[发明专利]基于PSO优化的SVM的电能质量扰动识别与分类方法

说明书

技术领域

本发明属于电力系统电能质量分析技术研究领域，具体涉及一种基于PSO优化的SVM的电能质量扰动识别与分类方法。 

背景技术

电能质量(Power Quality,PQ)问题已引起电力行业工作者的广泛关注。随着工业控制领域向非线性、网络集成化、大规模等方向发展以及系统中大型整流设备、变频调速设备等非线性负荷容量不断增多，多电网供电电能质量造成了严重污染，严重影响电力企业供电电能的质量，对电能质量扰动准确识别与分类，是保障电网安全经济运行和提高供电质量的前提。 

近年来，针对电能质量分析采用的方法基本都是基于数字信号处理和人工智能的方法，即先采用傅里叶变换、短时傅里叶变换、小波变换、dq变换等数字信号处理工具对电能质量扰动进行检测和特征提取，然后采用人工神经网络、专家系统等人工智能方法对电能质量扰动进行分类。基于专家系统的方法的缺点是电能质量扰动的知识提取较难实现，而且随着电能质量扰动种类的增加，专家系统易产生组合爆炸问题；人工神经网络虽然已在很多领域得到了广泛应用，但是它自身存在比较大的缺陷，例如算法存在局部最优问题、算法存在过拟合和欠拟合问题、收敛性较差、训练时间较长、可靠性有限等 

电网中电能质量扰动信号的识别及分类主要研究特征向量的提取、SVM分类器的优化等问题。目前学术研究领域，大多利用小波变换的多分辨分析的特性，在时-频屏幕不同位置具有不同分辨率，通过幅值特性来实现电能质量的扰动定位、扰动持续时间的确定等，但是扰动信号不仅相频特性多样，而且相位也很重要，提取相位信息，将会对分析电网中干扰信号的研究提供新思想和新技术。此外，在现阶段，用于电能质量扰动识别与分类构造的SVM分类器在参数选择方面，都是给定的参数，而未找到最佳方法对参数进行寻优。 

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于PSO优化的SVM的电能质量扰动识别与分类方法，采用复小波变换对扰动信号进行检测和定位，有效提取动态电能质量扰动的特征向量，通过PSO算法对SVM参数进行优化后，对其根据提取的特征信号对动态电能质量扰动进行自动识别与分类，能够有效提高电能质量扰动检测与分类的训练速度和分类准确率。 

为了实现上述目的，本发明采用如下技术方案： 

基于PSO优化的SVM的电能质量扰动识别与分类方法，包括如下步骤： 

a、建立含有常见动态扰动信号的信号模型，采用复小波变换从输入电压信号中提取扰动信号，通过构造采用Mallat快速小波算法的Db4正交紧支复小波对扰动信号进行多尺度复小波分解，得到复小波系数；其中，常见动态扰动信号包括电压骤升信号、电压骤降信号、暂时电压中断信号、暂态脉冲信号和暂态振荡信号； 

b、根据复小波系数的实部和虚部,计算提取扰动信号的简单和复合信息； 

c、对扰动信号进行多尺度复小波分解后，选取各层上的能量、平均值、标准偏差、扰动持续时间及步骤b中构造的复合信息构成扰动信号的特征向量； 

d、首先利用PSO寻优最佳参数的SVM，构造多级聚类SVM分类树，其次将特征向量及特征向量对应的类别输入该分类树进行训练得到训练样本，然后利用训练样本对包含上述常见动态扰动信号的测试样本进行分类，最后得到并输出所求的相对应的分类结果。 

进一步，上述步骤b中，经过复小波变换得到的简单信息包括实部、虚部、幅度和相位，根据这些简单信息构造动态扰动信号的复合信息包括虚部和相位复合、实部和相位复合、以及幅度和相位复合。 

本发明的优点是： 

本发明采用复小波变换对扰动信号进行检测和定位，有效提取动态电能质量扰动的特征向量，通过PSO算法对SVM参数进行优化后，对其根据提取的特征信号对动态电能质量扰动进行自动识别与分类，能够有效提高电能质量扰动检测与分类的训练速度和分类准确率。复小波变换能够弥补以往实小波变化只能分析信号幅频的缺点，可同时分析信号的幅频和相频特性并能提供多种复合信息，能更准确地识别出电力系统中最常见的几种动态扰动信号，与传统的神经网络识别干扰信号等方法相比，该方法识别准确可靠并且准确率更高。 

附图说明

图1为本发明中基于PSO优化的SVM的电能质量扰动识别方法框图； 

图2为图1中扰动识别和分类方法具体流程图； 

图3为动态电能质量扰动多级聚类SVM分类树的示意图； 

图4为图1中PSO寻优结果图；