基于改進支持向量機的電能質量擾動分類

摘 要： 對近年來電網發展和研究的熱門話題之一：電能質量擾動識別分類系統進行研究。識別分類系統使用小波變換方法對擾動電壓信號進行特征提取，之后收入由支持向量機建立的識別系統中。相對小波能量只能表達總分解層信號能量中各層信號能量的比例，對于電能質量擾動信號的檢測不能直接使用信息熵公式。因此引入加權算子以改進相對小波能量，加權算子對電能擾動特征進行放大，實時反映電能擾動特征。針對使用支持向量機建立電能質量擾動識別系統時會由于擾動信號特征向量維度高、數據龐大等問題，提出一種基于混合核函數的LSSVM建立電能質量擾動識別系統。選取RBF核函數和Polynomial核函數分別作為局部以及全局核函數，構造混合核函數，提高系統泛化能力。使用PSO優化算法對LSSVM分類器進行分類，提高分類器的識別精度等性能。最后通過實驗驗證研究的電能質量擾動識別分類系統的識別性能。

關鍵詞： 電能質量； 擾動識別； 最小二乘支持向量機； 小波變換

中圖分類號： TN911.23?34； TM711 文獻標識碼： A 文章編號： 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

建立智能電網是現在電網發展和研究的熱門話題，建立智能電網的重要目標和方向之一是保障供電的電能質量以及對各類不同用電用戶的使用需求提供服務。因此，實現對電能質量檢測系統的建立健全、準確評價電能質量、對電網電能質量中出現的擾動進行及時準確的識別分類是近年來研究工作者關注研究熱點問題之一[1?3]。

基于支持向量機建立的分類器能夠有效解決神經網絡分類器模型存在的容易陷入局部最優解、收斂速度慢以及需要大量訓練樣本等問題，其優勢是使用小樣本即可完成網絡訓練，能夠實現非線性以及高維度的系統識別和辨識，因而得以廣泛應用[4?6]。

使用支持向量機建立電能質量擾動識別系統時會由于擾動信號特征向量維度高、數據龐大等問題而需要建立多個分類器同時進行工作，因此支持向量機的參數選擇則直接對所建立的擾動識別系統的識別效率和準確率產生影響，使用傳統的梯度下降法、交叉驗證法等進行參數選取時往往存在容易陷入局部最優解以及計算量大等問題[7]。

為此本文提出一種基于混合核函數的LSSVM建立電能質量擾動識別系統。選取RBF核函數和Polynomial核函數分別作為局部以及全局核函數，構造混合核函數，提高系統泛化能力。使用PSO優化算法對LSSVM分類器進行分類，提高分類器的識別精度等性能。

1 小波變換原理

小波分析實際是對分析信號和使用的小波信號的相似度進行衡量的一種從現代調和分析發展而來的方法。小波分析中，小波能熵的表述如下：

設定信號采樣個數為[N]，在[k]時刻，某信號在尺度[j]下一維小波高頻系數和小波能譜分別為[Djk]，[Ejk=Djk2]，在[k]個采樣點下，小波信號能量為[Ej=kDjk2]。則小波能熵表示為[8]：

實驗結果對比如表1所示。實驗結果表明，在同樣使用常規LSSVM模型建立的識別系統中，使用原始小波能熵進行擾動電壓信號特征提取時，系統的平均識別率為75.6%，要明顯低于使用引入加權算子的改進小波能熵83.3%的平均識別率。在同樣使用改進小波能熵進行擾動電壓信號特征提取，使用改進的LSSVM模型建立的識別系統平均識別率為90.3%，相比常規LSSVM模型建立的識別系統的平均識別率約提高了7.0%，說明本文提出的電能質量擾動識別系統的識別性能比較優秀。

表1 識別準確率對比 %

5 結 論

對電網電能質量中出現的擾動進行及時準確地識別分類是近年來研究工作者關注研究熱點問題之一。本文引入加權算子來改進傳統的相對小波能量特征提取方法，并使用混合核函數改進常規LSSVM分類模型，建立電能質量擾動識別系統。最后使用基于dSPACE的實驗工作平臺對電能質量擾動分類方法進行實驗研究，研究結果表明，本文提出的電能質量擾動識別系統的識別性能較好。

參考文獻

[1] 李庚銀，王洪磊，周明.基于改進小波能熵和支持向量機的短時電能質量擾動識別[J].電工技術學報，2009（4）：161?167.

[2] 孔英會.數據流技術及其在電力信息處理中的應用研究[D].保定：華北電力大學，2008.

[3] 王洪磊.基于小波熵和SVM的動態電能質量擾動識別研究[D].保定：華北電力大學，2007.

[4] 房國志.暫態電能質量檢測方法的研究與實現[D].哈爾濱：哈爾濱理工大學，2013.

[5] 陳華豐.電能質量擾動信號識別方法研究[D].成都：西南交通大學，2013.

[6] 何順帆.實時電能質量分析理論與技術的研究[D].武漢：華中科技大學，2013.

[7] 黃南天.基于S變換與模式識別的電能質量暫態信號分析[D].哈爾濱：哈爾濱工業大學，2012.

[8] 徐飛.基于混合核函數的LSSVM發酵建模[D].大連：大連理工大學，2012.

[9] 張楊.混合電能質量擾動信號識別算法研究[D].成都：西南交通大學，2012.

[10] 李欣.電力系統過電壓分層模式識別及其應用研究[D].重慶：重慶大學，2012.

[11] 黃南天，徐殿國，劉曉勝.基于S變換與SVM的電能質量復合擾動識別[J].電工技術學報，2011（10）：23?30.

[12] 王麗霞.基于信號處理的電能質量擾動檢測與識別[D].成都：西南交通大學，2010.

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

[14] 周金明，王傳玉，何幫強.基于混合核函數FOA?LSSVM的預測模型[J].計算機工程與應用，2015，51（4）：133?137.