线路故障会威胁电力系统的安全稳定运行,甚至可能造成严重的经济损失.不同类型的线路故障对电力系统的影响程度存在差异;且在线路故障诊断时,故障信息的完整度也将影响最终诊断结果.因此,在故障信息缺失的情况下,实现线路故障的快速、准确诊断是至关重要的.提出一种将支持向量机与随机森林相结合的故障诊断方法,利用随机森林弥补支持向量机算法对于缺失信息的不敏感性,同时支持向量机算法良好的泛化性能又能有效地缓解随机森林在构建决策树时对较大属性值的偏重.基于所搭建的线路仿真模型分别获取单相接地故障、相间故障和三相故障时电压及电流数据,进行模型训练,训练集与测试集的结果对比表明:当故障信息完整时,不同故障类型的诊断正确率分别为95.43％、100％和100％;而当故障信息部分缺失时,诊断的正确率分别为62.5％、83.33％和95.8％,该方法可用于线路故障的诊断.

输电线路;SVM算法;随机森林;故障检测

国网经济技术研究院有限公司,北京 102200;西南交通大学,四川 成都 611731

[1]张苏;郭裕钧;张血琴;宁晓雁;尹彩琴-.基于SVM?RF的电力线路故障诊断研究)[J].山东电力技术,2022(11):36-43

RF,电力线路,线路故障,诊断研究,电力系统,安全稳定运行,故障信息,完整度,诊断结果,信息缺失,林相,故障诊断方法,支持向量机算法,失信,不敏感性,泛化性能,构建决策,决策树,属性值,偏重,单相接地故障,相间,三相,流数据,模型训练,训练集,测试集,结果对比,故障类型,诊断正确率,信息部,输电线路,故障检测

0.339144