基于小波包变换和XGBoost的高压交流输电线路故障诊断

doi:10.13438/j.cnki.jdzk.2024.04.006

吉首大学学报（自然科学版） ›› 2024, Vol. 45 ›› Issue (4): 32-40.DOI: 10.13438/j.cnki.jdzk.2024.04.006

基于小波包变换和XGBoost的高压交流输电线路故障诊断

潘敏，汪旭明，孙龙飞，雷可君，杨喜

（吉首大学通信与电子工程学院，湖南吉首 416000）

出版日期:2024-07-25 发布日期:2024-07-23
作者简介:潘敏（1997—），女，贵州黔东南人，吉首大学通信与电子工程学院硕士研究生，主要从事信号与信息处理技术研究
基金资助:
国家自然科学基金资助项目（61861019，62161012）；湖南省教育厅科学研究项目（21A0335）；湖南省环保科研项目（HBKT-2022017）；国家大学生创新创业训练项目（S202010531009，202110531029）；吉首大学校级科研创新项目（Jdy22021）

Fault Diagnosis of High-Voltage AC Transmission Lines Based on Wavelet Packet Transform and XGBoost

PAN Min,WANG Xuming,SUN Longfei,LEI Kejun,YANG Xi

(School of Communication and Electronic Engineering,Jishou University,Jishou 416000,Hunan China)

Online:2024-07-25 Published:2024-07-23

摘要/Abstract

摘要：针对高压交流输电线路短路故障情况，将三相交流电流和电压信号进行小波包变换以提取故障特征，然后将提取到的特征输入XGBoost模型中进行故障诊断.结果表明，与传统故障检测方法相比，基于小波包变换和XGBoost的故障诊断方法不受故障类型影响，对10种高压交流输电线路故障的识别准确率高达99.6%，是一种准确、可靠的高压交流输电线路故障诊断方法.

关键词： 输电线路, 故障分类, 小波包变换, XGBoost

Abstract: In view of the short-circuit fault situation of high-voltage AC transmission line,the three-phase AC voltage and current signals are transformed into wavelet packets to extract the fault features,and then the extracted features are input into the XGBoost model for fault diagnosis.The experimental results show that the fault identification accuracy of the fault diagnosis method based on wavelet packet transform and XGBoost is 99.6% for the fault of high-voltage AC transmission line under different operating conditions.Compared with other machine learning models,this method has high accuracy.

Key words: transmission lines, fault classification, wavelet packet transform, XGBoost

潘敏, 汪旭明, 孙龙飞, 雷可君, 杨喜. 基于小波包变换和XGBoost的高压交流输电线路故障诊断[J]. 吉首大学学报（自然科学版）, 2024, 45(4): 32-40.

PAN Min, WANG Xuming, SUN Longfei, LEI Kejun, YANG Xi. Fault Diagnosis of High-Voltage AC Transmission Lines Based on Wavelet Packet Transform and XGBoost[J]. Journal of Jishou University(Natural Sciences Edition), 2024, 45(4): 32-40.

参考文献

[1] 郭伟超,赵怀山,李成,等.基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法[J].兵工学报,2019,40(11):2370-2377.
[2] 潘志城,邓军,楚金伟,等.基于小波包的换流变压器振动信号特征分析方法[J].变压器,2020,57(11):21-26.
[3] 袁莉芬,孙业胜,何怡刚,等.基于小波包优选的模拟电路故障特征提取方法[J].电工技术学报,2018,33(1):158-165.
[4] MAHARI ARASH,SEYEDI HERESH.High Impedance Fault Protection in Transmission Lines Using a WPT-Based Algorithm[J].International Journal of Electrical Power & Energy Systems,2015,67:537-545.
[5] ASMAN SAIDATUL HABSAH,AZIZ NUR FADILAH AB,AMIRULDDIN UNGKU ANISA UNGKU,et al.Decision Tree Method for Fault Causes Classification Based on RMS-DWT Analysis in 275 kV Transmission Lines Network[J].Applied Sciences,2021,11(9):4031.DOI:10.3390/app11094031.
[6] 袁圃,毛剑琳,向凤红,等.改进的基于遗传优化BP神经网络的电网故障诊断[J].电力系统及其自动化学报,2017,29(1):118-122.
[7] 宁琦,耿读艳,王晨旭,等.基于多尺度排列熵PSO-SVM的输电线路故障判别[J].电子测量与仪器学报,2019,33(7):173-180.
[8] SABER AHMED,EMAM AHMED,AMER RABAH,et al.Discrete Wavelet Transform and Support Vector Machine-Based Parallel Transmission Line Faults Classification[J].IEEJ Transactions on Electrical and Electronic Engineering,2016,11(1):43-48.
[9] KRISHNANAND K R,DASH P K,NAEEM M H,et al.Detection,Classification,and Location of Faults in Power Transmission Lines[J].International Journal of Electrical Power & Energy Systems,2015,67:76-86.
[10] 张宇博,郝治国,林泽暄,等.基于深度字典学习的输电线路故障分类方法[J].电力自动化设备,2022,42(11):159-166.
[11] 靳志杰,霍志红,许昌,等.基于特征选择和XGBoost的风电机组故障诊断[J].可再生能源,2021,39(3):353-358.
[12] 马东,何毅斌,李铭,等.基于CEEMD-PCA-XGBoost的滚动轴承故障诊断方法[J].机电工程,2023,40(2):186-194.
[13] 赵洪山,闫西慧,王桂兰,等.应用深度自编码网络和XGBoost的风电机组发电机故障诊断[J].电力系统自动化,2019,43(1):81-86.
[14] 欧阳琦,张倍培,刘晋康,等.基于改进XGBoost的注塑机液压系统故障诊断研究[J].机械设计与制造工程,2023,52(7):78-83.
[15] 陈浩男,高雪莲.基于XGBoost和网格搜索的变压器油中溶解气体含量预测[J].河北师范大学学报(自然科学版),2022,46(6):575-581.
[16] 龚泽威一,饶桐,王钢,等.基于改进粒子群优化XGBoost的变压器故障诊断方法[J].高压电器,2023,59(8):61-69.
[17] 陈明华,刘群英,张家枢,等.基于XGBoost的电力系统暂态稳定预测方法[J].电网技术,2020,44(3):1026-1034.

基于小波包变换和XGBoost的高压交流输电线路故障诊断

Fault Diagnosis of High-Voltage AC Transmission Lines Based on Wavelet Packet Transform and XGBoost

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 1

编辑推荐

Metrics

本文评价