[发明专利]一种基于智能变电站网络故障分类的方法

说明书

本发明公开了一种基于智能变电站网络故障分类的方法，该分类方法包括一种混合优化算法，该算法由3部分组成，ANP抗噪处理，改进的分类间隔法，以及遗传粒子群算法。ANP清除了数据集的临界点以及噪音。ISIM使用了support vector machine(SVM)框架来优化SVM核函数。最后，我们提出了改进的GA‑PSO算法，该算法结合了GA遗传算法和PSO粒子群算法的优点来优化惩罚参数。实验结果显示我们提出的混合优化算法提高了智能变电站网络故障分类的精度，和已有的方法比，表现出更强的性能。

技术领域

本发明属于电力自动化技术领域，具体涉及一种基于智能变电站网络故障分类的方法。

背景技术

随着智能变电站覆盖力度的加大，保护智能变电站免受侵袭和故障的困扰，达到安全供电无障碍是需要采取的硬性措施。在努力加强智能变电站的保护措施的时候，我们首先要关注的就是其网络安全问题，智能变电站网络故障诊断是在其整体安全防护的重要一环。如果智能变电站出现了网络故障之后，电力系统中的数据采集设备就会以最快的速率把采集到的大量的数据上传到调度端，来供工作人员进行研究处理。然而，这些上传的故障信息很多都有着错综关联的联系，会使得很难检测出故障类型。所以，我们要使用最合适的故障分类算法来将收集到的各类故障数据进行更加精准的分类，来判别出其所属的故障类型，从而达到一个很好的故障诊断效果，保障智能变电站的安全运行。

根据智能变电站所存在的网络安全问题，国内外许多专家学者做出过大量精细的研究。就如何更加高效地对智能变电站网络故障诊断，专家学者们提出了很多分类算法，有些现有技术将人工神经网络与故障诊断结合在一起，充分利用它的态势感知能力和自主学习能力，对智能变电站的网络故障进行高效和精准分类，但是在噪声数据较多时，性能受到限制。有些现有技术提出的贝叶斯理论在故障原因与表现形式之间寻找一定的对应关系，然后再在这些故障的表现形式上进行多次的练习和学习，最终找到相应的故障原因，从而得到很好的结果。但是该算法要求样本的特征属性的独立性比较高即关联度很低，而现实中常常不能满足这种要求，一旦属性的关联度提升后，其分类的准确度大大降低。还有些现有技术提到了将贝叶斯算法和人工神经网络结合起来，但都有一定的局限性和不足。