归函数，得到测试集数据属于各类故障的最终隶属度。通过于故障阈值比较，得

8、到故障分类结果，修正模糊支持向量机的分类标签值，得到最终的分类结果。最后向训练集故障相五分之一的数据中加入信噪比SNR为5dB的高斯白噪声，利用FSVM进行分类，仿