Page 73 - 电力与能源2024年第四期

贾金伟，等：基于 GWO-SVM 模型的智能电气故障检测与识别 467

谐波，并且在边缘的频域上（0~2 Hz 和 18~20 Hz）
幅值分布数值比正常更广。

图 2 白炽灯的电流时域和傅里叶变换 图 3 微波炉的电流时域和傅里叶变换

非线性元件选择涡流负载（微波炉），其电流 灯在 20 组正常信号中达到 100% 的正确率，在其
波形的时域和傅里叶变换见图 3。在发生电弧故 余 20 组 故 障 信 号 中 由 于 第 31 和 第 40 组 分 类 错
障时，电流波形不规则且振幅随时域增加。在发 误，正确率为 90%。非线性负载微波炉在 20 组正
生电弧时，振幅最大值达到 800。 常信号中存在 20% 的错误率，在剩下的故障信号
本文采集了 2 种电气负载的信号，共计 400 组 中分类错误率也为 20%。由此可见，非线性负载

数据，每种负载 200 组。随机选取 80% 的数据用 分类效果逊色于线性负载的。
于训练，剩余 20% 的数据用于测试。GWO 算法 其他对比模型的分类正确率分别为 BPNN=
的优化过程见图 4。由图 4 可以看出，当 SVM 的 77.5%、SVM［linear］=82.5%、SVM ［polyno⁃
惩罚参数 C 等于 1.209 7、核参数 g 等于 0.000 1 时 mial］=78.8%、SVM ［RBF］=85.0%、SVM ［La⁃

分类效果达到最优。 placian］=78.8%、SVM ［Sigmoid］=86.3%。 本
两类负载测试集上的具体分类效果如图 5 所 文提出的模型 GWO-SVM=90.0%，优于所有对
示，其中 0 代表正常，1 代表故障。线性负载白炽 比模型，体现了其性能的优越性。