论文部分内容阅读
近年来,气体绝缘变电站(Gas Insulated Substation, GIS)具有故障率低、占地少、绝缘性强等特点,在电力系统中有着广泛的应用。GIS局部放电(Partial Discharge, PD)故障类型识别已成为研究的热点,目前广泛采用的模式识别方法是BP(Back-propagation)神经网络,但是BP算法着存在对初始权值和阈值敏感,易陷入局部最优等问题。通过对支持向量机(Support Vector Machine, SVM)和粒子群(ParticleSwarm, PSO)的原理及特点的分析,本文提出了一种基于改进的粒子群优化支持向量机的模式识别方法,并将其应用于气体绝缘变电站局部放电故障类型的超高频模式识别。粒子群算法是一种群智能搜索算法,具有参数少、算法简单、收敛速度快,容易实现等特点,在组合优化、参数优化、工程应用等方面有着大量的应用,适用于SVM的参数优化。PSO中惯性权重的对算法的性能有着很大的影响。目前对粒子群算法的惯性权重的改进主要在两个方面,一个是基于适应度值的改进,另一个是基于迭代次数的改进。本文的主要研究成果如下:(1)基于粒子群算法惯性权重的研究,提出一种基于粒子趋同性和迭代次数共同调节非线性自适应调节粒子群权重的粒子群算法(MPSO)。(2)通过在四种典型测试函数上的寻优精度的试验分析,得出MPSO的参数k的取值范围,并将其与基于粒子进化度和聚合度改进粒子群算法(PSO1),基于适应度值动态调整权重的粒子群算法(PSO2)的寻优性能进行对比分析,验证了本文改进粒子群算法的有效性。(3)对MPSO-SVM、GA-SVM、PSO-SVM在UCI数据集上的性能进行对比,得出MPSO-SVM优于其他两种算法。(4)通过对四种典型GIS局部放电类型的统计特征的分析,本文采用主成分分析方法对统计特征降维,应用算法PSO1-SVM、PSO2-SVM、MPSO-SVM、BP对GIS局部放电进行模式识别,实验结果表明MPSO-SVM能够达到较理想的识别率。