Page 71 - 电力与能源2024年第四期

第 45 卷 第 4 期 电力与能源
2024 年 8 月 465

DOI：10.11973/dlyny202404014

基于 GWO-SVM 模型的智能电气故障检测与识别

贾金伟，方 苏，王闻燚，戴军瑛，俞 玲，李启本
（国网上海市电力公司松江供电公司，上海 201600）

摘 要：针对常见的分类算法在电气故障诊断中分类准确度不高的问题，提出了一种灰狼优化支持向量机
（GWO-SVM）模型来提高电气故障诊断的识别率。首先采集了现实生活中最常见的线性和非线性家用电器
白炽灯和微波炉在正常工作和发生电弧故障时的波形信号；其次对其进行了频域特征提取；最后使用灰狼优
化算法对支持向量机进行优化，并与未优化 SVM 和 BP 神经网络进行了对比。结果表明，GWO-SVM 模型
的正确率达到了 90%，优于对比算法。
关键词：电气故障；智能检测；灰狼优化算法；支持向量机
作者简介：贾金伟（1989—），男，工程师，从事电力系统继电保护工作。
中图分类号：TM721.1 文献标志码：A 文章编号：2095-1256（2024）04-0465-04
Intelligent Electrical Fault Detection and Recognition Based on GWO-SVM Model

JIA Jinwei，FANG Su，WANG Wenyi，DAI Junying，YU Ling，LI Qiben

（State Grid Songjiang Power Supply Company，SMEPC，Shanghai 201600，China）

Abstract：To address the issue of low accuracy in traditional classification algorithms for distinguishing electrical
faults, a Grey Wolf Optimization-Support Vector Machine (GWO-SVM) model is proposed to improve electrical
fault diagnosis accuracy. Firstly, waveform signals of commonly encountered linear and nonlinear household elec⁃
trical appliances such as incandescent lamps and microwave ovens in normal operation and during arc faults are col⁃
lected from real-life scenarios. Secondly, frequency domain features are extracted from these signals. Finally, the
GWO algorithm optimizes the Support Vector Machine, and the performance of GWO-SVM is compared with
unoptimized SVM and BP neural networks. The GWO-SVM model achieves an accuracy of 90%.

Key words：electrical faults，intelligent detection，grey wolf optimization algorithm，support vector machine

基于来源多样的各类电气故障数据，专家系 智能优化算法为求解多种多样的实际问题提供了
统、Petri 网、多源融合和解析模型 ［1-5］ 等方法衍生 新的思路和手段。以头脑风暴优化算法（BSO）为
了出来。然而，这些方法普便存在识别精度不高 例，这是一种新的群体智能优化算法，它将群体优
的问题，因此模型的优化成为了研究的主要方向。 化方法和数据挖掘/数据分析的方法进行了融合，

群体智能优化算法作为一种生物启发式方法，广 以数据分析的方法为基础去选择相对较好的解。
泛应用在解决最优化问题上。传统的群智能算法 灰狼优化（GWO）算法自 2014 年提出以来，
为解决一些实际问题提供了新思路，但在一些试 就因其具有良好的性能而引起了电气故障等众多
验中仍暴露出不足之处。群体智能优化算法因具 学 者 的 广 泛 关 注 ［7-12］ 。 文 献［11］基 于 PCA-
有结构简单、易于实现等特点，被广泛应用于复杂 GWO-GRNN 算法对短期的光伏发电进行了混合

问题的求解中。 预测。由于 GWO 算法提出的时间不长，因此其
其中，比较流行的算法有遗传算法（GA）、粒 理论研究尚未成体系，多数学者都是从特定角度，
［6］
子群优化（PSO） 、差分进化 （DE）、蚁群优化算 针 对 具 体 问 题 对 GWO 算 法 进 行 改 进 和 应 用
法（ACO）和果蝇优化算法（FOA）等。新的群体 研究。