基于近邻成分分析与优化核极限学习机的光伏接入配电网漏电识别OA北大核心CSTPCD

在光伏接入的配电网中,现有漏电保护装置无法区分光伏设备漏电流与发生生物触电时的故障漏电流,导致系统存在安全隐患。针对此问题,提出一种基于近邻成分分析(neighborhood component analysis,NCA)与核极限学习机(kernel extreme learning machine,KELM)的光伏接入配电网漏电识别方法。首先,构建了9维原始故障特征集,并采用NCA从9维特征集中选择得到4维高相关性特征子集;然后,将得到的4维特征子集作为KELM的输入,建立基于KELM的漏电识别模型,并通过麻雀搜索算法(sparrow search algorithm,SSA)对KELM模型中的参数进行优化;最后,将所提SSA-KELM方法应用于漏电识别,并与标准核极限学习机(KELM)、支持向量机(SVM)、BP神经网络(BPNN)进行了对比。比较结果表明:SSA-KELM对光伏接入配电网漏电类型的识别率最高,平均识别准确率达97.98%,为有效识别生物体触电与光伏漏电提供一定理论参考。