Сочинение на тему Составной алгоритм машинного обучения для классификации неисправностей в линиях HVDC

Влияние емкостного тока и проблемные требования к каналу связи были смягчены в [6], [7]. Переходная мощность и другие комбинации измерений напряжения и тока с двух сторон изучались в [8] – [10]. Наличие сглаживающих реакторов и боковых фильтров постоянного тока на обоих концах линии CSC-HVDC позволяет реализовать некоторые селективные неединичные методы защиты [11], такие как Использование характеристики полного сопротивления сглаживающих реакторов и боковых фильтров постоянного тока в неисправных условиях. что было выполнено в [2], [12], [13]. Защита от бегущих волн (TWP), которая используется в качестве первичной защиты [14], может использовать некоторые методы, такие как Принципиальный компонентный анализ (PCA), Вейвлет-преобразование (WT) и т. Д. [15] – [17], но затухание и следует учитывать искажение бегущей волны, вызванное сопротивлением и расположением повреждения. Хотя некоторые системы защиты были предложены для систем VSC-HVDC, они также могут применяться к линиям передачи CSC-HVDC. (Также могут быть упомянуты методы, основанные на производных тока и напряжения, которые в случае, если ссылки во вводной части достигают уровня выше 23). Следует отметить, что почти все упомянутые исследования использовали концепцию порога в качестве критерия, который обычно получается не аналитическим (на основе наихудшего случая). Обычно существует компромисс между безопасностью и надежностью в системах защиты, что вызывает неточность в методах, основанных на пороговых значениях. 21 марта 2005 года первичная защита системы HVDC Тянь-Гаунга не смогла обнаружить отказ с высоким сопротивлением, поскольку амплитуда не достигла своего порогового значения [18], а резервная защита отказалась действовать из-за колебаний тока. Чтобы преодолеть упомянутую проблему, мы представляем составной алгоритм машинного обучения, основанный на односторонних измерениях, который исключает использование порога защиты. Предлагаемое решение содержит два различных метода наклона машины: двоичная машина опорных векторов (SVM) в качестве стартовой единицы и классификатор K-Nearest Neighborhood (KNN) для классификации неисправностей. В разделе Ⅱ представлена ​​основа используемых классификаторов. Раздел Ⅲ содержит характеристики неисправностей на биполярной тестовой модели HSC постоянного тока CSC, а также выбранные функции системы в качестве входов классификатора, также изучаются в этом разделе. В разделе the предложенный алгоритм применяется к тестовой модели, выполняется симуляция, а также результаты и проверочные тесты. Наконец, раздел dedicated посвящен заключению.