基于机器学习的电力系统故障分类预测模型

电力系统是发电、输电、配电和利用系统的组合。简而言之,电力系统是任何电气系统的心脏。在电力系统中,故障或故障电流是任何异常电流。由于此类故障,整个系统可能会损坏并最终崩溃。这项工作的目的是将故障自动分类为 11 个故障类别之一,其中包括平衡故障和不平衡故障。架空输电线路产生故障的数据集是合成的,由100公里的11个不同的故障组成。仿真是使用 MATLAB/Simulink 软件模型完成的。故障分类任务是使用 Python 和 scikit-learn 中的监督机器学习算法实现的。SVM 表现出色,为生成的数据集提供了 91.6% 的测试准确率。因此,预测模型将使系统在提供可靠电源方面更加智能。

基于机器学习的电力系统故障分类预测模型_第1张图片

基于simulink的故障生成模型

故障类型如下:包含单相接地短路、两相短路、两相短路接地、三相短路、三相短路接地。
 A相 接地 (AG)
 B 相接地 (BG)
 C 相接地 (CG)
 A和B相(AB)
 B 和 C相 (BC)
 A和C相(AC)
  A、B 相和接地 (ABG)
 B、C相 和接地 (BCG)
  A、C 相和接地 (ACG)

A、B、C 线(ABC)
线路A、B、C 和接地(ABCG)。

基于机器学习的电力系统故障分类预测模型_第2张图片

故障数据展示(三相故障电压、电流为特征量)

故障预测流程:

1)特征选择

2)类标签编码

3)使用三种常用算法 KNN、SVM 和决策树来实现分类。

分类结果如下:

SN

Algorithm

Accuracy (%)

1

Decision Tree

84.2

2

kNN

86.15

3

SVM

91.06

数据集及代码下载链接:基于机器学习的电力系统故障分类预测模型.zip-机器学习文档类资源-CSDN下载故障数据由simulink仿真得出,包含acb三相接地等11种故障,故障分类的任务是使用Pytho更多下载资源、学习资料请访问CSDN下载频道.https://download.csdn.net/download/ncusz/72760886

 

你可能感兴趣的:(机器学习,人工智能)