基于支持向量机的微机保护装置状态预测方法研究.pdfVIP

，118． 2008中国电力系统保护与挎制学术研讨会论文集 基于支持向量机的微机保护装置状态预测方法 田有文，唐晓明 0161) (沈阳农业大学信息与电气工程学院，辽宁沈阳11 摘要：为了准确地预测微机保护装置运行状态的发展趋势，本文提出了一种基于最小二乘支持向量机{LS—SVU)对其进行预 测的方法，以实现预知维护。本文选取微机保护装置实时电流、微机保护装置状态类和对应状态运行周期内发生故障情况作 为支持向量机的输入值，选择微机保护装置状态作为输出值，采用L$-$VId算法对微机保护装置状态进行预测。试验结果表 明，应用LS—SVM对微机保护装置的预测取得了比较好的准确度，具有比较好的泛化性能和精确度，减少了对经验的依赖， 预测精度优于BP神经网络方法。其中径向基核函数用于保护装置状态预测最理想。 关键词：微机保护装置；状态预测；支持向量机 0引言 1支持向量机预测算法 为保证微机保护装置的安全可靠运行，不但要 对微机保护装置进行在线的状态监测及故障分析， 支持向量机是一种有效的数据分类和同归工 还要对其运行状态的发展趋势进行预测，实现预知 具，基本思想[6J就是通过一个非线性映射妒(·)将输 维护。由于人工神经网络方法具有逼近复杂非线性‘ 入空间的数据映射到高维特征空问F中，在F构造 系统的能力和分类能力【11，而在电力预测和智能诊 线性回归函数： 断得到广泛的应用，但该方法需要大量的典型数据 y(x)=w‘妒(工)+6 … 样本和先验知识，而在实际中很难得剑大量的样 W∈R“．b∈R 本，并且神经网络的结构和类型的选择过分依赖于 同时，利用结构风险最小化原则，引入了间隔 经验，从而地影响了智能诊断和趋势预测方法的发 的概念，并巧妙利用原空间的核函数取代高维特征 展。 空间的点积运算，使复杂计算得到简化。标准SVM 在统计学理论基础上，由Vapnik等人于20世 将I．．述的优化问题转换为求解一个线性约束的二 纪90年代提出了一种新的通用学习方法．支持向量 次规划问题，二次规划所得的解是唯一的全局最优 Vector 机f21(SupportMachine，SVM)，该算法遵循 解151。解中只有一部分／1i为零，对应的洲练样本就 结构风险最小化(SRM)原则，具有良好的泛化能力。 是支持向量。 SVM在处理非线性问题时，首先将非线性问题转化 与标准SVM使用E不敏感函数不同，LS．SVM 为高维空间中的线性问题，然后用～个核函数来代 选择了误差e的二范数作为损失函数。故优化『口J题 替高维空问中的内秘运算，从而巧妙地解决了复杂 可以描述为： 计算问题，并且有效地克服了维数灾难及局部极小 · 1 N 问题。由于SVM的这些优良特点，它已绎在电力 鳃?J(W,Re唧)。i1 wtw+吉名气2(2) 负荷预测p1和交通流量预测14l等应用中取得了很好