文档介绍：第—期卷有色冶金设计与研究住
月
基于支持向量机的低压故障电弧识别方法
徐贞华,裴小青
江西铜业股份有限公司,江西德兴
摘要故障电弧是引发电气火灾事故的主要原因之一。本文将支持向量机引入故障电弧研究领域,进
行不同负荷情况下的故障电弧识别检测。首先参照美国标准进行实验采集电流数据,然后利用支持
向量机实现故障电弧的训练、检测识别,并对训练、识别结果进行了分析,实验证明本文的检测方法具备一定
的泛化能力
关键词支持向量机;核函数;故障电弧
中图分类号:. 文献标识码: 文章编号:———

—.—
,, ,
.
.,
.,.
.
;;
随着各种用电装置在国民生产、生活中地位的
不断提升,用电安全越来越受到人们的重视,设备制研究背景
造商也积极采用新工艺、新器件来不断提高用电装
置和配电产品的质量。但是线路老化、接触不良等一支持向量机是基于统计理论构建的典型神经网
些由量变引起的绝缘失败和线路短路的情况还时有络,是一种通用的前馈神经网络,适用于解决模式分
类与非线性映射问题。
发生,因此而引发的故障电弧能够造成严重的设备
从线性可分模式分类来看,支持向量机的主要
损坏、经济损失甚至人员伤亡【。
思想是建立一个最优决策超平面,使得该平面两倾
国外对于故障电弧的研究起步很早,世纪
年代,针对故障电弧的理论研究就已经开始,并相继距平面最近的两类样本之间的距离最大化,从而对
分类问题提供良好的泛化能力。对于非线性可分模
出现了各种数学物理分析模型,并对故障电弧检测·
式分类问题,将复杂的模式分类问题非线性地映射
方法作了深入的研究。然而故障电弧的特性通常随
到高维特征空间,只要变换是非线性的且特征空间
着负荷变化而变化,即使使用同样的负荷,故障电弧
的维数足够高,则原始模式空间能变换为一个新的
也可能不同,因此基于数学方法的检测技术缺乏一
定的泛化能力。本文设计了基于支持向量机的故障高维特征空间,使得特征空间中模式以较高的概率
线性可分。因此,应用算法在特征空间建立分
电弧检测方法,具备检测的泛化能力,同时为电弧样
本库奠定了基础。类的超平面即可解决非线性可分的模式识别问题。
收稿日期:—
作者简介:徐贞华—,男,高级工程师,主要从事电力自动化与控制系统工作。
第—期基于支持向量机的低压故障电弧识别方法..
. 支持向量机的基本原理确率作为性能的评价指标。
从的分类判别函数形式上看,它类似于一常用的方法是~。原始数据被分成
个层前馈神经网络。其中隐层节点对应于输入样本组,将每个子集数据分别做一次验证集,同时其余的
与一个支持向量的内积核函数,而输出节点对应于隐一组子集数据作为训练集,这样会得到个模
层输出的线性组合。图给出了支持向量机神经网型,用这个模型最终的验证集的分类的准确率的
络的示意,其中,称为核函数,常用的有以下平均数作为此—下分类器的性能指标。—
四种¨】。可以有效地避免过学习以及欠学习状态的发生。
线性核函数用—的方法实现交叉验证,通常使用网格
,、’搜索法,整个优化流程如图所示,在,的双重循
,
多项式和函数环下寻找到最优的—返回