电力科学与技术学报2023，Vol.38Issue(5) ：159-168.DOI:10.19781/j.issn.1673-9140.2023.05.016

基于IIST与SVM的串联故障电弧诊断方法研究

Research on arc diagnosis method of series faults based on IIST and SVM

江永鑫 陈丽安
电力科学与技术学报2023，Vol.38Issue(5) ：159-168.DOI:10.19781/j.issn.1673-9140.2023.05.016
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于IIST与SVM的串联故障电弧诊断方法研究

Research on arc diagnosis method of series faults based on IIST and SVM

江永鑫 1陈丽安2
扫码查看

作者信息

  • 1. 厦门理工学院电气工程与自动化学院,福建厦门 361024
  • 2. 厦门理工学院电气工程与自动化学院,福建厦门 361024;厦门市高端电力装备及智能控制重点实验室, 福建厦门 361024
  • 折叠

摘要

针对S变换的时频分辨能力不足导致串联故障电弧特征难以准确提取的弊端,以中心频率测度为标准筛选低频和高频段的主要频率点,分别引入低频和高频段对应的高斯窗口系数,形成一种改进的不完全S变换(im-provement incomplete S-transform,IIST)时频分析方法.首先,依据标准搭建串联电弧故障试验采集平台,采集不同负载情况下的电流信号;其次,采用IIST对信号进行时频分析并提取低频和高频段的对应特征量,形成特征向量样本集;最后,在此基础上构建故障电弧诊断模型,对样本集进行分类识别.结果表明,该特征提取方法在支持向量机(support vector machine,SVM)中识别准确率达到98.29％,能有效地提取电流故障特征,通过增设对照实验,探究不同特征提取方法、不同核函数的SVM对诊断结果的影响,进一步验证了IIST与SVM故障诊断方法是有效的.

关键词

串联故障电弧/改进的不完全S变换/时频分析/支持向量机/特征提取

Key words

series fault arc/improved incomplete S-transform/time-frequency analysis/support vector machine/feature extraction

引用本文复制引用

基金项目

福建省自然科学基金(2022J011259)

福建省自然科学基金(2023J011443)

出版年

2023
电力科学与技术学报
长沙理工大学

电力科学与技术学报

CSTPCDCSCD北大核心
影响因子：0.85
ISSN：1673-9140
被引量1
参考文献量20
段落导航相关论文