支持向量机下基于机器学习优化的继电保护故障诊断技术研究

申狄秋，卢雯兴，王荣超，石万里

（中国南方电网超高压输电公司柳州局，广西柳州 545006）

对电力系统的运行情况展开实时监测，对可能发生的故障发出报警，或者直接将故障隔离，这一过程称为继电保护。电力体制改革的深入以及电力行业的迅速发展，也对继电保护、故障分析和电网管理决策能力提出了更高的要求。但是，在继电保护过程中，会不可避免的出现操作故障[1-2]。为维护电力系统的稳定运行，必须在故障发生前及时判断故障类型，通过故障诊断及预警避免电力事故的发生[3]。

目前，已有学者针对继电保护装置故障问题进行了研究，了解继电保护过程中的故障处理措施，完善故障诊断技术。如文献[4]中的基于扰动激励的继电保护故障诊断技术以及文献[5]中的基于语义网的继电保护隐性故障辨识诊断技术。上述传统的继电保护故障诊断技术是在完整收集继电保护系统内部信息的基础上，基于不同的诊断方式判断故障位置，从而实现故障诊断。但在利用传统诊断技术时，由于实际计算数据量庞大，将产生一定的故障位置诊断偏差与电路问题。为此，文中在支持向量机下，基于机器学习优化设计了新的继电保护故障诊断技术，在一定程度上优化信息操作内容，判断故障发生的具体位置，从而保持良好的电路状态。

1 基于机器学习获取故障数据

机器学习作为较为普遍的数据操作算法，能够在操作数据数量较为庞大的情况下缩减操作步骤、简化研究流程，并判定不同的数据信息类型，获取所需的数据信息。……