基于随机森林算法的配电线路短路故障分类*

doi:10.16628/j.cnki.2095-8188.2020.08.010

电器与能效管理技术 ›› 2020, Vol. 593 ›› Issue (8): 52-57.doi: 10.16628/j.cnki.2095-8188.2020.08.010

基于随机森林算法的配电线路短路故障分类^*

刘树鑫¹, 卓裕¹, 李津², 田二胜², 刘洋², 冯毅³

1.沈阳工业大学电气工程学院,辽宁沈阳 110870
2.国家电网许继集团有限公司,河南许昌 461000
3.国网邢台供电公司,河北邢台 054001

收稿日期:2020-05-20 出版日期:2020-08-30 发布日期:2020-09-10
作者简介:刘树鑫(1982—),男,副教授,博士,研究方向为电器新技术应用。|卓裕(1994—),男,硕士研究生,研究方面为配电网故障诊断。|李津(1975—),男,高级工程师,主要从事电力营销工作。
基金资助:
* 国家自然科学基金(51977132);国网河北省电力有限公司科技项目(5204XQ190003)

Classification of Short Circuit Faults in Distribution Lines Based on Random Forest Algorithm

LIU Shuxin¹, ZHUO Yu¹, LI Jin², TIAN Ersheng², LIU Yang², FENG Yi³

1. School of Electrical Engineering,Shenyang University of Technology,Shenyang 110870,China
2. State Grid XJ Group Corporation,Xuchang 461000,China
3. State Grid Xingtai Power Supply Company,Xingtai 054001,China

Received:2020-05-20 Online:2020-08-30 Published:2020-09-10

摘要/Abstract

摘要：

为实现对配电线路短路故障后的故障类型进行准确分类,提出一种结合随机森林算法分类器的故障分类方法。针对谐振接地系统下故障电流的特点,提出通过集成经验模态分解(EEMD)提取故障线路电流的暂态高频分量,建立用于区分不同故障类型的7个故障特征量。在PSCAD/EMTDC中建立仿真模型,通过改变过渡电阻、故障初始角、故障线路获得大量样本,对随机森林分类器进行训练和测试。测试结果表明所提方法具有高分类准确率。

关键词: 配电线路, 短路故障, 故障分类, 高频分量, 集成经验模态分解

Abstract:

In order to accurately classify the fault types after short-circuit faults on distribution lines,this paper proposed a fault classification method combined with a random forest algorithm classifier.According to the characteristics of the fault current in the resonant grounding system,an integrated empirical mode decomposition (EEMD) is used to extract the transient high-frequency components of the fault line current,and seven fault characteristic quantities are established to distinguish different fault types.A simulation model was established in PSCAD/EMTDC,and a large number of samples were obtained by changing the transition resistance,the initial angle of the fault,and the fault line.The random forest classifier was successively trained and tested.The test results show that the method has high classification accuracy.

Key words: distribution lines, short-circuit faults, fault classification, high-frequency components, ensemble empirical mode decomposition(EEMD)

中图分类号:

TM726

刘树鑫, 卓裕, 李津, 田二胜, 刘洋, 冯毅. 基于随机森林算法的配电线路短路故障分类^*[J]. 电器与能效管理技术, 2020, 593(8): 52-57.

LIU Shuxin, ZHUO Yu, LI Jin, TIAN Ersheng, LIU Yang, FENG Yi. Classification of Short Circuit Faults in Distribution Lines Based on Random Forest Algorithm[J]. LOW VOLTAGE APPARATUS, 2020, 593(8): 52-57.

图/表 11

图1

图2

图3

图4

图5

图6

图7

图8

表1

表2

表3

参考文献 11

[1]	刘莉, 陈学锋, 翟登辉. 智能配电网故障恢复的现状与展望[J]. 电力系统保护与控制, 2011,39(13):148-154. doi: 10.7667/j.issn.1674-3415.2011.13.027
[2]	杨东升, 王素宁, 陈建枫, 等. 基于随机矩阵的配电网单相接地故障区段定位[J]. 电器与能效管理技术, 2019(14):64-68,76.
[3]	邹京希, 秦汉, 刘东, 等. 配电自动化建设对配电网可靠性的影响分析[J]. 电器与能效管理技术, 2019(13):53-57,62.
[4]	张旭, 魏娟, 赵冬梅, 等. 电网故障诊断的研究历程及展望[J]. 电网技术, 2013,37(10):2745-2753.
[5]	张钧, 李小鹏, 何正友. 采用自适应神经模糊推理系统的配电网故障分类方法[J]. 中国电机工程学报, 2010,30(25):87-93.
[6]	孙鹏, 曹雨晨, 刘洋, 等. 采用二进制蚁群模糊神经网络的配电网故障分类方法[J]. 高电压技术, 2016,42(7):2063-2072.
[7]	刘洋, 曹云东, 侯春光. 基于经验模态分解及维格纳威尔分布的电缆双端故障定位算法[J]. 中国电机工程学报, 2015,35(16):4086-4093. doi: 10.13334/j.0258-8013.pcsee.2015.16.011
[8]	SHAHID N, ALEEM S A, NAQVI I H, et al. Support vector machine based fault detection & classification in smart grids[C]. IEEE Globecom Workshops, 2012:1526-1531.
[9]	贾建明, 李得保. 基于EEMD自适应选取IMF的机泵滚动轴承故障诊断[J]. 净水技术, 2018,37(增刊1):163-167.
[10]	许勇刚, 张建业, 龚小刚, 等. 基于改进随机森林算法的电力业务实时流量分类方法[J]. 电力系统保护与控制, 2016,44(24):82-89.
[11]	曹正凤. 随机森林算法优化研究[D]. 北京:首都经济贸易大学, 2014.

故障类型	样本数/组	正确分类数/组	准确率/%
AG	110	108	98
BG	109	108	99
CG	114	113	99
AB	106	105	99
AC	112	110	98
BC	98	98	100
ABG	108	101	94
ACG	109	107	98
BCG	104	102	98
ABC	110	105	95

分类算法	整体准确率/%
随机森林	97.9
决策树	86.8
K最邻近(KNN)	91.9
支持向量机(SVM)	89.4

基于随机森林算法的配电线路短路故障分类^*

Classification of Short Circuit Faults in Distribution Lines Based on Random Forest Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 11

相关文章 1

编辑推荐

Metrics

本文评价

故障类型	样本数/组	正确分类数/组	准确率/%
AG	110	108	98
BG	109	108	99
CG	114	113	99
AB	106	105	99
AC	112	110	98
BC	98	98	100
ABG	108	101	94
ACG	109	107	98
BCG	104	102	98
ABC	110	105	95

故障类型	样本数/组	正确分类数/组	准确率/%
AG	34	34	100
BG	35	35	100
CG	30	30	100
AB	38	38	100
AC	32	32	100
BC	46	46	100
ABG	36	35	97.2
ACG	35	35	100
BCG	40	38	95.0
ABC	34	34	100

故障类型	样本数/组	正确分类数/组	准确率/%
AG	110	108	98
BG	109	108	99
CG	114	113	99
AB	106	105	99
AC	112	110	98
BC	98	98	100
ABG	108	101	94
ACG	109	107	98
BCG	104	102	98
ABC	110	105	95

故障类型	样本数/组	正确分类数/组	准确率/%
AG	110	108	98
BG	109	108	99
CG	114	113	99
AB	106	105	99
AC	112	110	98
BC	98	98	100
ABG	108	101	94
ACG	109	107	98
BCG	104	102	98
ABC	110	105	95