文献类型：期刊文章

作　　者：李占英[1] 马福兰[2] 马伟兵[3]

LI Zhanying;MA Fulan;MA Weibing(State Grid Qinghai Electric Power company huanghua Electric Power company,Jianzha 811200 Qinghai,China;State Grid Qinghai Electric Power company haibei Electric Power company,Haiyan 812200 Qinghai,China;State Grid Qinghai Electric Power company hainan Electric Power company,Gonghe 813000 Qinghai,China)

机构地区：[1]国网青海省电力公司黄化供电公司,青海尖扎811200 [2]国网青海省电力公司海北供电公司,青海海晏812200 [3]国网青海省电力公司海南供电公司,青海共和813000

出　　处：《电力大数据》

年　　份：2019

卷　　号：22

期　　号：5

起止页码：49-55

语　　种：中文

收录情况：普通刊

摘　　要：随着智能电网建设的发展,传统的基于检测技术的配电低电压原因诊断已变成基于数据挖掘的电力大数据分类技术,而着眼于低电压故障原因的数据分类研究在国内尚处于起步阶段,为此该文提出一种采用改进聚类算法和支持向量机分类算法的配电网低电压诊断模型。该模型首先采用Canopy-Kmeans的聚类算法基于配电网历史运行数据进行低电压原因的聚类分析并得出可能存在的低电压原因,然后采用经粒子群算法对支持向量机数据分类算法进行参数优化,最后使用结果参数优化的支持向量机算法对智能电表所采集的配电网实时运行数据进行低电压原因分类并最终输出低压故障原因的诊断结果。实验表明,采样基于粒子群优化的支持向量机诊断模型能够实现90%的低电压原因诊断准确度。

关 键 词：低电压 Canopy-Kmeans  粒子群优化(PSO)  支持向量机(SVM)  

分 类 号：TM744]