基于IPSO-SVM的电缆故障识别
近年来，随着我国现代化建设的发展和电力工业科学技术的进步，电力电缆在电力系统中的使用越来越广泛。随着长时间的使用，电力电缆就会发生各种各样的故障。因此，如何准确快速地监测和识别电缆故障，对于研究者是个非常重要艰巨的任务。 为解决故障类型识别模型的参数优化问题，本文在粒子群算法的基础上，提出了非线性惯性粒子群算法。该算法将带有收敛因子的粒子群与带有惯性因子的粒子群相结合，并采用了非线性惯性因子，较好的改善了传统粒子群的收敛速度。 为克服常用智能方法需要大量样本来构造模型的缺点，本文采用以结构风险最小化为准则的支持向量机作为故障类型识别的原始模型。而支持向量机的惩罚因子和核宽度参数的大小影响其模型的分类结果和系统的泛化能力。针对这个问题，本文建立了优化的核参数和优化的惩罚因子的支持向量机模型。 为优化支持向量机参数，本文用非线性惯性粒子群算法对惩罚因子和核宽度参数进行优化，在此基础上建立了故障类型识别的支持向量机模型。 最后，将所提出的算法和模型用于电缆正常状态和故障状态（相间短路、三相短路）的识别。与传统支持向量机模型相比较，本文提出的故障识别模型具有较高的识别正确率。
电力电缆;故障识别;支持向量机;非线性惯性粒子群算法
西安科技大学
硕士
模式识别与智能系统
汪梅
2014
中文
TM247;TM207
62
2015-07-30（万方平台首次上网日期，不代表论文的发表时间）