[发明专利]一种基于VMD-WOA-LSSVM的输电线路短路故障诊断方法

说明书

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。

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：