支持向量机的电力故障检测方法研究

王振国，贾 飞，余 洋

(内蒙古电力(集团)有限责任公司乌海电业局，内蒙古 乌海 016000)

0 引言

随着电网系统的负荷持续增长以及电网规模的不断增容，影响电网稳定运行的不确定因素也日渐增多。电网故障检测是保障电力系统正常、有效运行的关键技术。相对于传统电网，智能电网可以借助人工智能和机器学习技术，保障电力系统的稳定运行。支持向量机[1](support vector machine,SVM)是一种优秀的机器学习模型。为构造一个最优分类超平面，SVM以最大间隔为优化目标，实现了学习模型的结构风险极小化。它在处理小样本数据方面性能卓越。同时，它的全局最优解可通过优化一个凸二次规划问题来获得。SVM的优势受到了学术界与工业界的关注，并且已被成功地应用了到各大领域[2-4]，比如故障检测、场景识别、金融信用、生物识别等。

为解决SVM在处理异构数据分布学习问题上性能较差的不足，Jayadeva等[5]在机器学习领域期刊TPAMI上提出了非平行支持向量机学习范式，并在此基础上给了一个双胞支持向量机(twin support vector machine,TWSVM)模型。相对SVM，TWSVM模型在处理“交叉型”数据问题上表现出卓越的泛化能力，并具有更好的学习效率。因此，TWSVM得到了国内外很多学者的青睐，并后续提出了很多优秀的模型。例如，双胞界限支持向量机(twin band support vector,achine,TBSVM)[6]，最小二乘双胞支持向量机(least square twin support vector machine,LSTSVM)[7]，双胞参数间隔支持向量机(twin parametric-margin support vector machine,TPMSVM)[8]，中心双胞参数间隔支持向量机(centroid parametic-margin support vector machine,CTPSVM)[9]，多标签支持向量机(multi-label twin support vector machine,MPSVM)[10-11]等模型。

CTPSVM[9]是近年来被提出的一种非平行机器学习方法，拥有优秀的泛化能力。然而，CTPSVM故障检测模型的解需要通过求解二次规划问题来获得，并不适合处理大规模学习问题。……