配電網(wǎng)作為電力系統(tǒng)中的一個(gè)重要組成部分,直接面向用戶,是保證供電服務(wù)質(zhì)量與用戶服務(wù)質(zhì)量、提高電力系統(tǒng)運(yùn)行效率的關(guān)鍵環(huán)節(jié)。在配電網(wǎng)自動(dòng)化快速發(fā)展的過程中,保證配電網(wǎng)安全、穩(wěn)定運(yùn)行和供電可靠性始終是電網(wǎng)建設(shè)運(yùn)行的重中之重。一方面,配電網(wǎng)自動(dòng)化系統(tǒng)為配電網(wǎng)故障診斷提供了豐富的數(shù)據(jù)信息,蘊(yùn)含著豐富的潛在價(jià)值;另一方面,配電網(wǎng)中大量智能化設(shè)備的增加和使用導(dǎo)致配電網(wǎng)的數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)（Supervisory Control And Data Acquisition,SCADA）等信息采集系統(tǒng)收集到大量無用的冗余故障信息,并且其中夾雜著不完備故障信號,對配電網(wǎng)的故障診斷工作造成困擾。配電網(wǎng)的復(fù)雜結(jié)構(gòu)也使得多重故障的出現(xiàn)頻率增加,加大診斷難度。因此,快速、準(zhǔn)確的配電網(wǎng)故障診斷方法對于配電網(wǎng)的安全、穩(wěn)定、經(jīng)濟(jì)運(yùn)行具有重要意義。針對配電網(wǎng)故障信息不完備和故障信息冗余的特點(diǎn),本文提出一種基于改進(jìn)型粗糙集理論（Rough Set,RS）與支持向量機(jī)（Support Vector Machine,SVM）相結(jié)合的故障診斷方法。將故障信息中各斷路器、保護(hù)器動(dòng)作信息作為故障診斷模型的輸入量,對故障所處的線路或... 

【文章來源】：青島大學(xué)山東省

【文章頁數(shù)】：64 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖4-3兩種屬性約簡算法的約簡率曲線

青島大學(xué)碩士學(xué)位論文40分析圖4-3可知，采用未改進(jìn)的粗糙集屬性約簡算法進(jìn)行約簡時(shí)，數(shù)據(jù)約簡率分布在36%-44%的區(qū)間內(nèi)，平均約簡率為40.45%；采用基于二進(jìn)制可辨矩陣的改進(jìn)型屬性約簡算法進(jìn)行約簡時(shí)，這22組單次故障訓(xùn)練樣本集合的數(shù)據(jù)約簡率分布在54%-74%的區(qū)間內(nèi)，平均約簡率為62.81%，明顯優(yōu)于未改進(jìn)的粗糙集屬性約簡算法。由此可知，在處理信息不完備的配電網(wǎng)單次故障時(shí)，本文所提出的改進(jìn)型屬性約簡算法擁有更好的屬性約簡效率。將約簡后的22組訓(xùn)練樣本集合決策表數(shù)據(jù)作為輸入量，訓(xùn)練SVM模型。采用本文第三章中提出的改進(jìn)后的粒子群算法優(yōu)化核函數(shù)參數(shù)g與懲罰參數(shù)C，將粒子群初始化參數(shù)進(jìn)行如下設(shè)置：粒子種群數(shù)量N為20，最大迭代次數(shù)Tmax為100，核函數(shù)參數(shù)g最大、最小取值為2-15和23，懲罰參數(shù)C最大、最小取值為2-5和215。同時(shí)，設(shè)置學(xué)習(xí)因子初始值c1ini=2、c2ini=0.5，學(xué)習(xí)因子的迭代最終值c1fin=0.5、c2fin=2粒子維度為1.2，慣性因子w取值空間為[0.4,0.9]。對隨機(jī)抽取組成的22組測試樣本集合分別進(jìn)行測試。改進(jìn)后的粒子群算法優(yōu)化SVM的適應(yīng)度曲線如圖4-4.圖4-4適應(yīng)度曲線分析可知，收斂過程的初始階段SVM適應(yīng)度值很低，利用改進(jìn)后的粒子群優(yōu)化算法優(yōu)化后，適應(yīng)度值經(jīng)過35次迭代后逐漸接近95，尋到最優(yōu)解。將最優(yōu)解用于支持向量機(jī)模型的訓(xùn)練與分類診斷，模型輸出設(shè)置為[0,1]，其中

青島大學(xué)碩士學(xué)位論文42（1）分類精度Accuracy，表示故障正確分類的百分比，計(jì)算公式如下：ccTPTNAuracyTPTNFPFN+=+++4-(1)（2）靈敏度Sensitivity，記為Acc(+)，表示正類的分類精度，計(jì)算公式如下：TPSensitivityTPFN=+4-(2)（3）特異度Specificity，記為Acc(-)，表示負(fù)類的分類精度，計(jì)算公式如下：TNSpecificityFPTN=+4-(3)Accuracy、Sensitivity、Specificity這3種指標(biāo)分別用來展示故障測試數(shù)據(jù)結(jié)果中故障總體、故障正類樣本、故障負(fù)類樣本的分類精度。通常認(rèn)為，精度越高，分類效果越好。為對比分析驗(yàn)證改進(jìn)型粗糙集與支持向量機(jī)相結(jié)合方法（改進(jìn)型RS-SVM）的分類精度，基于相同算例和樣本數(shù)據(jù)引入未結(jié)合粗糙集的單一支持向量機(jī)（SVM）、未改進(jìn)的粗糙集與支持向量機(jī)結(jié)合方法（RS-SVM）共三種方法進(jìn)行實(shí)驗(yàn)分析。3種方法的單次故障診斷結(jié)果的分類精度對比如圖4-5所示。圖4-5單次故障診斷結(jié)果的分類精度對比圖

【參考文獻(xiàn)】：
期刊論文
[1]含分布式電源的配電網(wǎng)故障定位改進(jìn)矩陣算法[J]. 劉煜,王俊江,焦青,趙彥,趙衛(wèi)斌.  科學(xué)技術(shù)與工程. 2019(34)
[2]基于改進(jìn)量子粒子群優(yōu)化支持向量機(jī)的變壓器故障診斷方法[J]. 黨東升,張樹永,葛鵬江,田星.  電力科學(xué)與技術(shù)學(xué)報(bào). 2019(03)
[3]中低壓配電網(wǎng)故障定位的改進(jìn)蟻群算法研究[J]. 趙永生,秦浩,江和順,趙愛華,吳軻.  自動(dòng)化與儀表. 2019(09)
[4]基于屬性重要度的變精度鄰域粗糙集屬性約簡算法[J]. 鄭文彬,李進(jìn)金,何秋紅.  計(jì)算機(jī)科學(xué). 2019(12)
[5]基于粒子群優(yōu)化算法的支持向量機(jī)參數(shù)選擇[J]. 賀心皓,羅旭.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(08)
[6]基于支持向量機(jī)的油浸式電力變壓器故障診斷方法研究[J]. 李長海.  電氣應(yīng)用. 2019(05)
[7]矩陣算法和優(yōu)化算法相結(jié)合的配電網(wǎng)故障定位[J]. 徐彪,尹項(xiàng)根,張哲,龐帥,李旭升.  電力系統(tǒng)自動(dòng)化. 2019(05)
[8]基于改進(jìn)遺傳算法的配電網(wǎng)故障定位方法[J]. 謝濤,蒯圣宇,朱曉虎,高傳海.  沈陽工業(yè)大學(xué)學(xué)報(bào). 2019(02)
[9]配電網(wǎng)規(guī)劃研究綜述與展望[J]. 肖白,郭蓓.  電力自動(dòng)化設(shè)備. 2018(12)
[10]基于聚類算法和粗糙集理論的分布式電源狀態(tài)約簡[J]. 趙曉君,張立梅,杜坤.  電力系統(tǒng)及其自動(dòng)化學(xué)報(bào). 2019(05)

碩士論文
[1]基于聚類與粗糙集的配電網(wǎng)故障診斷研究[D]. 韓志偉.電子科技大學(xué) 2018
[2]基于改進(jìn)Petri網(wǎng)的智能配電網(wǎng)故障分析方法研究[D]. 郭曉紅.華北電力大學(xué) 2018
[3]基于RS-CPN的電力系統(tǒng)輸電線路故障診斷方法研究[D]. 李瑩.西安工程大學(xué) 2017
[4]基于支持向量機(jī)的電網(wǎng)故障診斷研究[D]. 袁柳楊.華北電力大學(xué)(北京) 2017
[5]基于GIS的中低壓配網(wǎng)故障定位系統(tǒng)的研究[D]. 田紅兵.蘭州理工大學(xué) 2014
[6]基于二進(jìn)制可辨矩陣的知識(shí)獲取算法研究[D]. 楊星星.南京郵電大學(xué) 2014



本文編號：3381074