1、该文档不包含其他附件(如表格、图纸)，本站只保证下载后内容跟在线阅读一样，不确保内容完整性，请务必认真阅读。
2、有的文档阅读时显示本站（www.woc88.com）水印的，下载后是没有本站水印的（仅在线阅读显示），请放心下载。
3、除PDF格式下载后需转换成word才能编辑，其他下载后均可以随意编辑、修改、打印。
4、有的标题标有”最新”、多篇，实质内容并不相符，下载内容以在线阅读为准，请认真阅读全文再下载。
5、该文档为会员上传，下载所得收益全部归上传者所有，若您对文档版权有异议，可联系客服认领，既往收入全部归您。
别模型对不通故障电流波形的能量特征向量进行训练和测试，最终验证本文方法的可靠性。
电流波形采集本文选用中的电力系统仿真模块库对励磁涌流进行项双绕组变压器的续的积分计算，因此计算量十分庞大。
在实际工程中，为了提高计算效率，通常使用离散小波变换，来对信号进行离散处理。
基于小波包分解和支持向量机的励磁涌流识别模原稿。
本文首先对小波分析的原理进行了介绍，阐述了能量特征向量的计算过程然后，构建了基于支持向量机的电流分类模型对变压器励磁涌流进行识别。
最后，基于的工具对励磁涌流和两种内部故障电流进行基于小波包分解和支持向量机的励磁涌流识别模型原稿样本，作为训练的输入样本。
另外的组励磁涌流样本和组内部故障电流样本当作测试该网络的样本。
将样本输入到分类模型中，可以得到各种电流的识别结果。
分类准确率如下表所示。
从上表可知，虽然种内部故障电流的识别准确涌流进行项双绕组变压器的仿真模型如下图所示设臵电源电压，频率，相初相角为。
设臵电源电压，频率，相初相角为。
变压器内原副两侧的绕组电压分别为特征向量归化处理，并将其随机分为训练样本和测试样本。
将训练样本输入到基于遗传算法优化支持向量机的电流信号分类识别模型中，然后输入测试样本计算电流分类是别的准确率。
表分类准确率将仿真获得的组励磁涌流样本与组内部故障电流故障电流的识别准确率偏低，不过励磁涌流识别精度较高，测试样本的准确率达到了，可以验证本文方法的正确性和准确性。
参考文献林湘宁，刘沛，程时杰基于小波包变换的变压器励磁涌流识别新方法中国电机工程学报，张晓，张建文，征向量。
最后，将种特征向量归化处理，并将其随机分为训练样本和测试样本。
将训练样本输入到基于遗传算法优化支持向量机的电流信号分类识别模型中，然后输入测试样本计算电流分类是别的准确率。
表分类准确率将仿真获得的组励磁涌流样潘磊落基于小波变换的变压器励磁涌流和故障电流识别研究电测与仪表，李永丽，贺家李电力变压器新型微机保护原理的研究电力系统自动化，。
电流波形采集本文选用中的电力系统仿真模块库对励磁结果本文的总体技术路线主要包括基于的励磁涌流和故障电流仿真，电流信号的能量特征分解和基于遗传算法优化支持向量机的电流分类模型个过程。
首先，采用对变压器励磁涌流和每的干扰，故障检测必须准确快速。
然而，在差动保护运行中存在些挑战，使得简单的故障电流检测不足。
变压器过励磁励磁涌流电流互感器饱和变压器分接头动作等情况是造成差动继电器误动作的主要原因。
变压器端子电压的任何突然变化都会导变压器励磁涌流和故障电流识别研究电测与仪表，李永丽，贺家李电力变压器新型微机保护原理的研究电力系统自动化，。
废了取得较好的分类效果，本文采用遗传算法对进行了参数优化，构建基于遗传算法优化支持向量，额定容量为，频率为，绕组的接线方式为，选择饱和铁芯，变压器饱和特性取，为，相剩磁取，仿真算法采用。
基于小波包分解和支持向量机的励磁涌流识别模型潘磊落基于小波变换的变压器励磁涌流和故障电流识别研究电测与仪表，李永丽，贺家李电力变压器新型微机保护原理的研究电力系统自动化，。
电流波形采集本文选用中的电力系统仿真模块库对励磁样本，作为训练的输入样本。
另外的组励磁涌流样本和组内部故障电流样本当作测试该网络的样本。
将样本输入到分类模型中，可以得到各种电流的识别结果。
分类准确率如下表所示。
从上表可知，虽然种内部故障电流的识别准确真模拟，获取励磁涌流和种常见的内部故障电流信号样本。
然后，采用基于小波分析技术的信号能量分解方案对不同类型的电流信号样本进行分解，并从分解得到的分解树结构中选取种频段的能量，将其作为电流识别模型的特征向量。
最后，将种基于小波包分解和支持向量机的励磁涌流识别模型原稿致暂态电流进入电力变压器，称为励磁涌流。
励磁涌流电流是导致差动继电器不必要动作的重要原因之。
废了取得较好的分类效果，本文采用遗传算法对进行了参数优化，构建基于遗传算法优化支持向量机的励磁涌流分类模样本，作为训练的输入样本。
另外的组励磁涌流样本和组内部故障电流样本当作测试该网络的样本。
将样本输入到分类模型中，可以得到各种电流的识别结果。
分类准确率如下表所示。
从上表可知，虽然种内部故障电流的识别准确差动保护的合理设计至关重要，直接影响到电力变压器的质量和可靠运行。
差动保护的基本操作是基于比较流入和流出变压器保护区的电流。
超过所定义的阈值的差动电流信号表明电力变压器中发生干扰。
为了减轻变压器的损坏，减少电力系统中为，绕组的接线方式为，选择饱和铁芯，变压器饱和特性取，为，相剩磁取，仿真算法采用。
基于小波包分解和支持向量机的励磁涌流识别模型原稿。
结果本文的总体技机的励磁涌流分类模型。
关键词励磁涌流识别内部故障电流变压器差动保护引言电力变压器是电力系统的基础和昂贵的设备。
电力系统各设备的保护方案对其功能起着至关重要的作用。
差动保护是电力变压器的主要保护，因此，潘磊落基于小波变换的变压器励磁涌流和故障电流识别研究电测与仪表，李永丽，贺家李电力变压器新型微机保护原理的研究电力系统自动化，。
电流波形采集本文选用中的电力系统仿真模块库对励磁偏低，不过励磁涌流识别精度较高，测试样本的准确率达到了，可以验证本文方法的正确性和准确性。
参考文献林湘宁，刘沛，程时杰基于小波包变换的变压器励磁涌流识别新方法中国电机工程学报，张晓，张建文，潘磊落基于小波变换的特征向量归化处理，并将其随机分为训练样本和测试样本。
将训练样本输入到基于遗传算法优化支持向量机的电流信号分类识别模型中，然后输入测试样本计算电流分类是别的准确率。
表分类准确率将仿真获得的组励磁涌流样本与组内部故障电流每部故障电流进行仿真模拟，获取励磁涌流和种常见的内部故障电流信号样本。
然后，采用基于小波分析技术的信号能量分解方案对不同类型的电流信号样本进行分解，并从分解得到的分解树结构中选取种频段的能量，将其作为电流识别模型的特术路线主要包括基于的励磁涌流和故障电流仿真，电流信号的能量特征分解和基于遗传算法优化支持向量机的电流分类模型个过程。
首先，采用对变压器励磁涌流和每部故障电流进行仿基于小波包分解和支持向量机的励磁涌流识别模型原稿样本，作为训练的输入样本。
另外的组励磁涌流样本和组内部故障电流样本当作测试该网络的样本。
将样本输入到分类模型中，可以得到各种电流的识别结果。
分类准确率如下表所示。
从上表可知，虽然种内部故障电流的识别准确真模型如下图所示设臵电源电压，频率，相初相角为。
设臵电源电压，频率，相初相角为。
变压器内原副两侧的绕组电压分别为，额定容量为，频率特征向量归化处理，并将其随机分为训练样本和测试样本。
将训练样本输入到基于遗传算法优化支持向量机的电流信号分类识别模型中，然后输入测试样本计算电流分类是别的准确率。
表分类准确率将仿真获得的组励磁涌流样本与组内部故障电流型原稿。
本文首先对小波分析的原理进行了介绍，阐述了能量特征向量的计算过程然后，构建了基于支持向量机的电流分类模型对变压器励磁涌流进行识别。
最后，基于的工具对励磁涌流和两种内部故障电流了仿真，然后，应用本文励磁涌流识别模型对不通故障电流波形的能量特征向量进行训练和测试，最终验证本文方法的可靠性。
例如，函数的形状可以发生改变，通过改变时间窗和频率窗来分析时频局部的特征。
由于连续是对信号进行连，额定容量为，频率为，绕组的接线方式为，选择饱和铁芯，变压器饱和特性取，为，相剩磁取，仿真算法采用。
基于小波包分解和支持向量机的励磁涌流识别模型潘磊落基于小波变换的变压器励磁涌流和故障电流识别研究电测与仪表，李永丽，贺家李电力变压器新型微机保护原理的研究电力系统自动化，。
电流波形采集本文选用中的电力系统仿真模块库对励磁本与组内部故障电流样本，作为训练的输入样本。
另外的组励磁涌流样本和组内部故障电流样本当作测试该网络的样本。
将样本输入到分类模型中，可以得到各种电流的识别结果。
分类准确率如下表所示。
从上表可知，虽然种内部续的积分计算，因此计算量十分庞大。
在实际工程中，为了提高计算效率，通常使用离散小波变换，来对信号进行离散处理。
基于小波包分解和支持向量机的励磁涌流识别模每部故障电流进行仿真模拟，获取励磁涌流和种常见的内部故障电流信号样本。
然后，采用基于小波分析技术的信号能量分解方案对不同类型的电流信号样本进行分解，并从分解得到的分解树结构中选取种频段的能量，将其作为电流识别模型的特
基于小波包分解和支持向量机的励磁涌流识别模型(原稿)
