基于HHO-SVM的电力线路故障检测分类系统

doi:10.3969/j.issn.2097-0706.2023.03.001

综合智慧能源 ›› 2023, Vol. 45 ›› Issue (3): 1-8.doi: 10.3969/j.issn.2097-0706.2023.03.001

• 优化运行与控制 • 下一篇

基于HHO-SVM的电力线路故障检测分类系统

魏伟¹(), 高赐威²(), 宋梦²(), 明昊²()

1.东南大学软件学院，江苏苏州 215123
2.东南大学电气学院，南京 210096

收稿日期:2022-09-26 修回日期:2022-12-12 出版日期:2023-03-25 发布日期:2023-03-30
作者简介:魏伟（1998），男，在读硕士研究生，从事电力市场、虚拟电厂、机器学习、联邦学习等方面的研究，1346535304@qq.com
高赐威（1977），男，教授，博士生导师，博士，从事电力市场、需求响应等方面的研究，ciwei.gao@seu.edu.cn
宋梦（1989），女，副研究员，博士，从事需求响应、虚拟电厂、可交易能源等方面的研究，songmengseu@163.com
明昊（1990），男，副研究员，硕士生导师，博士，从事电力市场、需求响应、大数据学习等方面的研究，haoming@seu.edu.cn。
基金资助:
国家自然科学基金项目(52207081)

Power line fault detection and classification system based on HHO-SVM

WEI Wei¹(), GAO Ciwei²(), SONG Meng²(), MING Hao²()

1. School of Software Engineering， Southeast University， Suzhou 215123， China
2. School of Electrical Engineering， Southeast University， Nanjing 210096， China

Received:2022-09-26 Revised:2022-12-12 Online:2023-03-25 Published:2023-03-30
Supported by:
National Natural Science Foundation of China(52207081)

摘要/Abstract

摘要：

为实现电力线路故障的准确检测分类，设计并实现了基于人工智能的电力故障检测分类系统，核心模块以经典机器学习算法支持向量机（SVM）为基础模型，为提高模型的准确率，结合哈里斯鹰优化（HHO）算法进行参数寻优。试验结果表明，得到最优参数的SVM在2个公开数据集上均获得了高准确率。该系统不仅实现了电力线路故障检测分类的高精确度，还可实现电力线路故障数据集数据上传、分析和处理等功能，处理流程可视且简洁。

关键词: 电力线路, 故障, 检测分类, 人工智能, 支持向量机, 哈里斯鹰优化算法

Abstract:

In order to accurately detect power line faults and make proper classification， a power fault detection and classification system based on artificial intelligence is designed and implemented. Its core module works based on the support vector machine（SVM），a classical machine learning algorithm. To improve the accuracy of the model， its parameters are optimized by Harris hawks optimization（HHO）. And the experimental results show that the SVM with the optimal parameters offers high accuracy for two open data sets. The system not only realizes the accurate power line fault detection and fault classification， but also streamlines and visualizes the upload， analysis and processing functions for fault data sets.

Key words: power line, fault, detection and classification, AI, support vector machine, Harris hawks optimization

中图分类号:

TM721

魏伟, 高赐威, 宋梦, 明昊. 基于HHO-SVM的电力线路故障检测分类系统[J]. 综合智慧能源, 2023, 45(3): 1-8.

WEI Wei, GAO Ciwei, SONG Meng, MING Hao. Power line fault detection and classification system based on HHO-SVM[J]. Integrated Intelligent Energy, 2023, 45(3): 1-8.

图/表 15

图1

图2

图3

图4

图5

图6

图7

图8

图9

表1

图10

图11

图12

图13

图14

参考文献 15

[1]	齐金定, 孙涛, 单岩, 等. 基于支持向量机算法的输电线路故障诊断研究[J]. 计算机与网络, 2019, 45(23):68-71.
	QI Jinding, SUN Tao, SHAN Yan, et al. Research on transmission line fault diagnosis based on support vector machine algorithm[J]. Computer and Network, 2019, 45(23): 68-71.
[2]	黄景林. 多源信息融合的输电线路故障辨识研究[D]. 广州: 广东工业大学, 2021.
	HUANG Jinglin. Research on transmission line fault identification based on multi-source information fusion[D]. Guangzhou: Guangdong University of Technology, 2021.
[3]	颜庆国, 杨斌, 许高杰, 等. 基于自适应粒子群算法的楼宇智能用电策略[J]. 电力需求侧管理, 2016, 18(4):1-5.
	YAN Qingguo, YANG Bin, XU Gaojie, et al. A strategy for intelligent power utilization in building based on adaptive PSO[J]. Power Demand Side Management, 2016, 18(4):1-5.
[4]	孟安波, 王鹏, 丁伟锋, 等. 基于强化学习及纵横交叉粒子群算法的电网最优潮流计算[J]. 华电技术, 2021, 43(8): 74-82.
	MENG Anbo, WANG Peng, DING Weifeng, et al. Optimal power flow calculation of power grid based on reinforcement learning and crisscross PSO algorithm particle swarm optimization[J]. Huadian Technology, 2021, 43(8):74-82.
[5]	杨首晖, 陈传彬, 王雪晶, 等. 基于小波变换和季节性Holt-Winters模型的短期负荷预测方法[J]. 电力需求侧管理, 2021, 23(5):70-75.
	YANG Shouhui, CHEN Chuanbin, WANG Xuejing, et al. A short-term load prediction method based on the wavelet transform and seasonal Holt-Winters model[J]. Power Demand Side Management, 2021, 23(5):70-75.
[6]	钱荣荣, 谭涛. 基于改进卷积深度信念网络的风电机组行星齿轮箱故障诊断方法[J]. 电力需求侧管理, 2022, 24(2):27-33.
	QIAN Rongrong, TAN Tao. Fault diagnosis method of planetary gearbox based on improved convolutional deep belief network[J]. Power Demand Side Management, 2022, 24(2):27-33.
[7]	韩晓育, 郭颍奎. 耦合LASSO回归的HHO-LSVR中长期径流预报模型[J]. 水文, 2021, 41(3):69-74.
	HAN Xiaoyu, GUO Yingkui. HHO-LSVR medium and long-term runoff forecasting model coupled with LASSO regression[J]. Hydrology, 2021, 41 (3): 69-74.
[8]	张洁铭. HHO算法在东湾流域水文预报中的应用[D]. 郑州: 华北水利水电大学, 2021.
	ZHANG Jieming. Application of HHO algorithm in hydrological prediction of Dongwan Basin[D]. Zhengzhou: North China University of Water Resources and Electric Power, 2021.
[9]	吴丁杰, 温立书. 一种基于哈里斯鹰算法改进的BP神经网络[J]. 网络安全技术与应用, 2022(1):38-40.
	WU Dingjie, WEN Lishu. An improved BP neural network based on Harris hawks algorithm[J]. Network Security Technology and Application, 2022 (1):38-40.
[10]	朱楚昱, 李川, 李英娜. 基于特征优选和HHO-SVM的变压器故障识别[J]. 电视技术, 2021, 45(2):60-66.
	ZHU Chuyu, LI Chuan, LI Yingna. Transformer fault recognition based on feature selection and HHO-SVM[J]. Television Technology, 2021, 45(2): 60-66.
[11]	吴丁杰, 温立书. 一种基于哈里斯鹰算法优化的核极限学习机[J]. 长江信息通信, 2021, 34(11):45-46.
	WU Dingjie, WEN Lishu. A kernel extreme learning machine based on Harris hawk algorithm optimization[J]. Changjiang Information Communication, 2021, 34(11): 45-46.
[12]	周绍磊, 廖剑, 史贤俊. RBF-SVM的核参数选择方法及其在故障诊断中的应用[J]. 电子测量与仪器学报, 2014, 28(3):240-246.
	ZHOU Shaolei, LIAO Jian, SHI Xianjun. Kernel parameter selection of RBF-SVM and its application in fault diagnosis[J]. Journal of Electronic Measurement and Instrumentation, 2014, 28(3):240-246.
[13]	HEIDARI A A, MIRJALILI S, FARIS H, et al. Harris hawks optimization: Algorithm and applications[J]. Future Generation Computer Systems, 2019, 97: 849-872. doi: 10.1016/j.future.2019.02.028
[14]	刘骏鹏. 哈里斯鹰算法的改进及应用研究[D]. 杭州: 浙江大学, 2021.
	LIU Junpeng. Research on improved Harris hawks optimization and its applications[D]. Hangzhou: Zhejiang University, 2021.
[15]	YANG X S. Nature-inspired metaheuristic algorithms[M]. United Kingdom: Luniver Press, 2010.

G C B A	故障类型	样本数	说明
0 0 0 0	No fault	2 365	无故障
1 0 0 1	LG fault	1 129	A相和接地之间故障
0 1 1 0	LL fault	1 004	C相和B相之间故障
1 0 1 1	LLG fault	1 134	A相、B相和接地之间故障
0 1 1 1	LLL fault	1 096	所有三相之间故障
1 1 1 1	LLLG fault	1 133	三相之间对称故障

基于HHO-SVM的电力线路故障检测分类系统

Power line fault detection and classification system based on HHO-SVM

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 15

相关文章 15

编辑推荐

Metrics

本文评价

[1]	肖宏磊, 留毅, 夏红军, 缪宇峰, 俞啸玲, 杨海琦. 基于PCA与SSA-LightGBM的油浸式变压器故障诊断方法[J]. 综合智慧能源, 2023, 45(3): 9-16.
[2]	孔振宇, 李宏仲. 考虑天气影响的电-气互联系统可靠性评估[J]. 综合智慧能源, 2023, 45(2): 30-36.
[3]	龙思成, 黄志鸿. 基于多尺度极限融合网络的电力变压器故障诊断方法研究[J]. 综合智慧能源, 2022, 44(9): 78-83.
[4]	彭占磊, 杨之乐, 杨文强, 李慷. 电化学储能参与电力系统规划运行方法综述[J]. 综合智慧能源, 2022, 44(6): 37-44.
[5]	闫新春, 曹欢, 华云鹏. 基于人工智能的锅炉受热面管壁温度预测[J]. 综合智慧能源, 2022, 44(3): 58-62.
[6]	付豪, 邹花蕾, 张腾飞. 基于长短期记忆循环神经网络的变电站监控系统智能故障推理方法[J]. 综合智慧能源, 2022, 44(12): 11-17.
[7]	侯鲁洋, 葛磊蛟, 王飚, 王宣元, 徐连明, 王莉. 面向新型产消者的综合能源系统和电力市场研究[J]. 综合智慧能源, 2022, 44(12): 40-48.
[8]	杨冬梅, 何国鑫, 朱金大, 王琦, 耿健, 王俊, 李宁. 边缘计算在综合能源系统运行控制中的应用[J]. 综合智慧能源, 2022, 44(1): 49-55.
[9]	倪江, 孙昕炜, 熊晓曼, 任昊, 杨宇玄. 综合谐波算法的小电阻接地配电网高阻比率制动保护[J]. 综合智慧能源, 2022, 44(1): 80-86.
[10]	贾志军, 白德龙, 宋燕杰, 王剑飞, 李春新. 基于KPCA算法的电厂设备在线故障诊断研究[J]. 华电技术, 2021, 43(8): 48-53.
[11]	王程, 崔维平, 高洪达, 贺鹏, 刘睿, 刘键烨, 陈光, 李心达. 区块链技术在能源数字经济中的应用研究[J]. 华电技术, 2021, 43(5): 23-29.
[12]	陈健勇, 李浩, 陈颖, 赵军. 空气源热泵空调技术应用现状及发展前景[J]. 华电技术, 2021, 43(11): 25-39.
[13]	江奕军, 王丽群, 孟浩杰, 潘黄萍. 基于物联网的环网柜机械特性监测技术研究[J]. 华电技术, 2021, 43(1): 6-11.
[14]	崔博洋, 王永林, 王云, 孙大平, 王桦. 基于长短期记忆神经网络的吸收塔pH值预测模型[J]. 华电技术, 2020, 42(9): 32-36.
[15]	鄢晶, 高天露, 张俊, 王旭 . 边云链协同技术在能源互联网数据管理中的应用及展望[J]. 华电技术, 2020, 42(8): 41-47.