CN116031828A - 基于小波变换与随机森林算法的10kV电缆早期故障辨识方法 - Google Patents
基于小波变换与随机森林算法的10kV电缆早期故障辨识方法 Download PDFInfo
- Publication number
- CN116031828A CN116031828A CN202211532986.8A CN202211532986A CN116031828A CN 116031828 A CN116031828 A CN 116031828A CN 202211532986 A CN202211532986 A CN 202211532986A CN 116031828 A CN116031828 A CN 116031828A
- Authority
- CN
- China
- Prior art keywords
- cable
- wavelet transformation
- random forest
- early
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,包括:利用PSCAD/EMTDC仿真软件搭建10kV的配电网电缆模型用来进行仿真测试;利用电缆的电弧模块来模拟电缆早期故障,获取早期故障数据集;分别搭建负荷投切模块、电动机启动模块以及电容器投切模块三种扰动模块,对数据集进行扩充;采用小波变换对已有数据进行分解,空间重构;对已有数据集中的数据进行时频域和能量域特征的提取;设置标签,构建数据集用来训练算法分类器;将训练好的随机森林算法应用到电缆早期故障辨识中,进行故障和扰动辨识。本发明能准确的分辨出电缆早期故障和其他扰动,具有一定的理论和实际意义。
Description
技术领域
本发明涉及人工智能算法和电缆故障辨识领域,尤其涉及的是一种基于小波变换与随机森林算法的10kV电缆早期故障辨识方法。
背景技术
随着城市化进程的加快,电网波及的范围日益扩大,电缆作为城市输电的主要载体,其数量也与日俱增。电缆大多铺设在城市的地下,地下环境潮湿,极易因为局部放电闪络等原因引发早期故障,如果不能及时诊断,随着时间推移,早期故障将发展成为永久性故障,到时或将导致电力系统事故。
传统的电缆故障辨识一般是通过设置一个或多个固定阈值来实现,但固定阈值的计算往往受到测量精度和外界干扰的影响,极易缺乏可适应性,不可避免地会降低诊断准确率。如今国家大力发展智能电网,使得电网的运行数据与日俱增,与此同时,新能源发电技术的加入和发展令分布式电源接连加入电网,给电网的运行带来了很大的负担和压力。分布式电网令不同电网互相联接,增加了电网运行区域的耦合特性,导致电网故障的特征量呈现非线性,这也意味着传统的故障辨识方法已经不适用于现在的电网电缆。
发明内容
考虑到传统的电缆故障辨识方法不适用于目前的复杂的电网,且传统的辨识方法极易受到外界的干扰,本发明提供一种基于小波变换和随机森林算法的10kV电缆早期故障辨识。本发明所针对的对象是电缆的早期故障,电缆早期故障主要是由于电缆绝缘层受周围环境,电流热效应、机械应力等共同作用使电缆逐渐老化,形成局部缺陷。可以通过电缆绝缘电阻的逐步下降以及使用时间将电缆的状态分为三个阶段,第一个阶段为局部放电,第二个阶段是早期故障,最后一个阶段为永久性故障,由于局部放电的持续时间很短,地下电缆的局部放电很难用合适的方式方法去检测到,所以本发明主要针对局部放电后的一小个阶段,即电缆的早期故障阶段。基于小波变换和随机森林算法的故障辨识方法是在人工智能的基础上对电网电缆的故障进行辨识,能大大提高电缆辨识的精确度,在使用随机森林算法之前,要使用小波变换对已有的电网数据进行分解和空间重构,提取出故障数据的相关特征,形成特征向量,将形成的特征向量输入到随机森林分类器中进行训练,最后,利用训练好的随机森林算法进行电缆早期故障辨识。
本发明是采取以下技术方案实现的:
基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,包括如下步骤:
S1、利用PSCAD/EMTDC仿真软件搭建10kV的配电网电缆模型(进行仿真测试);
S2、利用电缆的电弧模块来模拟电缆早期故障,获取早期故障数据集;
S3、分别搭建负荷投切模块、电动机启动模块以及电容器投切模块三种扰动模块,对数据集进行扩充;
S4、采用小波变换对已有数据进行分解,空间重构;
S5、对已有数据集中的数据进行时频域和能量域特征的提取;
S6、设置标签,构建数据集用来训练算法分类器;
S7、将训练好的随机森林算法应用到电缆早期故障辨识中,进行故障和扰动辨识。
优选的,步骤S1搭建模型是基于IEEE 13节点系统,结合中低压10kV及以下电网的特征。
电缆早期故障特征为非线性和时变性,研究发现可以用具有相同特征的电弧模块来模拟电缆的早期故障。基于此理论,在仿真软件PSCAD中电缆的早期故障是利用电弧模块Breaker Arc模拟的。在这个电弧模块中有三种典型的电弧模型,分别为Mayr、Schavemaker和Cassic电弧模型。步骤S2选择Mayr电弧模型,通过参数设置来进行针对模型的设置;在电弧模型中需要设置的参数主要是时间常数和耗散功率,通过对这两个参数的设置以期望获得在实际的应用中最具可能性的电缆早期故障波形。
优选的,步骤S3中所述的负荷投切模块、电动机启动模块以及电容器投切模块,是三种常见的电网扰动,主要是由于这三种扰动发生时容易与早期故障的情况产生混淆,为了避免系统的误操作,通过仿真获得三种扰动的电压电流数据,为后续特征提取做准备。
优选的,步骤S4数据分解和空间重构的具体过程包括:
S4-1、选取小波变换信号分解的方式;
小波变换可以分为小波包变换、离散小波变换以及连续小波变换,在实际的应用中,一般是不采用连续小波变换的,主要是由于连续的变换会导致计算量变得巨大,增加工作量;相较之下,步骤S4采用离散小波变换。
S4-2、利用离散小波变换将多尺度数据分解为时变的不平稳的信号;
S4-3、通过离散小波变换把信号分解成一连串的近似系数和细节系数;
S4-4、从分解出的系数中选择合适的系数;
S4-5、利用合适的系数进行小波逆变换即空间重构;
优选的,步骤S5中利用小波变换对已有数据集中的数据进行时频域和能量域特征的提取,具体包括如下步骤:
S5-1、确定故障的时频域特征,时域特征是时域序列下可以表示数据的特征;
S5-2、确定故障的能量域特征,所述能量域特征为熵和能量熵;
S5-3、利用小波变换对采样信号进行分解,将各个频段的信号重构;
S5-4、截取2000个采样点,设定数据的频率为10000Hz;
S5-5、根据奈奎斯特采样定理的最高频率是5kHz,利用小波变换将数据分为6层;
S5-6、将利用小波变换后的各个频段的信号进行重构,识别重构以后提取的时域、熵及能量熵特征;
上述步骤S5-1至步骤S5-2为确定故障的特征过程,步骤S5-3至步骤S5-6为特征提取识别过程。
优选的,步骤S6中需要对数据集进行标签设置,构建好数据集用来训练算法分类器,具体步骤如下:
S6-1、将早期故障和三种扰动的数据合并成为整个数据集;
S6-2、对相应的数据分别标明早期故障、电动机启动、电容器投切以及负荷投切这四个标签,方便后续查看算法的预测精确度;
S6-3、若想要构建一个树,首先就要确定树的根节点、内部节点和叶子节点;
S6-4、为决策树剪枝,即剪去决策树中多余的节点;
S6-5、划分标准决定节点的分裂方式,随机森林的好坏评价标准为泛化误差和边缘函数;
S6-6、随机选取随机特征变量,且要保证每个随机特征变量的大小一致,如此一来便可以阻止过拟合现象的发生。
S6-7、形成随机森林,只需要重复节点分裂和随机特征变量的随机选取,即重复步骤S6-5~S6-6,当构建的决策树数量达到要求时组合起来,对构建好的决策树结果按照规则进行投票,得票最多的结果就是随机森林分类的最终结果;
上述步骤S6-1至步骤S6-2为标签设置过程,步骤S6-3至步骤S6-7为分类器训练过程。
优选的,步骤S7采用小波变换进行故障信号的分解和重构,得到最终的特征向量,将得到的特征向量输入到训练好的随机森林分类器中,最后输出随机森林分类器的分辨结果。
与现有方法相比,本发明产生的有益效果是:
(1)本发明提出了基于随机森林算法解决目前复杂且呈现非线性特征的电网数据,为传统的电网故障辨识方法已不适用于当前电网数据结构提供了一种新思路。
(2)本发明在使用随机森林算法之前,采用小波变换对电网数据进行特征提取,解决了直接从研究对象中提取的高维度的特征很难被分类器识别的问题。
(3)本发明将小波变换和随机森林算法相结合,进一步提升智能算法的辨识精度。
附图说明
图1是本发明实施例的基于小波变换和随机森林算法的10kV电缆的早期故障辨识方法流程图;
图2是本发明电缆绝缘老化发展时期划分图;
图3是本发明采用的利用PSCAD/EMTDC建立的相关模块仿真拓扑图;
图4是本发明采用的电缆模型示意图;
图5是本发明实施例的负荷投切模块示意图;
图6是本发明实施例的电动机模块示意图;
图7是本发明实施例的电容器投切模块示意图;
图8是本发明采用的离散小波变换分解框图;
图9是本发明采用的随机森林算法的训练集划分示意图;其中有条纹区域代表的是每棵决策树的决策点经过分裂后所选择的方向,无条纹区域代表的就是决策点经过分裂后未选择的方向。
具体实施方式
为了使本领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚的描述,所述的实施例仅是本发明一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明的保护范围。
如图1所示,本发明实施例的一种基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,包括以下步骤:
S1、利用PSCAD/EMTDC仿真软件搭建10kV的配电网电缆模型用来进行仿真测试;
具体实施例中,步骤S1中参照文献中配电网的模型,结合中低压10kV及以下电网的特征,基于IEEE 13节点系统,采用仿真软件PSCAD进行模型的修改搭建以及仿真,并且将相对应的模块在仿真模型中进行了封装操作,从而令仿真模型简洁化。模块仿真拓扑图如图3所示。
其次,要确定仿真模型中电缆模型,确定电缆的几何参数。电缆模型如图4所示,电缆中的几何参数设置如表1所示。
表1电缆的几何参数
S2、利用电缆的电弧模块来模拟电缆早期故障,获取早期故障数据集;
具体实施例中,步骤S2中利用电缆的电弧模块来模拟电缆早期故障,获取早期故障数据集。易知电缆早期故障特征为非线性和时变性,研究发现可以用具有相同特征的电弧模块来模拟电缆的早期故障。基于此理论,在仿真软件PSCAD中电缆的早期故障是利用电弧模块Breaker Arc模拟的。
在这个电弧模块中有三种典型的电弧模型,分别为Mayr、Schavemaker和Cassic电弧模型。本文主要选择Mayr电弧模型,针对模型的设置主要是通过参数设置实现的。在电弧模型中需要设置的参数主要是时间常数和耗散功率,通过对这两个参数的设置以期望获得在实际的应用中最具可能性的电缆早期故障波形。
S3、分别搭建负荷投切模块、电动机启动模块以及电容器投切模块等三种扰动模块,对数据集进行扩充;
负荷投切主要是指用户设备的投入和退出,伴随着城市化进程的加快,以及分布式电网不断加入到电网中,用户对于用电的需求量也与日俱增。人口的增长也意味着电网下的用户急剧增加,即负荷增加,当负荷增加到一定的程度,就会超出了电网的稳态值。大量负荷投切的瞬间必然会引起电网的波动,避免这种由负荷引起的波动与电缆的早期故障所引起的波动相混淆的,所以本文在PSCAD中建立了相关的负荷模型,用来模拟大量负荷投切的瞬间状态。
在所有的用电设备中,电动机是最常见的一种电力设备。随着用电设备的激增,电动机在电网中的用量也在增加,所以当电动机启动时,会造成电路电流在短时间内急剧增加,会出现过电流现象,电流的最大值可以达到5到6倍的额定电流值。
电容器在投入电网时电压是不存在的,只是在投入的那一刻电容器的电压会瞬时增大,由此会令电路的电流在投入那一刻的波动变大。电容器的投切属于电网中过电流扰动。在我国的配电网中,一般选择使用星型不接地的方式将电容器连接起来。
具体实施例中,步骤S3中在PSCAD中分别搭建负荷投切模块、电动机启动模块以及电容器投切模块等三种扰动模块,对数据集进行扩充,如图5~7所示。
S4、采用小波变换对已有数据进行分解,空间重构;
具体实施例中,步骤S4中采用小波变换对已有数据进行分解,空间重构,包括步骤:
1)信号分解
S4-1、选取小波变换信号分解的方式;
小波变换可以分为小波包变换、离散小波变换以及连续小波变换,在实际的应用中,一般是不采用连续小波变换的,主要是由于连续的变换会导致计算量变得巨大,增加工作量。相较之下,本发明中采用离散小波变换。
S4-2、利用离散小波变换将多尺度数据分解为时变的不平稳的信号;
S4-3、通过离散小波变换把信号分解成一连串的近似系数和细节系数;
2)信号重构
S4-4、从分解出的系数中选择合适的系数;
S4-5、利用合适的系数进行小波逆变换即空间重构;
小波变换过程如图8所示。
S5、对已有数据集中的数据进行时频域和能量域特征的提取;
具体实施例中,步骤S5中利用小波变换对已有数据集中的数据进行时频域和能量域特征的提取。具体步骤如下:
1)确定故障的特征
S5-1、确定故障的时频域特征;
时域特征是时域序列下可以表示数据的特征。时域特征主要根据是否有量纲来分类的。本发明中主要使用的是有量纲特征:平均值和标准差和无量纲特征:峭度和峰值因子。
其中时频域特征包括:
平均值是用来描述数据信号的平稳信号,表示信号均值的,计算公式如下:
N和n表示同一变量,均表示的是采样点的个数,xi表示的是采样点。
标准差是用来衡量数据分散程度的,一般在金融等领域运用的比较宽泛。标准差又称算术平方根,标准差用来表示与平均值的接近程度,标准差大表示样本与平均值差距比较大,相反,标准差小则与平均值差距小。标准差计算公式如下:
N和n表示同一变量,均表示的是采样点的个数,取值均为2000。
峭度显示的是一组数据分布特征的统计量。当峭度等于3时,数据就会呈现标准正态分布。峭度的计算公式如下:
n表示的是采样点的个数,取值均为2000。
峰值因子是用来衡量信号波形当中峰值的相对大小,即信号波形的幅值和均方根值的比值。可以使用峰值因子来检测信号冲击是否存在。峰值因子的计算公式如下:
xpeak表示峰值,xrms为均方根值。
S5-2、确定故障的能量域特征,主要为熵和能量熵;
能量域特征为:
熵是用来描述随机变量的不确定性以及衡量能量退化的物质状态参数之一,熵是用来描述系统内部的混乱程度,在一个系统中,熵值的大小与系统的混乱程度呈现正相关,即熵值越大,系统越混乱。
能量熵通常与信号分解算法结合使用,比如VMD、EMD及小波变换等。本发明中是将能量熵与小波变换相结合使用的,这种结合使用可以把各种分解方法的特点融合起来,比如结合小波变换,可以把信号的时域和频域信息结合起来,
2)特征提取识别
S5-3、利用小波变换对采样信号进行分解,将各个频段的信号重构;
S5-4、截取2000个采样点,设定数据的频率为10000Hz;
S5-5、根据奈奎斯特采样定理的最高频率是5kHz,利用小波变换将数据分为6层;
S5-6、将利用小波变换后的各个频段的信号进行重构,然后识别重构以后提取的时域、熵及能量熵特征。
S6、设置标签,构建数据集用来训练算法分类器;
具体实施例中,步骤S6中需要对数据集进行标签设置,构建好数据集用来训练算法分类器,具体步骤如下:
1)标签设置
S6-1、将早期故障和三种扰动的数据合并成为整个数据集,
S6-2、对相应的数据分别标明早期故障、电动机启动、电容器投切以及负荷投切这四个标签,方便后续查看算法的预测精确度。
2)分类器训练
S6-3、若想要构建一个树,首先就要确定树的根节点、内部节点和叶子节点;
S6-4、为决策树剪枝,即剪去决策树中多余的节点;
S6-5、划分标准决定节点的分裂方式,随机森林的好坏评价标准为泛化误差和边缘函数;
泛化误差的定义为:
PE*=PX,Y(mg(X,Y)<0)
PX,Y为概率值,泛化误差与决策树的个数无关,和决策树的占比及相关度有关。因此,决策树的数量并不会影响决策结果。
边缘函数的定义为:
I(.)表示特征函数,j为错误的分类类别,avk(.)为去括号中的均值。
随机森林的边缘函数的定义为:
P(hk(X)=Y)表示正确算法结果的可能性;
S6-6、随机选取随机特征变量,且要保证每个随机特征变量的大小一致,如此一来便可以阻止过拟合现象的发生。
S6-7、形成随机森林,只需要不断重复节点分裂和随机特征变量的随机选取,即不断重复S6-5~S6-6,当构建的决策树数量达到要求时组合起来,对构建好的决策树结果按照规则进行投票,得票最多的结果就是随机森林分类的最终结果。
随机森林算法的训练集测试集划分示意图如图9所示。
S7、将训练好的随机森林算法应用到电缆早期故障辨识中,进行故障和扰动辨识;
具体实施例中,步骤S7中将训练好的随机森林算法应用到电缆早期故障辨识中,进行故障和扰动辨识。采用小波变换进行故障信号的分解和重构,得到最终的特征向量,将得到的特征向量输入到训练好的随机森林分类器中,最后输出随机森林分类器的分辨结果。
相关步骤执行下来,现场运维人员可以最终判断是发生了早期故障还是电网扰动,以采取对应针对措施。
在本发明实施例中,基于随机森林算法建立的诊断模型的结果图如图9所示,从结果图中,可以看出随机森林算法对早期故障和电容器投切扰动没有误判,但是将部分电动机启动扰动预测为负荷投切,将部分负荷投切预测为电动机启动,总体来看,没有出现故障和扰动混淆的情况,随机森林算法的辨识效果良好。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必针对相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,其特征在于,包括以下步骤:
S1、利用PSCAD/EMTDC仿真软件搭建10kV的配电网电缆模型进行仿真测试;
S2、利用电缆的电弧模块来模拟电缆早期故障,获取早期故障数据集;
S3、分别搭建负荷投切模块、电动机启动模块以及电容器投切模块三种扰动模块,对数据集进行扩充;
S4、采用小波变换对已有数据进行分解,空间重构;
S5、对已有数据集中的数据进行时频域和能量域特征的提取;
S6、设置标签,构建数据集用来训练算法分类器;
S7、将训练好的随机森林算法应用到电缆早期故障辨识中,进行故障和扰动辨识。
2.根据权利要求1所述的基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,其特征在于,所述步骤S1是基于IEEE 13节点系统,结合中低压10kV及以下电网的特征。
3.根据权利要求1所述的基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,其特征在于,所述步骤S2选择Mayr电弧模型,通过参数设置来进行针对模型的设置;在电弧模型中需要设置的参数是时间常数和耗散功率,通过对这两个参数的设置以期望获得在实际的应用中最具可能性的电缆早期故障波形。
4.根据权利要求1所述的基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,其特征在于,所述步骤S3中所述的负荷投切模块、电动机启动模块以及电容器投切模块,是三种常见的电网扰动,主要是由于这三种扰动发生时容易与早期故障的情况产生混淆,为了避免系统的误操作,通过仿真获得三种扰动的电压电流数据,为后续特征提取做准备。
5.根据权利要求1所述的基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,其特征在于,步骤S4数据分解和空间重构的具体过程包括:
S4-1、选取小波变换信号分解的方式;
步骤S4采用离散小波变换;
S4-2、利用离散小波变换将多尺度数据分解为时变的不平稳的信号;
S4-3、通过离散小波变换把信号分解成一连串的近似系数和细节系数;
S4-4、从分解出的系数中选择合适的系数;
S4-5、利用合适的系数进行小波逆变换即空间重构。
6.根据权利要求1所述的基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,其特征在于,所述步骤S5中利用小波变换对已有数据集中的数据进行时频域和能量域特征的提取,具体包括如下步骤:
S5-1、确定故障的时频域特征,时域特征是时域序列下可以表示数据的特征;
S5-2、确定故障的能量域特征,所述能量域特征为熵和能量熵;
S5-3、利用小波变换对采样信号进行分解,将各个频段的信号重构;
S5-4、截取2000个采样点,设定数据的频率为10000Hz;
S5-5、根据奈奎斯特采样定理的最高频率是5kHz,利用小波变换将数据分为6层;
S5-6、将利用小波变换后的各个频段的信号进行重构,识别重构以后提取的时域、熵及能量熵特征;
上述步骤S5-1至步骤S5-2为确定故障的特征过程,步骤S5-3至步骤S5-6为特征提取识别过程。
7.根据权利要求1所述的基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,其特征在于,所述步骤S6中需要对数据集进行标签设置,构建好数据集用来训练算法分类器,具体步骤如下:
S6-1、将早期故障和三种扰动的数据合并成为整个数据集;
S6-2、对相应的数据分别标明早期故障、电动机启动、电容器投切以及负荷投切这四个标签,方便后续查看算法的预测精确度;
S6-3、若想要构建一个树,首先就要确定树的根节点、内部节点和叶子节点;
S6-4、为决策树剪枝,即剪去决策树中多余的节点;
S6-5、划分标准决定节点的分裂方式,随机森林的好坏评价标准为泛化误差和边缘函数;
S6-6、随机选取随机特征变量,且要保证每个随机特征变量的大小一致,如此一来便可以阻止过拟合现象的发生。
S6-7、形成随机森林,只需要重复节点分裂和随机特征变量的随机选取,即重复步骤S6-5~S6-6,当构建的决策树数量达到要求时组合起来,对构建好的决策树结果按照规则进行投票,得票最多的结果就是随机森林分类的最终结果;
上述步骤S6-1至步骤S6-2为标签设置过程,步骤S6-3至步骤S6-7为分类器训练过程。
8.根据权利要求1所述的基于小波变换与随机森林算法的10kV电缆早期故障辨识方法,其特征在于,所述步骤S7采用小波变换进行故障信号的分解和重构,得到最终的特征向量,将得到的特征向量输入到训练好的随机森林分类器中,最后输出随机森林分类器的分辨结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211532986.8A CN116031828A (zh) | 2022-12-01 | 2022-12-01 | 基于小波变换与随机森林算法的10kV电缆早期故障辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211532986.8A CN116031828A (zh) | 2022-12-01 | 2022-12-01 | 基于小波变换与随机森林算法的10kV电缆早期故障辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116031828A true CN116031828A (zh) | 2023-04-28 |
Family
ID=86076689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211532986.8A Pending CN116031828A (zh) | 2022-12-01 | 2022-12-01 | 基于小波变换与随机森林算法的10kV电缆早期故障辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116031828A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116864190A (zh) * | 2023-07-31 | 2023-10-10 | 江苏恒辉电气有限公司 | 一种阻燃耐火抗干扰耐辐射控制电缆及检测方法 |
-
2022
- 2022-12-01 CN CN202211532986.8A patent/CN116031828A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116864190A (zh) * | 2023-07-31 | 2023-10-10 | 江苏恒辉电气有限公司 | 一种阻燃耐火抗干扰耐辐射控制电缆及检测方法 |
CN116864190B (zh) * | 2023-07-31 | 2024-01-30 | 江苏恒辉电气有限公司 | 一种阻燃耐火抗干扰耐辐射控制电缆及检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiong et al. | Incipient fault identification in power distribution systems via human-level concept learning | |
Salim et al. | Hybrid fault diagnosis scheme implementation for power distribution systems automation | |
CN110441654B (zh) | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 | |
CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
Ekici et al. | A transmission line fault locator based on Elman recurrent networks | |
CN108120903A (zh) | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 | |
Haq et al. | Improved performance of detection and classification of 3-phase transmission line faults based on discrete wavelet transform and double-channel extreme learning machine | |
CN111553495A (zh) | 一种基于概率神经网络的小型断路器故障分析方法 | |
CN112462193B (zh) | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 | |
CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
CN112200694A (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
CN116031828A (zh) | 基于小波变换与随机森林算法的10kV电缆早期故障辨识方法 | |
CN111999591B (zh) | 一种配电网一次设备异常状态的识别方法 | |
CN114742295A (zh) | 一种基于小波变换技术的设备用电故障预测方法 | |
CN114355100A (zh) | 配电网单相弧光接地故障选线方法、系统、设备及介质 | |
Li et al. | Incipient fault identification in power distribution systems based on siamese temporal graph | |
Jose et al. | Smart grid data compression of power quality events using wavelet transform | |
CN116338402A (zh) | 电弧故障的检测方法和装置、存储介质及电子设备 | |
CN114157552B (zh) | 一种基于孪生时序图网络的配网故障检测方法 | |
CN115128402A (zh) | 一种基于数据驱动的配电网故障类型识别方法及系统 | |
CN115980515A (zh) | 一种单相接地故障定位方法 | |
CN115659133A (zh) | 一种风电变流器故障诊断方法 | |
Sima et al. | A framework for automatically cleansing overvoltage data measured from transmission and distribution systems | |
Harish et al. | A comparative evaluation of Stacked Auto-Encoder neural network and Multi-Layer Extreme Learning Machine for detection and classification of faults in transmission lines using WAMS data | |
CN109031020B (zh) | 一种基于逻辑斯蒂回归的变压器涌流识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |