典型文献
基于支持向量机增量学习算法的高压电网短路故障位置自动识别
文献摘要：
高压电网环境下,因社会用电量过大易造成严重的短路故障现象.为此,提出基于支持向量机(support vector machine,SVM)增量学习算法的高压电网短路故障位置自动识别方法.按照故障训练特征的确定结果,基于SVM增量学习算法提取线性电网中的不可分边界支持向量,进而处理电网结构中的最小化风险,完成电网故障识别环境搭建.配置高压电网的相量量测单元系数,通过确定故障识别元件,校验短路故障发生的位置,实现高压电网短路故障位置的自动识别.试验结果表明:在传输电量增加的情况下,短路故障电量冗余度极值仅能达到40％;故障位置识别精确性保持在94％.设计方法能够有效实现高压电网短路故障位置自动识别,具有较为优越的性能和一定的应用价值.
文献关键词：
增量学习算法;高压电网;短路故障;位置识别;训练特征;支持向量;最小化风险;相量量测单元系数
中图分类号：
作者姓名：
王洪林;董春林;董俊;李维;高黎明;郭俊
作者机构：
云南电网有限责任公司电力科学研究院,云南昆明 650011;山东科汇电力自动化股份有限公司,山东淄博 255087;昆明理工大学电力工程学院,云南昆明 650050;云南电网有限责任公司玉溪江川供电局,云南玉溪 653100;云南电网有限责任公司昆明富民供电局,云南昆明 650011
文献出处：
引用格式：
[1]王洪林;董春林;董俊;李维;高黎明;郭俊-.基于支持向量机增量学习算法的高压电网短路故障位置自动识别)[J].电气自动化,2022(04):34-36
A类：
最小化风险,相量量测单元系数
B类：
增量学习算法,高压电网,电网短路故障,故障位置,社会用电量,量过大,故障现象,support,vector,machine,自动识别方法,训练特征,分边,电网结构,电网故障,故障识别,环境搭建,识别元件,校验,输电,冗余度,极值,位置识别,精确性
AB值：
0.18656
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
