一種基于pso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)明設(shè)及電力系統(tǒng)電能質(zhì)量分析技術(shù)研究領(lǐng)域，更具體地，設(shè)及一種基于PS0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W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?；趯＜蚁到y(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] 本發(fā)明提供一種基于PS0的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，該方法通過(guò)PS0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] 為了達(dá)到上述技術(shù)效果，本發(fā)明的技術(shù)方案如下：
[0007] -種基于PS0的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，包括W下步驟：
[000引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Mai lat快速小波算法的化4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PS0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)一步地，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)運(yùn)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、W及幅度和相位復(fù)合。
[0013] 進(jìn)一步地，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)。
[0014] 與現(xiàn)有技術(shù)相比，本發(fā)明技術(shù)方案的有益效果是：
[0015] 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)PS0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)W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 更局。
【附圖說(shuō)明】
[0016] 圖1為本發(fā)明中基于PS0優(yōu)化的SVM的電能質(zhì)量擾動(dòng)識(shí)別方法框圖；
[0017]圖2為圖1中擾動(dòng)識(shí)別和分類方法具體流程圖；
[0018]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；
[0019]圖4為圖1中PS0尋優(yōu)結(jié)果圖；
[0020] 圖5為本發(fā)明中基于PS0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；
[0021] 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；
[0022] 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】
[0023] 附圖僅用于示例性說(shuō)明，不能理解為對(duì)本專利的限制；
[0024] 為了更好說(shuō)明本實(shí)施例，附圖某些部件會(huì)有省略、放大或縮小，并不代表實(shí)際產(chǎn)品 的尺寸；
[0025] 對(duì)于本領(lǐng)域技術(shù)人員來(lái)說(shuō)，附圖中某些公知結(jié)構(gòu)及其說(shuō)明可能省略是可W理解 的。
[0026] 下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的說(shuō)明。
[0027] 實(shí)施例1
[00%]如圖1至7所示，一種基于PS0的電能質(zhì)量擾動(dòng)識(shí)別與分類方法，包括W下步驟： [0029] 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1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。
[0030] 表1表1五種常見(jiàn)動(dòng)態(tài)擾動(dòng)信號(hào)模型
[0031]
[0033] 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 算法的化4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，得到擾動(dòng)信號(hào)在各個(gè)頻帶 上的結(jié)構(gòu)信息即復(fù)小波系數(shù)。其中，對(duì)擾動(dòng)信號(hào)提取的具體做法如下：
[0034] 設(shè)f(t)為含有擾動(dòng)信號(hào)的輸入電壓信號(hào)，將輸入電壓信號(hào)f(t)進(jìn)行連續(xù)復(fù)小波變 換和逆變換得到：
[0035]
[0036] 式中，波函數(shù)iKt)為連續(xù)小波，表示iKt)的復(fù)共輛，a為伸縮因子，b為平移因子，為 避免復(fù)小波變換時(shí)重構(gòu)的信號(hào)能量發(fā)生轉(zhuǎn)移，將輸入電壓信號(hào)f(t)轉(zhuǎn)換成解析信號(hào)為：
[0037] z(t)=f(t)+j