一种基于Bagging-异质k近邻提升学习的电缆故障分类方法

摘要

本发明公开了一种基于异质提升学习的交叉互联电缆故障分类方法。首先，通过PSCAD/EMTDC模拟接头故障、交叉互联箱故障、接地系统异常等各类故障得到主芯及护层电流、电压、接地电阻值等相关电气参数，并通过参数归一化，构建电气参数特征矩阵。然后基于k近邻算法采用不同k值及不同距离度量作为个体学习器并构建高差子学习器，通过引入Bagging算法提高异质学习器的整体学习效率，可以实现针对不同类型、不同区域交叉互联输电电缆故障的区分。该方法相对于传统SVM、k‑近邻及逻辑回归等分类方法，降低了多分类误差率及空间复杂度并提高了模型泛化能力，具有较大的工程运用潜力。