基于改進(jìn)支持向量機(jī)的電能質(zhì)量擾動(dòng)分類

摘 要： 對(duì)近年來電網(wǎng)發(fā)展和研究的熱門話題之一：電能質(zhì)量擾動(dòng)識(shí)別分類系統(tǒng)進(jìn)行研究。識(shí)別分類系統(tǒng)使用小波變換方法對(duì)擾動(dòng)電壓信號(hào)進(jìn)行特征提取，之后收入由支持向量機(jī)建立的識(shí)別系統(tǒng)中。相對(duì)小波能量只能表達(dá)總分解層信號(hào)能量中各層信號(hào)能量的比例，對(duì)于電能質(zhì)量擾動(dòng)信號(hào)的檢測不能直接使用信息熵公式。因此引入加權(quán)算子以改進(jìn)相對(duì)小波能量，加權(quán)算子對(duì)電能擾動(dòng)特征進(jìn)行放大，實(shí)時(shí)反映電能擾動(dòng)特征。針對(duì)使用支持向量機(jī)建立電能質(zhì)量擾動(dòng)識(shí)別系統(tǒng)時(shí)會(huì)由于擾動(dòng)信號(hào)特征向量維度高、數(shù)據(jù)龐大等問題，提出一種基于混合核函數(shù)的LSSVM建立電能質(zhì)量擾動(dòng)識(shí)別系統(tǒng)。選取RBF核函數(shù)和Polynomial核函數(shù)分別作為局部以及全局核函數(shù)，構(gòu)造混合核函數(shù)，提高系統(tǒng)泛化能力。使用PSO優(yōu)化算法對(duì)LSSVM分類器進(jìn)行分類，提高分類器的識(shí)別精度等性能。最后通過實(shí)驗(yàn)驗(yàn)證研究的電能質(zhì)量擾動(dòng)識(shí)別分類系統(tǒng)的識(shí)別性能。

關(guān)鍵詞： 電能質(zhì)量； 擾動(dòng)識(shí)別； 最小二乘支持向量機(jī)； 小波變換

中圖分類號(hào)： TN911.23?34； TM711 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2016）10?0138?04

Power quality disturbance classification based on improved support vector machine

JING Hao， PANG Xianhai， LI Xiaofeng， SUN Zhongji

（Electric Power Research Institute， State Grid Hebei Electric Power Company， Shijiazhuang 050021， China）

Abstract： The disturbance identification and classification system of power quality is studied， which is one of the hot topics of power grid development and research. The identification and classification system uses the wavelet transform method to extract the features of the disturbance voltage signal， and then transmits the features to the recognition system established by support vector machine. Since the relative wavelet energy can only express the proportion of the signal energy of each layer in the signal energy of the total decomposition layer， the detection of power quality disturbance signal can’t directly use the information entropy formula. The weighted operator is introduced to improve the relative wavelet energy， which can amplify and reflect the power disturbance features in real time. Since the feature vector of disturbance signal has the problems of high dimension and large data when the support vector machine is used to establish the power quality disturbance identification system， a method of using LSSVM based on hybrid kernel function to establish the power quality disturbance classification system is proposed. The RBF kernel function and Polynomial kernel function are selected as the local and global kernel functions respectively to construct the hybrid kernel function. The hybrid kernel function can improve the generalization ability of the system. The PSO algorithm is used to classify the LSSVM classifiers and improve the recognition accuracy and performance of the classifiers. The recognition performance of the power quality disturbance identification and classification system was verified in experiments.

Keywords： power quality； disturbance identification； least square support vector machine； wavelet transform

0 引 言

建立智能電網(wǎng)是現(xiàn)在電網(wǎng)發(fā)展和研究的熱門話題，建立智能電網(wǎng)的重要目標(biāo)和方向之一是保障供電的電能質(zhì)量以及對(duì)各類不同用電用戶的使用需求提供服務(wù)。因此，實(shí)現(xiàn)對(duì)電能質(zhì)量檢測系統(tǒng)的建立健全、準(zhǔn)確評(píng)價(jià)電能質(zhì)量、對(duì)電網(wǎng)電能質(zhì)量中出現(xiàn)的擾動(dòng)進(jìn)行及時(shí)準(zhǔn)確的識(shí)別分類是近年來研究工作者關(guān)注研究熱點(diǎn)問題之一[1?3]。

基于支持向量機(jī)建立的分類器能夠有效解決神經(jīng)網(wǎng)絡(luò)分類器模型存在的容易陷入局部最優(yōu)解、收斂速度慢以及需要大量訓(xùn)練樣本等問題，其優(yōu)勢是使用小樣本即可完成網(wǎng)絡(luò)訓(xùn)練，能夠?qū)崿F(xiàn)非線性以及高維度的系統(tǒng)識(shí)別和辨識(shí)，因而得以廣泛應(yīng)用[4?6]。

使用支持向量機(jī)建立電能質(zhì)量擾動(dòng)識(shí)別系統(tǒng)時(shí)會(huì)由于擾動(dòng)信號(hào)特征向量維度高、數(shù)據(jù)龐大等問題而需要建立多個(gè)分類器同時(shí)進(jìn)行工作，因此支持向量機(jī)的參數(shù)選擇則直接對(duì)所建立的擾動(dòng)識(shí)別系統(tǒng)的識(shí)別效率和準(zhǔn)確率產(chǎn)生影響，使用傳統(tǒng)的梯度下降法、交叉驗(yàn)證法等進(jìn)行參數(shù)選取時(shí)往往存在容易陷入局部最優(yōu)解以及計(jì)算量大等問題[7]。

為此本文提出一種基于混合核函數(shù)的LSSVM建立電能質(zhì)量擾動(dòng)識(shí)別系統(tǒng)。選取RBF核函數(shù)和Polynomial核函數(shù)分別作為局部以及全局核函數(shù)，構(gòu)造混合核函數(shù)，提高系統(tǒng)泛化能力。使用PSO優(yōu)化算法對(duì)LSSVM分類器進(jìn)行分類，提高分類器的識(shí)別精度等性能。

1 小波變換原理

小波分析實(shí)際是對(duì)分析信號(hào)和使用的小波信號(hào)的相似度進(jìn)行衡量的一種從現(xiàn)代調(diào)和分析發(fā)展而來的方法。小波分析中，小波能熵的表述如下：

設(shè)定信號(hào)采樣個(gè)數(shù)為[N]，在[k]時(shí)刻，某信號(hào)在尺度[j]下一維小波高頻系數(shù)和小波能譜分別為[Djk]，[Ejk=Djk2]，在[k]個(gè)采樣點(diǎn)下，小波信號(hào)能量為[Ej=kDjk2]。則小波能熵表示為[8]：

實(shí)驗(yàn)結(jié)果對(duì)比如表1所示。實(shí)驗(yàn)結(jié)果表明，在同樣使用常規(guī)LSSVM模型建立的識(shí)別系統(tǒng)中，使用原始小波能熵進(jìn)行擾動(dòng)電壓信號(hào)特征提取時(shí)，系統(tǒng)的平均識(shí)別率為75.6%，要明顯低于使用引入加權(quán)算子的改進(jìn)小波能熵83.3%的平均識(shí)別率。在同樣使用改進(jìn)小波能熵進(jìn)行擾動(dòng)電壓信號(hào)特征提取，使用改進(jìn)的LSSVM模型建立的識(shí)別系統(tǒng)平均識(shí)別率為90.3%，相比常規(guī)LSSVM模型建立的識(shí)別系統(tǒng)的平均識(shí)別率約提高了7.0%，說明本文提出的電能質(zhì)量擾動(dòng)識(shí)別系統(tǒng)的識(shí)別性能比較優(yōu)秀。

表1 識(shí)別準(zhǔn)確率對(duì)比 %

5 結(jié) 論

對(duì)電網(wǎng)電能質(zhì)量中出現(xiàn)的擾動(dòng)進(jìn)行及時(shí)準(zhǔn)確地識(shí)別分類是近年來研究工作者關(guān)注研究熱點(diǎn)問題之一。本文引入加權(quán)算子來改進(jìn)傳統(tǒng)的相對(duì)小波能量特征提取方法，并使用混合核函數(shù)改進(jìn)常規(guī)LSSVM分類模型，建立電能質(zhì)量擾動(dòng)識(shí)別系統(tǒng)。最后使用基于dSPACE的實(shí)驗(yàn)工作平臺(tái)對(duì)電能質(zhì)量擾動(dòng)分類方法進(jìn)行實(shí)驗(yàn)研究，研究結(jié)果表明，本文提出的電能質(zhì)量擾動(dòng)識(shí)別系統(tǒng)的識(shí)別性能較好。

參考文獻(xiàn)

[1] 李庚銀，王洪磊，周明.基于改進(jìn)小波能熵和支持向量機(jī)的短時(shí)電能質(zhì)量擾動(dòng)識(shí)別[J].電工技術(shù)學(xué)報(bào)，2009（4）：161?167.

[2] 孔英會(huì).數(shù)據(jù)流技術(shù)及其在電力信息處理中的應(yīng)用研究[D].保定：華北電力大學(xué)，2008.

[3] 王洪磊.基于小波熵和SVM的動(dòng)態(tài)電能質(zhì)量擾動(dòng)識(shí)別研究[D].保定：華北電力大學(xué)，2007.

[4] 房國志.暫態(tài)電能質(zhì)量檢測方法的研究與實(shí)現(xiàn)[D].哈爾濱：哈爾濱理工大學(xué)，2013.

[5] 陳華豐.電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法研究[D].成都：西南交通大學(xué)，2013.

[6] 何順帆.實(shí)時(shí)電能質(zhì)量分析理論與技術(shù)的研究[D].武漢：華中科技大學(xué)，2013.

[7] 黃南天.基于S變換與模式識(shí)別的電能質(zhì)量暫態(tài)信號(hào)分析[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2012.

[8] 徐飛.基于混合核函數(shù)的LSSVM發(fā)酵建模[D].大連：大連理工大學(xué)，2012.

[9] 張楊.混合電能質(zhì)量擾動(dòng)信號(hào)識(shí)別算法研究[D].成都：西南交通大學(xué)，2012.

[10] 李欣.電力系統(tǒng)過電壓分層模式識(shí)別及其應(yīng)用研究[D].重慶：重慶大學(xué)，2012.

[11] 黃南天，徐殿國，劉曉勝.基于S變換與SVM的電能質(zhì)量復(fù)合擾動(dòng)識(shí)別[J].電工技術(shù)學(xué)報(bào)，2011（10）：23?30.

[12] 王麗霞.基于信號(hào)處理的電能質(zhì)量擾動(dòng)檢測與識(shí)別[D].成都：西南交通大學(xué)，2010.

[13] 鄭志成，徐衛(wèi)亞，徐飛，等.基于混合核函數(shù)PSO?LSSVM的邊坡變形預(yù)測[J].巖土力學(xué)，2012，33（5）：1421?1426.

[14] 周金明，王傳玉，何幫強(qiáng).基于混合核函數(shù)FOA?LSSVM的預(yù)測模型[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（4）：133?137.