基于貝葉斯優化隨機森林輸電線路故障識別方法

摘 要：針對輸電線路線路故障精度低的問題，本文提出一種貝葉斯優化隨機森林（Random Forest，RF）的輸電線路故障識別方法。通過經驗模態分解提取故障特征，構成特征集，采用貝葉斯優化RF來挖掘特征集與短路故障類型之間的關系。結果表明，TPE-RF能快速優化超參數，提高診斷精度，避免過渡電阻、故障初始角的影響。

關鍵詞：輸電線路；故障識別；經驗模態分解；貝葉斯優化；RF算法

中圖分類號：TM 75" " " " " " " 文獻標志碼：A

高壓輸電線路發生短路故障會對經濟、工業生產和消費用電等造成重大影響。因此，快速、準確地辨識短路故障類型和發生故障的位置能夠加快故障線路檢修速度，減少故障帶來的經濟損失[1-2]。

本文提出了一種基于貝葉斯優化隨機森林的輸電線路故障識別方法（Tree-structured Parzen Estimator-Random Forest，

TPE-RF）。通過經驗模態分解（Empirical Mode Decomposition，EMD）提取數據，得到固有模態函數（Intrinsic Mode Function， IMF），提取樣本熵，構成特征集。結合改進的RF算法訓練并測試特征樣本集，識別輸電線路短路故障具體類型。仿真結果表明，該方法可以高效識別輸電線路的短路故障類型。

1 特征提取

1.1 EMD

EMD是一種自適應的信號處理方法，特別適合處理非平穩和非線性的信號數據。通過EMD，可以將復雜的信號分解為1組IMF分量[3]。這些IMF分量能說明信號的內在結構和動態特性，并分析非線性、非穩定的信號。當處理復雜信號時，這種分解方法優勢突出，效果明顯，因此在許多領域都應用廣泛。

1.2 樣本熵

樣本熵是一種度量信號復雜性的工具，能夠說明信號序列的結構[4]。使用樣本熵能夠更精確、高效地提取故障信號的特征信息，為后續的診斷和分析提供有力支持。……