1）第一层是模型和公用数据的资源库；
2）第二层是基于第一层的资源库的应用程序包； 3）第三层是分析工具和最后的计算结果库。
（2）PSASP 各种计算的公用数据是由文本和图形两种数据输入编辑方式的电网基础数据库来支持的，其中包含有变压器、发电机、负荷、交流线、直流线等电网结构的一些基本元件。有文本和图形两种输入编辑方式，PSASP提供了各种用于计算和分析的基本数据支持，可以从中抽取计算基本的数据，直观方便，而且还提供了功能强大的用户自定义模型方法。
PSASP 提供了功能非常强大的用户自定义(UD)建模方法，为研究电力系统新设备、新装置的自行建模提供了很好的工具。近些年来在国内许多大学和科研单位都应用PSASP 的UD建模方法做出了大量的研究工作。
用户自定义建模方法是在可以不用了解程序内部结构和编程设计的条件下，用户可以按照自己所需计算和分析的要求，设计各种所需的电网模型，并且可以灵活模拟大量的系统元件、自动装置和控制功能。为PSASP扩充其功能，为用户开放提供了强有力的工具。
PSASP可使用户建立任何元件的模型（负荷、电源、各种控制保护装置元件等），作为各种计算的模型库，直观方便的文本和图形两种模型编辑方式调用简单，计算快速，基于公用资源的交直流电力系统分析程序包，有以下应用功能：潮流计算、网损分析、暂态稳定、电压稳定、短路电流、短路电压、静态安全分析、静态和动态等值、小干扰稳定、直接法暂态稳定、参数优化协调、最优潮流和无功优化、继电保护整定与仿真等。 PSASP的主要特点:
1）PSASP提供了实用的用户程序接口(UPI)环境，使的可以让PSASP模块联合用户程序模块共同运行，共同完成用户所需的计算任务；
2）交直流混合电力系统、固定模型库和用户自定义模型库支持、提供用户程序接口，实现与用户程序联合运行、文本和图形两种运行模式及多种形式的结果输出、开放友好的用户程序接口环境；
3）用户程序接口（UPI）为用户提供了进一步自由，进一步开放的环境进行联合编程；
4）利用Windows操作系统提供的动态连接库(DLL)支持，在计算精度和时间上可以使用户程序接口（UPI）方式与PSASP内部的固定模型方式达到同样的效果。
下图3.4和图3.5是PSASP仿真短路数据的部分截图
29
图3.4 短路计算信息
图3.5 填写故障信息与数据
30
3.4.3 MATLAB7.0工具箱程序语言
MATLAB程序语言是矩阵实验室（Matrix Laboratory）的简称，是美国MathWorks公司研制的商业数学软件，可用于算法开发、数据的分析、数据可视化以及数值计算的一种高级计算语言和交互式环境，主要包括MATLAB编程环境和Simulink仿真两大部分。MATLAB在数学方面的科技应用软件中，其数值计算可谓是首屈一指。MATLAB可以进行矩阵运算、实现算法、创建用户自己的界面、绘制函数和数据、连接其他编程语言的程序等，主要应用于图像处理、工程计算、信号检测、信号处理与通讯、控制设计、金融建模设计与分析等领域。
MATLAB程序语言有以下特点： 1）可运用于工程技术的计算；
2）其开发环境可对程序代码、文件和数据进行管理； 3）交互式工具可以按迭代的方式探查、设计及求解问题； 4）提供的各种工具可用于构建自定义的图形用户界面；
5）二维和三维的图形函数可用于可视化数据； 6）内核仅仅支持小写，不支持大写输入；
7）数学函数可运用于统计、线性代数、傅立叶分析、筛选、优化以及数值积分等；
8）各种函数可将基于MATLAB的算法与外部应用程序和语言（如 C、C++、Fortran、Java、COM 以及 Microsoft Excel）集成。 MATLAB相比与其他程序语言其优势：
1）友好的工作平台和编程环境； 2）简单易用的程序语言；
3）强大的科学计算机数据处理能力； 4）出色的图形处理功能； 5）应用广泛的模块集合工具箱； 6）实用的程序接口和发布平台； 7）应用软件开发（包括用户界面）。
3.5 本章小结
本章主要分析了电力系统的两种输电方式、输电线路的故障类型、故障现象、原因及其特点，给出了本论文所研究的输电线路的模型和实际要仿真的网络图，并对该模型进行了分析，介绍了PSASP软件和MATLAB软件。最后根据输电线路的故障数据的特点，总结了简单有效的输电线路故障判别方法。
31
4 SVM在输电线路中的具体应用
4.1 LS-SVM原理及LS-SVMMATLAB工具箱
从上世纪九十年代以来，在支持向量机的算法研究、设计和实现等方面已经取得了大量的成果。1）对SVM的最优化技术进行了改进或改造SVM的形式，对SVM的计算过程进行简化，例如线性SVM,最小二乘支持向量机[41,42,43]（LS-SVM）等；2）为便于SVM处理大规模的问题，对SVM的计算速度进行了进一步的提高，例如序列最小化算法；3）利用SVM的结构风险最小化原理（SRM原则）、核函数思想等对传统的线性算法进行了改造，设计出其对应的核形式，例如核主成份分析等；4）依据结构风险最小化原理（SRM原则）和SVM的一些核心思想提出了的新的算法，例如广义支持向量机算法、v-SVM算法等。
由于支持向量机具有很好的泛化能力[44]，并且在其训练时所得到的解是其全局最优解，因而SVM在许多模式识别领域得到了广泛的应用。但其在训练时是一个具有约束条件的二次规划问题，而且其约束数目等于样本容量，这就使得SVM在训练时将消耗大量的时间，特别是在当样本容量比较大的时候其训练时间有时会过长而被难以接受。为了解决这个问题，提高支持向量机的训练效率，suykcn等人改变了标准支持向量机的风险函数和约束条件，推导设计出了一种新的支持向量机算法：最小二乘支持向机(Least Squares Support Vector Machine,即LS-SVM算法)。LS-SVM在训练时只需要求解一个线性的方程组从而使SVM便于实现，并且在很大程度上提高了SVM的训练效率，因而其在非线性建模和模式识别等领域得到了进一步广泛的应用。图4.1为具体的LS-SVM的故障识别框图。
图4.1 LS-SVM的故障识别框图
32
最小二乘支持向量机LS-SVM(Least Square Support Vector Machines)是SVM的其中一种改进的算法，LS-SVM将SVM中的二次规划问题利用二次损失函数转化为求解线性方程组问题，在确保其计算精度的同时有效地降低了其计算的复杂性，有效地提高了其求解速度。
4.1.1 LS-SVM原理
最小二乘支持向量机（LS-SVM）是SVM的一种改进算法，它是将传统SVM中的不等式约束条件修改为等式约束[45,46,47]，并且将误差平方和损失函数作为训练集的经验损失,将SVM中的二次规划问题转化为线性方程组求解，有效地提高了求解速度和计算的收敛精度。
1）两类LS-SVM分类器
在两类分类问题中，设有训练样本集Sv：{xi,yi),i?1,2,?,l其中xi?R’为模式向量，l为样本的容量，另yi?{?1,?1}为目标的类别标号，则将支持向量机中的优化问题的不等式约束条件改为等式约束，并将其经验风险函数改为二次函数，利用LS-SVM算法构造出二分类的SVM，LS-SVM选择了误差?i作为二次项，则其优化问题为：
1T1l2 minQ(?,?)????c??i （4.1）
22i?1上式(4.1)的等式约束条件为:
yi(?T??(xi)?b)?1??i,i?1,2,?,l （4.2）
通过上式(4.2)的对偶形式可求得其最优解，依据目标函数和约束条件可对对偶形式建立拉格朗日函数:
l1T1l2L(?,b,?,a)????c??i??ai(yi(?T??(xi)?b)?1??i) （4.3）
22i?1i?1上式(4.3)中α为拉格朗日乘子,根据库恩-塔克（Kuhn-Tucker）条件:
?L?L?L?L?0,?0,?0,?0 （4.4） ???b???a可得：
?0???i在上式(4.5)中,
(?)T??b??0???? （4.5） ?1?????cI??a??Y?33