基于SVM SMOTE的电力变压器故障样本均衡化方法

在变压器故障诊断领域,数据集不平衡性带来的极端值、噪声等问题严重影响了分类算法的故障识别能力。为此,提出了一种基于支持向量机(supportvectormachine,SVM)合成少数类过采样(syntheticminority over-samplingtechnique,SMOTE)算法的电力变压器故障样本均衡化方法,并结合机器学习进行故障诊断,以解决不平衡数据集下变压器故障诊断整体精度低的问题。首先,从原理、特点、应用等方面对传统SMOTE算法和SVM SMOTE算法进行了大量研究和分析;然后,以变压器油中溶解气体为样本集,构建了基于故障样本均衡化的变压器故障诊断模型;最后,对所提方法进行了算例仿真。结果显示:相较于传统变压器故障诊断算法,采用SVMSMOTE算法对故障样本进行均衡化后,各评价指标均有大幅提升,其中整体分类准确度αmacro-F1提升了18.9%。研究结果证明所提方法可以有效解决不平衡数据集下变压器故障样本漏判率高的问题,并在其分类上具有更高的精度。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于WKFCM⁃SMOTE和随机森林的风电机组故障诊断

针对风电机组运行数据中故障数据占比小,不平衡数据集影响故障诊断精度与诊断结果的问题,提出一种基于加权模糊核C均值(Weighted Kernel Fuzzy C?means,WKFCM)算法改进的合成少数类过采样技术(Synthetic Minority Overs?ampling Technique,SMOTE)算法...     

利用行波波形改进编辑距离的柔性直流输电线路后备保护方案

针对行波主保护在低信噪比、高过渡电阻情况下保护方案失效的问题，该文提出一种利用小波阈值降噪和改进编辑距离算法的直流输电线路后备保护方案。根据噪声信号与故障信号小波系数差异较大的特性，采用小波降噪方法对故障行波信号进行降噪预处理。区外故障时线路两侧行波波形相似度较高，区内故障时相似度较低。根据此特性，提出一种改进的编辑距离算法，克服数据不同步和异常值的影响，实现线路两侧故障行波波形相似度的精确计算，建立故障识别判据。仿真实验结果表明，该算法能够准确地识别区内外故障，相较于原始的编辑距离算法和不同双端保护方案，具有更强的抗噪声干扰和耐受过渡电阻能力。     

基于改进SMOTE不均衡样本处理和IHPO-DBN的变压器故障诊断方法研究

针对由于变压器故障样本不均衡和故障模型陷入局部最优而导致的分类准确率低的问题,提出了基于改进的合成少数类过采样技术和优化深度置信网络(deep belief network, DBN)的变压器故障诊断方法。首先采用聚类融合的K-means算法,通过分簇和匹配的方式筛选出不稳定的少数类样本用以改进中心点合成少数类过采样技术(center point synthetic minority oversampling technique, CP-SMOTE)算法,并对少数类样本进行扩增,解决了变压器故障数据分布不均衡的问题。其次,通过加入随机逆向学习和自适应惯性权重技术对猎食者优化算法进行改进,并用改进后的算法对DBN的内部参数进行优化调整,提高了模型精度。最后,将不同数据预处理情况下以及不同数据规模下的变压器故障模型进行仿真对比。结果表明,经过数据预处理和模型优化后的变压器故障识别准确率能够提高到98%,有效地解决了故障数据不平衡导致的分类精度低的问题。     

基于混合采样与 IHBA-SVM 的变压器故障辨识方法

针对变压器故障数据的不平衡性弱化故障分类能力的问题,提出混合采样与改进蜜獾算法( IHBA)优化支持向量机 (SVM)的变压器故障诊断方法。 首先采用 K 近邻去噪、K 均值聚类(K-means)与合成少数类过采样(SMOTE)对数据进行混合 采样处理,以缓解诊断结果向多数类的偏移;然后使用 Tent 映射、轮盘赌随机搜索机制和最优个体扰动策略对传统蜜獾算法 (HBA)进行改进,并使用 IHBA 优化 SVM 参数,以进一步提升变压器故障辨识能力;最后对所提方法进行算例仿真,结果显示, 相较于传统的变压器故障辨识方法,采用 K 近邻去噪、K-means、SMOTE 混合采样与 IHBA-SVM 相结合的故障诊断模型获得了 最高的宏 F1 和微 F1 值,分别达到 0. 877 和 0. 886,表明提出模型不仅具有更高的整体分类能力,且更能兼顾对少数类故障的 辨识。     

基于模糊逻辑的可控串补线路故障分类

提出一种基于模糊逻辑的可控串补线路故障分类方法。采集故障后半个周期的三相电流数据,选取db4小波作为小波基,使用离散小波变换(DWT)分解电流暂态信号,将小波分解系数划分为三个频带,计算每个频带的小波奇异熵,获得能反映不同故障的故障特征量。将特征量作为模糊逻辑的输入,构建模糊故障分类系统。在Matlab环境下建立电力系统模型,选择500 kV、300 km超高压输电线路进行故障仿真。仿真结果表明,不同的TCSC触发角下,该算法不受故障阻抗、故障初始角、故障类型、故障位置的影响,可以准确检测故障,完成故障分类。     

基于改进递归小波变换的超高压线路边界保护元件算法

在分析输电线路边界频率特性的基础上,提出了一种基于改进递归小波变换的超高压输电线路边界保护元件算法。采用改进递归小波变换分别提取高频和次高频2个不同中心频率的故障暂态电流分量,利用母线对地杂散电容和阻波器对高频暂态分量的衰减作用,根据2个不同频率分量的暂态能量比值来识别保护区内外的故障。采用PSCAD/ EMTDC对某500 kV超高压输电线路模型进行仿真,结果表明该算法基本不受故障位置、故障过渡电阻、故障类型和故障初始角的影响,能准确识别保护区内外故障。改进递归小波变换算法只采用历史数据信息,实时性好,计算量少,因此基于改进递归小波变换的超高压输电线路边界保护元件算法可提高计算速度,能够满足超高压输电系统高速保护的要求。     

融合改进SMOTE与Stacking算法的输电通道树线放电因子风险状态评估

当前,对电力系统输电通道的风险评估手段以规则方法为主,往往对输电线路结构本身的特征考虑较少。基于KNN、决策树和SVM模型,提出了一种融合改进SMOTE与Stacking的机器学习算法,实现了对输电通道中树线放电因子的风险评估预测,该算法能较好地解决数据集没有明确正常样本数据,且异常样本类型分布不平衡的问题。通过与Bagging集成算法、融合SMOTE与Stacking算法对比,验证了所提算法的有效性与先进性,为后续输电通道其他因子基于机器学习的风险评估奠定了基础。     

利用多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法

提出一种基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法,可准确将本侧区外故障、区内故障以及对侧区外故障区分开。进行小波多尺度分解,求得各层的奇异谱熵,将每层的奇异谱熵组成一个特征向量,特征向量分成训练集和测试集,将训练集进行训练得到支持向量机(support vector machines,SVM)分类器的参数,用测试集进行测试,预测结果就是对不同位置故障的分类。大量仿真验证表明:基于多分辨奇异谱熵和支持向量机的特高压直流输电线路区内外故障识别方法能可靠识别本侧区外故障、区内故障和对侧区外故障。     

小波奇异熵及其在高压输电线路故障选相中的应用

泛化的信息熵目前已在数据挖掘、信号识别和故障诊断等领域得到了广泛有效的应用。小波熵是一种典型的泛化熵测度，其在电力系统故障检测和识别中的应用具有巨大的潜力。探索各类小波熵算法的机理及其所揭示的电力系统现象本质是进一步开拓其应用的前提。对于小波熵算法之一的小波奇异熵，该文在研究小波变换、奇异值分解及信息熵理论的基础上，分析了其应用原理和本质。基于对小波奇异熵的研究，将其应用于高压输电线路的故障相识别，并提出了基于故障暂态的故障选相判据和方案。基于PSCAD/EMTDC的故障仿真结果表明：该故障选相方案能快速准确地识别各类故障，并且不易受到故障时刻、过渡电阻、故障位置等因素的影响，具有较好的适应性。     

不平衡数据集下基于CVAE-CNN模型的智能电表故障多分类方法

提高智能电表故障不平衡多分类准确率对用电采集系统的可靠运行具有重要意义。传统机器学习中以合成少数类过采样(synthetic minority oversampling technique,SMOTE)算法及其变体为代表的过采样方法,较少考虑数据全局分布,而后续采用的分类算法难以从数据中获取更深层特征信息。基于深度学习思想,提出一种基于条件变分自编码器-卷积神经网络(conditionalvariationalautoencoder-convolutional neuralnetwork,CVAE-CNN)模型的不平衡多分类方法,将类别标签作为约束条件,搭建由全连接层构成的CVAE网络生成少数类样本,根据变分下界对服从多维且各维度为独立高斯分布的隐变量建模,学习各类分布特点和数据集全局特征,提高生成数据质量。平衡后的数据采用卷积神经网络进行分类,设计一维卷积层提取数据中潜藏的复杂特征,构造最大池化方法提高模型容错率,依据各类分布特点进行分类处理,提高对少数类别的识别率。以15个KEEL公开数据集和近年采集的智能电表故障数据作为实际算例,所提模型与典型的过采样方法和分类方法进行对比,实验结果表明具有更高的分类精度。     

基于 FOA 优化的 CSSVM 管道堵塞状态识别研究

针对城市排水管道正常与堵塞故障状态在数据获取上的不平衡性造成的运行状态识别准确率下降的问题,提出了一种基于果蝇优化算法的代价敏感支持向量机的管道堵塞状态识别方法。根据排水管道内各运行状态下采集到的不平衡数据集,首先对不平衡数据集进行小波包分解,其次,提取各个分解系数的能量熵、近似熵指标构建特征向量集合;采用果蝇优化算法(FOA)对不同类样本惩罚因子C_m和核函数参数g进行优化选取,即对代价敏感支持向量机(CS-SVM)模型优化,将特征集合输入优化后的CS-SVM模型中,对排水管道的正常和堵塞状态识别,通过增大对少数类样本错分的惩罚代价,结果表明,提升了少数类的识别准确率。     

改进的人工免疫分类算法在故障类型识别中的应用

提出将小波包变换和改进的免疫算法相结合,对输电线路故障类型进行识别。运用小波包将电压故障信号分解,提取三相的小波奇异熵作为免疫网络的抗原,利用免疫网络抗原-抗体识别原理进行故障类型识别。仿真结果表明：在相同实验条件下,与传统的ANN网络和SVM相比,该算法具有自适应连续学习的功能,对故障诊断系统可以连续不断的补充新样本。并且此故障类型识别方法不受系统运行方式、过渡电阻和故障位置等影响,具有较强的通用性,较高的精度,识别速度快和算法简单易实现。     

基于小波奇异值和支持向量机的高压线路故障诊断

提出了基于小波奇异值(WSV)和支持向量机(SVM)的电力系统故障类型识别的新方法.利用WSV来量化故障特征,再与SVM结合进行故障类型识别.对故障线路三相电流信号进行小波包变换分解,获取故障信号的小波细节系数;利用相重构技术将小波细节系数向量形成系数矩阵,并对该矩阵作奇异值分解,获取小波奇异值;将小波奇异值向量输入到SVM分类器进行故障类型识别.仿真表明,对于不同的故障类型,其小波奇异值分布明显不同,而对于同一类型故障,其小波奇异值分布在不同的故障位置、过渡电阻的情况下仍保持很大的相似性.SVM具有训练样本少、训练时间短、识别率高等优点.     

改进的人工免疫分类算法在故障类型识别中的应用

提出将小波包变换和改进的免疫算法相结合,对输电线路故障类型进行识别.运用小波包将电压故障信号分解,提取三相的小波奇异熵作为免疫网络的抗原,利用免疫网络抗原一抗体识别原理进行故障类型识别.仿真结果表明:在相同实验条件下,与传统的ANN网络和SVM相比,该算法具有自适应连续学习的功能,对故障诊断系统可以连续不断的补充新样本.并且此故障类型识别方法不受系统运行方式、过渡电阻和故障位置等影响,具有较强的通用性,较高的精度,识别速度快和算法简单易实现.     

形态小波在输电线路故障测距中的应用

如何准确提取行波浪涌到达时刻,是输电线路行波测距领域中的一个重要研究课题。提出一种新的输电线路故障测距算法,该算法通过形态学算子构造非线性提升方案,从信号的时域上提取奇异点,能够较为快速和准确地定位奇异发生的时刻,适合应用于输电线路故障测距。仿真结果表明,基于提升方案的形态小波（MW）在进行输电线路故障测距时能够不受故障类型、故障点位置、过渡电阻和故障合闸角的影响,与传统的小波算法相比,具有算法量小和易于实现的特点。     

基于优化小波神经网络的输电线路行波故障测距

针对单端行波故障测距方法中故障点反射波与对端母线反射波的识别问题,提出了一种改进粒子群算法优化的小波神经网络的故障测距模型。提取保护安装处检测到的行波波头时间值与反向行波线模分量的李氏指数作为行波特征值,利用小波神经网络拟合行波特征值与输电线路故障距离之间的关系,构建小波神经网络故障测距模型,利用该模型可以直接得到输电线路的故障距离。在标准粒子群算法中引入遗传算法变异因子,利用改进后的粒子群算法作为小波神经网络的训练算法,优化小波神经网络的权值与阈值参数,加快了小波神经网络故障测距模型的收敛速度,并提高了输出结果的精度。仿真结果证明,该方法有效且可行。     

基于支持向量机算法的配电线路时变状态预测方法

配电线路状态准确预测是进行配电网调控的基础。提出了基于支持向量机（SVM）算法的配电线路时变状态预测方法。首先,分析影响配电线路状态变化的因素,构建基于Fokker-Planck的配电线路状态转移模型。其次,融合配电信息系统多源海量数据,采用基于相关度的最优特征子集筛选方法构建配电线路状态特征变量集,采用合成少数类过采样技术（SMOTE）算法解决线路故障状态样本数量少而带来的样本集类别不平衡问题。然后,考虑到线路状态二分类的特点,采用SVM算法进行线路运行工况的分类预测,形成了基于SMOTE-SVM算法的状态转移模型求解方法,可实现配电线路时变状态预测。最后,以某实际配电系统为算例验证了所提方法的有效性。     

基于奇异性检测的高压输电线路暂态保护判据仿真研究

根据小波分析及奇异性检测的基本理论,利用小波多尺度分析方法对高压输电线路的暂态电流波形奇异点处的奇异性进行了分析与仿真,并给出了一种适合于暂态保护的新型判据.此判据通过比较不同时间窗口、不同频率段内暂态信号的小波变换谱能量比值及模分量极大量比值来实现区内外故障的准确识别.以M文件的形式用Matlab语言编程完成了奇异点检测算法程序并根据500kV输电线路模型对暂态保护新型判据进行了大量仿真.仿真结果证明此判据对不同的故障情况均能正确判断.