基于支持向量机的微机保护装置状态评估研究.pdf

维普资讯 东北电力技术 2008年第3期 基于支持向量机的微机保护装置状态评估研究 StateEvaluationResearchonMicrocomputerProtection DevicesBasedonSupportVector 唐晓明 (沈阳农业大学信息与电气S-程学院，辽-7 沈阳 110161) 摘要：提出了基于SVM构建适合微机保护装置状态评估的方法。目的是对微机保护装置进行准确的状态评估。通过状态评 估，可以明确判断其状态的好坏，从而为微机保护装置的状态检修或安排计划检修提供科学的依据。评估结果表明小样本 情况下有较高的评估正确率和较好的稳定性，同样条件下比BP神经网络的评估正确率高、速度快。另外 ，试验表明径向 基核函数的SVM分类方法应用于微机保护装置状态评估最理想。 关键词：微机保护装置；状态评估；支持向量机 [中国分号类]TK769；TM77 [文献标识码]B [文章编号]1004—7913 (2008)03—0050—03 目前，微机保护已替代其它类型保护成为电力 对线性可分的训练样本 ( ，Y)，可被一个 系统的主导保护类型。作为电力系统复杂而且重要 分类面没有错误地分开。类别间隔越大，推广能力 的保护装置，能否正确、合理动作，直接关系到电 越好。使分类间隔最大的分类面为最优分类面。应 网的安全稳定运行；一旦出现事故将会导致较大经 用二次规划方法可求出此最优分类函数为 r 济损失，甚至造成人员伤亡事故。若再以定期检验 )=sgnl( ·)+bl 为主要办法进行检验，将会造成过修，降低设备运 =sgn{ 口Y( ·)+b 】． (1) 行的可靠性，同时造成人力、物力和财力的浪费， 式中：口 为 Lagrange乘子；b为分类阈值。 因此对微机保护进行状态检修势在必行，其中进行 在线性不可分的情况下，需引入一个非负松驰 准确的状态评估是实现状态检修的基础。目前状态 项 和错分惩罚系数 C，求得最优分类函数与式 评估方法如基于模糊数学的聚类分析、人工神经网 (1)相同。 络等智能分类 ，都需要大量的数据样本进行学习。 1．2 支持向量机 然而，要想获得微机保护装置运行的故障数据并非 对于非线性问题，可通过非线性变换把问题转 易事，从而制约了故障诊断技术向智能化方向发 化为高维空间中的线性问题，从而在变换空间中求 展。本文提 出了一种基 于支持 向量机 (Suppo~ (广义)最优分类面，这就是支持向量机。此时分 VectorMachine，简称 SVM)微机保护装置状态评 类函数为 估方法。支持 向量机是一种新 的模式识别方 法 ]，其采用结构风险最小化 (SRM)原理，兼 ／ )=sgn{ 口iyiK( ·)+b ) (2) 顾训练误差和泛化能力，在解决小样本、非线性、 式中：K (，Y)为核函数，核函数的选取应使其 高维数、局部极小值等模式识别问题中具有独特的 为特征空间的一个点积。核