基于人工智能的电力线路故障诊断技术研究.pdfVIP

第37卷第1期江西电力职业技术学院学报Vol.37No.1

2024年1月JournalofJiangxiVocationalandTechnicalCollegeofElectricityJan.2024

基于人工智能的电力线路故障诊断技术研究

韦红美，许凤盼，曾丽颖

（百色职业学院，广西百色533000）

摘 要：电力线路故障问题检测和排查效率直接关系着电网系统安全。通过人工智能技术的深度学习方式，可有效提高

电力线路检测效率，保障电网系统安全、稳定运行。基于经典机器学习算法支持向量机模型，设计了电力线路故障的分类检

测。为进一步提高模型的准确率，加入哈里斯鹰优化算法优化参数。实验发现，本研究的算法模型能有效提高电力线路故障诊

断的准确性。

关键词：人工智能；电力线路故障；诊断技术

中图分类号：TP18文献标志码：A文章编号：1673-0097(2024)01-0018-03

0 引言器，一对多策略是指训练出能检测两类或多类样本

电力线路大多位于复杂的户外环境，户外自的二分类器。

然灾害与动物活动等都会为电力线路带来故障隐SVM最优分类的计算可分为线性运算和非线

患。支持向量机（SupportVectorMachine，SVM）是性运算两种形式，根据研究需要，将SVM上升至高

人工智能机器学习中应用较广泛的技术，能有效降维样本空间再进行线性运算，具体转化方式见图2。

低结构风险；群体优化算法是指通过模拟生物界

群体行为以达到群体优化目的的算法。本研究选

择的群体优化算法为哈里斯鹰优化（HarrisHawks

Optimization，HHO）算法，能为支持向量机模型提供

高效的参数寻优方法，有效实现电力线路故障检测和

分类，在电力系统故障检测中具有较高的应用价值。

1 算法原理

图2 线性运算样本的升维

1.1 SVM原理

非线性运算主要用于解决维度爆炸问题。选择

电力系统的线路故障检测实质为二分类问

高斯核函数作为SVM非线性运算核函数，其表达

题，支持向量机主要围绕处理对象进行间隔、对偶

公式如下。

合核技巧等处理，能及时、高效寻找出特征空间中2

x,x

的超平面最大间隔分类器，进而最大化处理正常的K(x,x)exp−ij(1)

ij2

［1］σ

数据与超平面故障数据间隔。具体工作情况如图

1所示。

σxx

其中，代表径向基半径，、