CN112380762A - 一种基于vmd-woa-lssvm的输电线路短路故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于VMD‑WOA‑LSSVM的输电线路短路故障诊断方法，输电线路短路故障诊断技术领域，包括以下步骤：基于Simulink建立输电线路模型，模拟短路故障，获取原始故障电压数据；通过中心频率确定VMD的分解个数，采用VMD样本熵进行故障特征提取，组成故障样本库；建立基于LSSVM输电线路短路模型，选用径向基核函数作为LSSVM的核函数；采用WOA对LSSVM的惩罚因子和核函数进行优化并对输电线路短路故障进行诊断。本发明利用WOA优化LSSVM的参数，建立WOA‑LSSVM模型来识别线路短路故障，提高了LSSVM故障诊断模型的诊断精度，WOA‑LSSVM模型具有良好的适应性与鲁棒性，对保障电力系统稳定运行具有重要意义。

Description

一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法

技术领域

本发明涉及输电线路短路故障诊断技术领域，具体为一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法。

背景技术

随着智能电网的飞速发展，输电线路的建设也输电线路的建设也得到了繁荣的发展，输电线路作为故障率最高的部分，威胁着电力系统的安全稳定运行。在输电线路的短路点，短路电流幅值增大、短路温度升高，严重危害电力系统稳定性，有时甚至会造成系统解列。目前的信号分析方法大多为傅里叶变换、小波变换、经验模态分解(Empirical ModeDecomposition,EMD)。然而上述方法都存在一定的缺陷，傅里叶变换在非线性型号的局部特征信息提取上有一定缺陷；小波变换需要人为选定小波基和分解尺度，易造成故障信号特征的遗失；EMD能对信号进行自适应分解，但易出现模态混叠，无法辨别故障信号微弱的特征信息。而在故障类型识别方面，如BP神经网络(Back Propagation Neural Network,BPNN)模型、支持向量机(Support Vector Machine,SVM)模型都取得了一些成果，但这些方法也存在局限性，BPNN收敛速度慢，学习效率不高，容易陷入局部极小值；SVM实现多分类问题较困难，需构造多个复合分类器，需要大量的时间对参数进行调整和训练，效率较低。

发明内容

有鉴于背景技术中上述缺陷，本发明提供一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法以解决背景技术中的问题之一。

为实现上述目的，本发明提供一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法，包括以下步骤：

S1、基于MATLAB Simulink建立输电线路短路故障诊断模型，设置不同短路故障类型包括正常状态，改变其初相角、故障点电阻、故障时间进行仿真，得到三相电压原始数据；

S2、采用VMD对故障电压数据进行分解，通过中心频率确定VMD的分解个数，并计算各分量的样本熵值作为故障诊断模型的输入特征量，完成故障特征提取,组成故障样本库；

S3、建立基于最小二乘支持向量机输电线路短路模型，选用径向基核函数作为LSSVM的核函数；采用WOA对LSSVM惩罚因子c和核函数σ²进行优化，对输电线路短路故障进行诊断；

S4、采用遗传算法(Genetic Algorithm，GA)、粒子群优化算法(Particle SwarmOptimization，简称PSO)优化LSSVM的参数，并对输电线路短路故障进行诊断，与S3中的诊断性能进行对比。

在本发明的优选实施例中，VMD分解故障电压的数学模型为：

其中，u_k为被分解后的分量，k为分解个数，{u_k}＝{u₁,u₂,…,u_k}；f为原始故障电压信号f＝f(t)，{ω_k}＝{ω₁,ω₂,…,ω_k}为每个分量u_k的中心频率，

为对本征模态信号混合的一个预估中心频率，δ(t)为狄利克雷函数，t是时间序列，j为虚数单位，

为函数对时间t的偏导数，s.t.表示约束条件。

在本发明的优选实施例中，所述基于最小二乘支持向量机输电线路短路模型为：

其中，y为模型输出，α_i为第i个样本数据对应的拉格朗日乘子，K(x,x_i)为核函数矩阵，b为偏置量，i是序号(i＝1，2，...n)，x_i为第i个样本数据。

在本发明的优选实施例中，所述采用WOA对LSSVM惩罚因子c和核函数σ²进行优化包括：环绕式包围捕食、螺旋泡网攻击和捕食猎物三个阶段。

在本发明的优选实施例中，所述采用WOA优化的LSSVM对输电线路短路故障进行诊断包括：

a.对样本数据集进行归一化处理；

b.设置WOA的种群数目、迭代次数、变量数目、变量的上限和下限；

c.初始化种群数目；

d.定义适应度函数，将诊断正确率作为适应度函数；

e.WOA算法对核函数σ²和惩罚因子c进行寻优；

f.将寻优得到的核函数σ²和惩罚因子c代入LSSVM中，得到输电线路短路故障诊断结果。

本发明的有益效果是：本发明采用VMD对故障电压信号进行分解，提取出能反映故障特征的分量，然后利用样本熵量化经VMD分解后的分量，作为LSSVM模型的特征输入量；利用鲸鱼优化算法优化最小二乘支持向量机的参数，建立WOA-LSSVM模型来识别线路短路故障，提高了LSSVM故障诊断模型的诊断精度。仿真表明，本发明采用的WOA-LSSVM故障诊断方法与LSSVM、GA-LSSVM、PSO-LSSVM方法相比，具有更好的识别精度，并且WOA-LSSVM模型具有良好的适应性与鲁棒性，对保障电力系统稳定运行具有重要意义。

附图说明

图1是本发明一具体实施方式中基于VMD-WOA-LSSVM的输电线路短路故障诊断方法示意图。

图2是本发明一具体实施方式中几种优化算法适应度对比图。

具体实施方式

本发明提供一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法，利用变分模态分解(Variational Mode Decomposition,VMD)样本熵完成故障特征提取，采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)搜索最优的最小二乘支持向量机(LeastSquares Support Veotor Maohine,LSSVM)的参数，建立线路短路故障诊断模型，使得模型具有良好的适应性和较好的诊断精度，以符合实际需求。

如图1所示，基于VMD-WOA-LSSVM的输电线路短路故障诊断方法具体实施步骤如下：

(1)利用MATLAB Simulink建立输电线路短路故障诊断模型，设置不同故障类型包括正常状态共11种状态，改变其初相角、故障点电阻、故障时间进行仿真，得到三相电压原始数据。每类故障包括正常状态数据共50组，共550组原始电压故障数据。

(2)采用VMD对故障电压数据进行分解，并通过中心频率确定VMD的分解个数，确定好分解个数后，使用VMD分解故障电压数据，然后计算各分量的样本熵值作为故障诊断模型的输入特征量，完成故障特征提取。VMD分解故障电压的数学模型为：

其中，u_k为被分解后的分量，k为分解个数，{u_k}＝{u₁,u₂,…,u_k}；f为原始故障电压信号f＝f(t)，{ω_k}＝{ω₁,ω₂,...,ω_k}为每个分量u_k的中心频率，

为对本征模态信号混合的一个预估中心频率，δ(t)为狄利克雷函数，t是时间序列，j为虚数单位，

为函数对时间t的偏导数，s.t.表示约束条件。

上式引入增广拉格朗日函数变为：

其中，α为惩罚因子，λ为拉格朗日乘法算子。

采用交替方向乘子法求取上式的最优解，即通过不断交替更新

得到上式的‘鞍点’，

为第n+1次循环中的第k个分量，

为第n+1次循环中u_k对应的根据功率谱中心估计的中心频率，

为第n+1次循环中的拉格朗日乘子。其中，

的表达式为：

将

通过Parseval/Plancherel傅里叶等距变换到频域：

其中，τ为噪声容忍度，为

的维纳滤波，

为模态功率谱重心；

进行傅里叶逆变换，所得结果的实部即为u_k(t)。

VMD分解的具体步骤为：

a.初始化

n，

为初始循环中的第k个分量；

为初始循环中u_k对应的根据功率谱中心估计的中心频率；

为初始循环中的

对应的拉格朗日乘子；n为迭代次数(正整数)；

b.迭代更新u_k、ω_k、λ；

c.给定判别精度e＞0，满足迭代终止条件

停止迭代，否则，返回步骤b。

(3)建立基于最小二乘支持向量机输电线路短路故障诊断模型，LSSVM的函数表达式和约束条件为：

s.t：

其中，ξ为误差，c为惩罚因子，w为权重向量，b为偏执量，

为核函数，n为样本数。

引入拉格朗日乘子α_i，构造拉格朗日函数：

对上式进行偏微分的：

将w和ξ_i消去后的矩阵形式为：

其中，

I为单位阵，K_ij＝K(x_i,x_j)为核函数矩阵，x_i、x_j分别为第i、j个样本数据，本发明采用径向基核函数(RBF)作为LSSVM的核函数，

σ²为核函数的参数。

输电线路短路故障诊断模型为：

其中，y为模型输出，α_i为第i个样本数据对应的拉格朗日乘子，K(x,x_i)为核函数矩阵，b为偏置量，i是序号(i＝1，2，...n，n为正整数)，x_i为第i个样本数据。

(4)WOA算法优化LSSVM输电线路短路故障诊断模型。

从步骤3可以看出，惩罚因子C和核函数σ²是影响LSSVM输电线路短路故障诊断模型性能的两个参数，采用WOA优化LSSVM模型中的惩罚因子C和核函数σ²。WOA算法通过模拟座头鲸捕食猎物的过程来寻找最优解，此过程主要包括三个阶段：环绕式包围捕食、螺旋泡网攻击和捕食猎物。

a.环绕式包围捕食

座头鲸能识别猎物并包围猎物，其行为的数学模型为：

D＝|C·X^*(t)-X(t)|

X(t+1)＝X^*(t)-A·D

式中，D为当前个体与最优鲸鱼(猎物)间的距离，t为当前的迭代次数；X为位置向量，X^*为当前的位置向量；A、C为系数，可由下式求得：

其中，

是[0，1]间的向量a随着迭代次数的增加而线性地从2减小到0。

b.螺旋泡网攻击猎物

在螺旋气泡网攻击猎物阶段，有两种方法对气泡网建模,一种是收缩包围机制，一种是螺旋更新位置。

收缩包围机制：减小

中的向量a的值，此时，A也会随着a的减小而减小。

螺旋更新位置：模拟座头鲸螺旋更新的数学模型为：

X(t+1)＝D'·e^bl·cos(2πl)+X^*(t)

其中，X(t+1)表示更新后的位置，D'＝|X^*(t)-X(t)|表示第i条鲸鱼与猎物的距离；b是定义螺旋形状的常数；l为[-1，1]间的任意数值。

需要注意的是，收缩包围和螺旋更新在座头鲸捕食猎物的过程中是同时发生的，因此，假设选择这两种行为的概率都为0.5，其数学表达式为：

当p＜0.5，X(t+1)＝X^*(t)+A·D，当p≥0.5，X(t+1)＝D'·e^bl·cos(2πl)+X^*(t)。

c.捕食猎物

座头鲸能够随机更新个体位置捕食猎物，具体数学模型为：

D＝|C·X_rand-X|

X(t+1)＝X_rand-A·D

其中，X_rand为当前群体中随机选择的个体位置。

建立WOA-LSSVM输电线路短路故障诊断模型步骤为：

a.对样本数据集进行归一化处理；

b.设置WOA的种群数目、迭代次数、变量数目、变量的上限和下限。

c.初始化种群数目；

d.定义适应度函数，将诊断正确率作为适应度函数；

e.WOA算法对核函数σ²和惩罚因子c进行寻优；

f.将寻优得到的核函数σ²和惩罚因子c代入LSSVM中，得到输电线路短路故障诊断结果。

为了证明本发明WOA优化算法的有效性，因此采用了GA、PSO方法优化LSSVM算法来与WOA算法进行比较，图2是三种优化算法的适应度对比图。

表1几种算法的诊断性能对比

采用LSSVM、GA-LSSVM、PSO-LSSVM、WOA-LSSVM对故障电压数据进行诊断，其诊断结果见表1。本发明所采用的WOA-LSSVM诊断正确个数最多，诊断正确率均高于LSSVM、GA-LSSVM、PSO-LSSVM。利用WOA优化LSSVM的参数，寻优得到的LSSVM的σ²和c为6.74和381.64。通过仿真表明，本方法在诊断精度、计算复杂度、模型的适应性和鲁棒性上均具有一定的优势，在工程实践中具有重要作用。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (5)

1.一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法，其特征是，包括以下步骤：

S1、基于MATLAB Simulink建立输电线路短路故障诊断模型，设置不同短路故障类型包括正常状态，改变其初相角、故障点电阻、故障时间进行仿真，得到三相电压原始数据；

S2、采用VMD对故障电压数据进行分解，通过中心频率确定VMD的分解个数，并计算各分量的样本熵值作为故障诊断模型的输入特征量，完成故障特征提取,组成故障样本库；

S3、建立基于最小二乘支持向量机输电线路短路模型，选用径向基核函数作为LSSVM的核函数；采用WOA对LSSVM惩罚因子c和核函数σ²进行优化，对输电线路短路故障进行诊断；

S4、采用遗传算法、粒子群优化算法优化LSSVM的参数，并对输电线路短路故障进行诊断，与S3中的诊断性能进行对比。

2.如权利要求1所述的基于VMD-WOA-LSSVM的输电线路短路故障诊断方法，其特征是，VMD分解故障电压的数学模型为：

其中，u_k为被分解后的分量，k为分解个数，{u_k}＝{u₁,u₂,...,u_k}；f为原始故障电压信号f＝f(t)，{ω_k}＝{ω₁,ω₂,...,ω_k}为每个分量u_k的中心频率，

为对本征模态信号混合的一个预估中心频率，δ(t)为狄利克雷函数，t是时间序列，j为虚数单位，

为函数对时间t的偏导数，s.t.表示约束条件。

3.如权利要求1所述的基于VMD-WOA-LSSVM的输电线路短路故障诊断方法，其特征是，所述基于最小二乘支持向量机输电线路短路模型为：

其中，y为模型输出，α_i为第i个样本数据对应的拉格朗日乘子，K(x,x_i)为核函数矩阵，b为偏置量，i是序号(i＝1，2，...n)，x_i为第i个样本数据。

4.如权利要求1所述的基于VMD-WOA-LSSVM的输电线路短路故障诊断方法，其特征是，所述采用WOA对LSSVM惩罚因子c和核函数σ²进行优化包括：环绕式包围捕食、螺旋泡网攻击和捕食猎物三个阶段。

5.如权利要求1所述的基于VMD-WOA-LSSVM的输电线路短路故障诊断方法，其特征是，所述采用WOA优化的LSSVM对输电线路短路故障进行诊断包括：

a对样本数据集进行归一化处理；

b.设置WOA的种群数目、迭代次数、变量数目、变量的上限和下限；

c.初始化种群数目；

d.定义适应度函数，将诊断正确率作为适应度函数；

e.WOA算法对核函数σ²和惩罚因子c进行寻优；

f.将寻优得到的核函数σ²和惩罚因子c代入LSSVM中，得到输电线路短路故障诊断结果。

Images