Logistic回归和支持向量机在电缆老化状态评估中的应用与比较

电缆老化状态评估主要有物理模型和统计模型两大类，物理模型一般用于电缆个体老化评估，但难以用于在线评估，统计模型一般用于电缆整体老化评估，无法评估个体状态。为建立电缆运行数据与电缆老化状态之间的关联关系，在线评估电缆个体老化状态，文中提出了基于机器学习的电缆老化状态评估方法，建立了Logistic回归和支持向量机这两种机器学习模型，采用十折交叉验证对模型准确率进行了评估，同时计算了模型的F_1-Score。结果表明支持向量机采用多项式核时的总体样本准确率平均值为96%，高于Logistic回归；当召回率与精准度的权重比为1、2、0.5时，支持向量机的F_1-Score得分均高于Logistic回归，支持向量机优于Logistic回归。     

牵引站220 kV侧电缆护层谐波过电压特性

高速铁路特殊运行方式会产生大量的谐波，谐波会通过牵引变压器传入220 kV侧高压电缆，在电缆护层上产生谐波电压，威胁电缆的安全运行。笔者在牵引变电所现场实测谐波数据的基础上，建立了基于实测数据的谐波源模型，解决了谐波源建模复杂的问题并能准确反映出高铁列车的实际运行状况。在此基础上仿真计算了高铁在牵引、再生制动和惰性3种工况下220 kV侧电缆护层谐波电压特性，探究了电缆长度、电缆接地方式、谐波电流参数等对谐波电压的影响规律。结果表明：高铁不同运行方式下，护层谐波电压均远超过工频正常运行情况，其中牵引工况时电缆护层谐波电压最大值可达到454 V;与工频正常情况下不同，谐波工况下金属护层过电压受电缆接地方式、电缆长度和谐波电流含量的影响较大。以上研究结果对牵引站220 kV侧电缆的安全运行具有重要参考意义。