基于pso優(yōu)化的svm的電能質(zhì)量擾動(dòng)識(shí)別與分類方法
【專利摘要】本發(fā)明公開(kāi)了一種基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，采用復(fù)小波變換對(duì)擾動(dòng)信號(hào)進(jìn)行檢測(cè)和定位，有效提取動(dòng)態(tài)電能質(zhì)量擾動(dòng)的特征向量，通過(guò)PSO算法對(duì)SVM參數(shù)進(jìn)行優(yōu)化后，對(duì)其根據(jù)提取的特征信號(hào)對(duì)動(dòng)態(tài)電能質(zhì)量擾動(dòng)進(jìn)行自動(dòng)識(shí)別與分類。復(fù)小波變換能夠彌補(bǔ)以往實(shí)小波變化只能分析信號(hào)幅頻的缺點(diǎn)，可同時(shí)分析信號(hào)的幅頻和相頻特性并能提供多種復(fù)合信息，能更準(zhǔn)確地識(shí)別出電力系統(tǒng)中最常見(jiàn)的幾種動(dòng)態(tài)擾動(dòng)信號(hào)，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)識(shí)別干擾信號(hào)等方法相比，該方法識(shí)別準(zhǔn)確可靠并且準(zhǔn)確率更高。
【專利說(shuō)明】基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于電力系統(tǒng)電能質(zhì)量分析技術(shù)研究領(lǐng)域，具體涉及一種基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類方法。
【背景技術(shù)】
[0002]電能質(zhì)量(Power Quality, PQ)問(wèn)題已引起電力行業(yè)工作者的廣泛關(guān)注。隨著工業(yè)控制領(lǐng)域向非線性、網(wǎng)絡(luò)集成化、大規(guī)模等方向發(fā)展以及系統(tǒng)中大型整流設(shè)備、變頻調(diào)速設(shè)備等非線性負(fù)荷容量不斷增多，多電網(wǎng)供電電能質(zhì)量造成了嚴(yán)重污染，嚴(yán)重影響電力企業(yè)供電電能的質(zhì)量，對(duì)電能質(zhì)量擾動(dòng)準(zhǔn)確識(shí)別與分類，是保障電網(wǎng)安全經(jīng)濟(jì)運(yùn)行和提高供電質(zhì)量的前提。
[0003]近年來(lái)，針對(duì)電能質(zhì)量分析采用的方法基本都是基于數(shù)字信號(hào)處理和人工智能的方法，即先采用傅里葉變換、短時(shí)傅里葉變換、小波變換、dq變換等數(shù)字信號(hào)處理工具對(duì)電能質(zhì)量擾動(dòng)進(jìn)行檢測(cè)和特征提取，然后采用人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)等人工智能方法對(duì)電能質(zhì)量擾動(dòng)進(jìn)行分類。基于專家系統(tǒng)的方法的缺點(diǎn)是電能質(zhì)量擾動(dòng)的知識(shí)提取較難實(shí)現(xiàn)，而且隨著電能質(zhì)量擾動(dòng)種類的增加，專家系統(tǒng)易產(chǎn)生組合爆炸問(wèn)題；人工神經(jīng)網(wǎng)絡(luò)雖然已在很多領(lǐng)域得到了廣泛應(yīng)用，但是它自身存在比較大的缺陷，例如算法存在局部最優(yōu)問(wèn)題、算法存在過(guò)擬合和欠擬合問(wèn)題、收斂性較差、訓(xùn)練時(shí)間較長(zhǎng)、可靠性有限等
[0004]電網(wǎng)中電能質(zhì)量擾動(dòng)信號(hào)的識(shí)別及分類主要研究特征向量的提取、SVM分類器的優(yōu)化等問(wèn)題。目前學(xué)術(shù)研究領(lǐng)域，大多利用小波變換的多分辨分析的特性，在時(shí)-頻屏幕不同位置具有不同分辨率，通過(guò)幅值特性來(lái)實(shí)現(xiàn)電能質(zhì)量的擾動(dòng)定位、擾動(dòng)持續(xù)時(shí)間的確定等，但是擾動(dòng)信號(hào)不僅相頻特性多樣，而且相位也很重要，提取相位信息，將會(huì)對(duì)分析電網(wǎng)中干擾信號(hào)的研究提供新思想和新技術(shù)。此外，在現(xiàn)階段，用于電能質(zhì)量擾動(dòng)識(shí)別與分類構(gòu)造的SVM分類器在參數(shù)選擇方面，都是給定的參數(shù)，而未找到最佳方法對(duì)參數(shù)進(jìn)行尋優(yōu)。

【發(fā)明內(nèi)容】

[0005]針對(duì)現(xiàn)有技術(shù)中存在的上述技術(shù)問(wèn)題，本發(fā)明提出了一種基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，采用復(fù)小波變換對(duì)擾動(dòng)信號(hào)進(jìn)行檢測(cè)和定位，有效提取動(dòng)態(tài)電能質(zhì)量擾動(dòng)的特征向量，通過(guò)PSO算法對(duì)SVM參數(shù)進(jìn)行優(yōu)化后，對(duì)其根據(jù)提取的特征信號(hào)對(duì)動(dòng)態(tài)電能質(zhì)量擾動(dòng)進(jìn)行自動(dòng)識(shí)別與分類，能夠有效提高電能質(zhì)量擾動(dòng)檢測(cè)與分類的訓(xùn)練速度和分類準(zhǔn)確率。
[0006]為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案:
[0007]基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，包括如下步驟:
[0008]a、建立含有常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)的信號(hào)模型，采用復(fù)小波變換從輸入電壓信號(hào)中提取擾動(dòng)信號(hào)，通過(guò)構(gòu)造采用Mallat快速小波算法的Db4正交緊支復(fù)小波對(duì)擾動(dòng)信號(hào)進(jìn)行多尺度復(fù)小波分解，得到復(fù)小波系數(shù)；其中，常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)包括電壓驟升信號(hào)、電壓驟降信號(hào)、暫時(shí)電壓中斷信號(hào)、暫態(tài)脈沖信號(hào)和暫態(tài)振蕩信號(hào)；[0009]b、根據(jù)復(fù)小波系數(shù)的實(shí)部和虛部，計(jì)算提取擾動(dòng)信號(hào)的簡(jiǎn)單和復(fù)合信息；
[0010]C、對(duì)擾動(dòng)信號(hào)進(jìn)行多尺度復(fù)小波分解后，選取各層上的能量、平均值、標(biāo)準(zhǔn)偏差、擾動(dòng)持續(xù)時(shí)間及步驟b中構(gòu)造的復(fù)合信息構(gòu)成擾動(dòng)信號(hào)的特征向量；
[0011]d、首先利用PSO尋優(yōu)最佳參數(shù)的SVM，構(gòu)造多級(jí)聚類SVM分類樹(shù)，其次將特征向量及特征向量對(duì)應(yīng)的類別輸入該分類樹(shù)進(jìn)行訓(xùn)練得到訓(xùn)練樣本，然后利用訓(xùn)練樣本對(duì)包含上述常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)的測(cè)試樣本進(jìn)行分類，最后得到并輸出所求的相對(duì)應(yīng)的分類結(jié)果。
[0012]進(jìn)一步，上述步驟b中，經(jīng)過(guò)復(fù)小波變換得到的簡(jiǎn)單信息包括實(shí)部、虛部、幅度和相位，根據(jù)這些簡(jiǎn)單信息構(gòu)造動(dòng)態(tài)擾動(dòng)信號(hào)的復(fù)合信息包括虛部和相位復(fù)合、實(shí)部和相位復(fù)合、以及幅度和相位復(fù)合。
[0013]本發(fā)明的優(yōu)點(diǎn)是:
[0014]本發(fā)明采用復(fù)小波變換對(duì)擾動(dòng)信號(hào)進(jìn)行檢測(cè)和定位，有效提取動(dòng)態(tài)電能質(zhì)量擾動(dòng)的特征向量，通過(guò)PSO算法對(duì)SVM參數(shù)進(jìn)行優(yōu)化后，對(duì)其根據(jù)提取的特征信號(hào)對(duì)動(dòng)態(tài)電能質(zhì)量擾動(dòng)進(jìn)行自動(dòng)識(shí)別與分類，能夠有效提高電能質(zhì)量擾動(dòng)檢測(cè)與分類的訓(xùn)練速度和分類準(zhǔn)確率。復(fù)小波變換能夠彌補(bǔ)以往實(shí)小波變化只能分析信號(hào)幅頻的缺點(diǎn)，可同時(shí)分析信號(hào)的幅頻和相頻特性并能提供多種復(fù)合信息，能更準(zhǔn)確地識(shí)別出電力系統(tǒng)中最常見(jiàn)的幾種動(dòng)態(tài)擾動(dòng)信號(hào)，與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)識(shí)別干擾信號(hào)等方法相比，該方法識(shí)別準(zhǔn)確可靠并且準(zhǔn)確率更高。
【專利附圖】

【附圖說(shuō)明】
[0015]圖1為本發(fā)明中基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別方法框圖；
[0016]圖2為圖1中擾動(dòng)識(shí)別和分類方法具體流程圖；
[0017]圖3為動(dòng)態(tài)電能質(zhì)量擾動(dòng)多級(jí)聚類SVM分類樹(shù)的示意圖；
[0018]圖4為圖1中PSO尋優(yōu)結(jié)果圖；
[0019]圖5為本發(fā)明中基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)分類結(jié)果圖，圖中示出了電壓驟升試驗(yàn)過(guò)程中的分類結(jié)果；
[0020]圖6為傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)法訓(xùn)練曲線圖，圖中示出了電壓驟升試驗(yàn)過(guò)程中的訓(xùn)練曲線；
[0021]圖7為BP神經(jīng)網(wǎng)絡(luò)法分類結(jié)果圖，圖中示出了電壓驟升試驗(yàn)過(guò)程中的分類結(jié)果。【具體實(shí)施方式】
[0022]下面結(jié)合附圖以及【具體實(shí)施方式】對(duì)本發(fā)明作進(jìn)一步詳細(xì)描述:
[0023]如圖1至7所示，基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，包括如下步驟:
[0024]a、建立含有常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)的信號(hào)模型，常見(jiàn)的擾動(dòng)信號(hào)包括電壓驟升信號(hào)、電壓驟降信號(hào)、暫時(shí)電壓中斷信號(hào)、暫態(tài)脈沖信號(hào)和暫態(tài)振蕩信號(hào)五種，表I示出了五種常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)的模型及相應(yīng)的參數(shù)設(shè)置。
[0025]表I五種常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)模型
[0026]
【權(quán)利要求】
1.基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，其特征在于包括如下步驟: a、建立含有常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)的信號(hào)模型，采用復(fù)小波變換從輸入電壓信號(hào)中提取擾動(dòng)信號(hào)，通過(guò)構(gòu)造采用Mallat快速小波算法的Db4正交緊支復(fù)小波對(duì)擾動(dòng)信號(hào)進(jìn)行多尺度復(fù)小波分解，得到復(fù)小波系數(shù)； b、根據(jù)復(fù)小波系數(shù)的實(shí)部和虛部，計(jì)算提取擾動(dòng)信號(hào)的簡(jiǎn)單和復(fù)合信息； C、對(duì)擾動(dòng)信號(hào)進(jìn)行多尺度復(fù)小波分解后，選取各層上的能量、平均值、標(biāo)準(zhǔn)偏差、擾動(dòng)持續(xù)時(shí)間及步驟b中構(gòu)造的復(fù)合信息構(gòu)成擾動(dòng)信號(hào)的特征向量； d、首先利用PSO尋優(yōu)最佳參數(shù)的SVM，構(gòu)造多級(jí)聚類SVM分類樹(shù)，其次將特征向量及特征向量對(duì)應(yīng)的類別輸入該分類樹(shù)進(jìn)行訓(xùn)練得到訓(xùn)練樣本，然后利用訓(xùn)練樣本對(duì)包含上述常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)的測(cè)試樣本進(jìn)行分類，最后得到并輸出所求的相對(duì)應(yīng)的分類結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，其特征在于，所述步驟b中，經(jīng)過(guò)復(fù)小波變換得到的簡(jiǎn)單信息包括實(shí)部、虛部、幅度和相位，根據(jù)這些簡(jiǎn)單信息構(gòu)造動(dòng)態(tài)擾動(dòng)信號(hào)的復(fù)合信息包括虛部和相位復(fù)合、實(shí)部和相位復(fù)合、以及幅度和相位復(fù)合。
3.根據(jù)權(quán)利要求1所述的基于PSO優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，其特征在于，所述常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)包括電壓驟升信號(hào)、電壓驟降信號(hào)、暫時(shí)電壓中斷信號(hào)、暫態(tài)脈沖信號(hào)和暫態(tài)振蕩信號(hào)。
【文檔編號(hào)】G06K9/62GK103743980SQ201410015150
【公開(kāi)日】2014年4月23日 申請(qǐng)日期:2014年1月14日 優(yōu)先權(quán)日:2014年1月14日
【發(fā)明者】楊寧霞 申請(qǐng)人:山東科技大學(xué)