杭州电子科技大学学报
杭州電子科技大學學報
항주전자과기대학학보
Journal of Hangzhou Dianzi University
2015年
6期
28-31
,共4页
支持向量机%电弧故障检测%主成分分析法
支持嚮量機%電弧故障檢測%主成分分析法
지지향량궤%전호고장검측%주성분분석법
support vector machine%arc fault detection%principal component analysis
提出一种基于支持向量机分类的电弧故障检测方法,首先分析得出电弧故障检测的特征频段,然后利用采集的电弧故障检测样本数据在进行主成分分析法预处理后对支持向量机进行训练和优化,计算出一个支持向量机分类器模型,该模型可根据特征频段内提取的线电流数据来判断是否发生电弧故障。实验结果表明该方法是有效的,平均0.25 ms可完成一次判断且准确度达到95%以上。
提齣一種基于支持嚮量機分類的電弧故障檢測方法,首先分析得齣電弧故障檢測的特徵頻段,然後利用採集的電弧故障檢測樣本數據在進行主成分分析法預處理後對支持嚮量機進行訓練和優化,計算齣一箇支持嚮量機分類器模型,該模型可根據特徵頻段內提取的線電流數據來判斷是否髮生電弧故障。實驗結果錶明該方法是有效的,平均0.25 ms可完成一次判斷且準確度達到95%以上。
제출일충기우지지향량궤분류적전호고장검측방법,수선분석득출전호고장검측적특정빈단,연후이용채집적전호고장검측양본수거재진행주성분분석법예처리후대지지향량궤진행훈련화우화,계산출일개지지향량궤분류기모형,해모형가근거특정빈단내제취적선전류수거래판단시부발생전호고장。실험결과표명해방법시유효적,평균0.25 ms가완성일차판단차준학도체도95%이상。
This paper presents an arc fault detection approach based on support vector machine ( SVM ) . Firstly the characteristic frequency range of arc fault detection is obtained, then an SVM classifier model is figured out with training and optimizing of arc fault detection sample data which have been pretreated by PCA. The SVM can judge whether arc fault occurs according to the line current data extracted within that characteristic frequency range.Experimental results show that the approach is effective with its average accuracy up to 90%within 0.25ms per judgement case.