《表3 故障区间识别正确率对比》
为了验证本文所提方法在微网馈线故障区间识别方面的有效性,以发生S1、S2、S3和S4 4个馈线区间的4 224条故障样本作为核极限学习机的输入,将其随机分为训练样本集(2 816条)和测试样本集(1 408条)并输入KELM进行训练和区间识别测试。采用与故障分类相同的方法确定KELM最优参数(C,γ)为(22.804,2-1.537),区间识别仿真结果如表3所示,利用包含辐照度特征在内的样本集训练出KELM故障分区方法,其识别正确率高于未采用辐照度特征样本集的情况。图14进一步展示了不同辐照度和各种故障类型对应的2种KELM区间识别正确率分布趋势。由图14可知,对于不同故障类型,采用包含辐照度特征在内的样本集训练的KELM故障分区方法其故障区间识别精度得到了进一步提升,并且更加稳定。
图表编号 | XD00145759800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.01 |
作者 | 李浩茹、丁保迪、季宇、王永刚、陈继开、张利伟 |
绘制单位 | 东北电力大学电气工程学院、中国电力科学研究院有限公司、中国电力科学研究院有限公司、东北电力大学电气工程学院、东北电力大学电气工程学院、东北电力大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |