一種基于s變換和改進svm算法的暫態(tài)電能擾動識別方法
【技術領域】
[0001] 本發(fā)明是一種基于S變換和改進SVM算法的暫態(tài)電能擾動識別方法，應用于電能質 量暫態(tài)擾動自動分類及定位、設備狀態(tài)在線監(jiān)測及評估W及電能質量治理。
【背景技術】
[0002] 非線性負荷、沖擊性負荷W及單相負荷的存在，使電網環(huán)境受到嚴重污染，因此導 致的電能質量問題也日益引起人們的重視。電能質量暫態(tài)擾動自動分類技術是電能質量分 析與控制的重要基礎，對暫態(tài)治理、電力電子設備狀態(tài)監(jiān)控、擾動源定位等工作具有重要的 意義。為提高人們的生活水平和保證正常的工業(yè)生產，必須要保證電力系統能夠提供優(yōu)質 的電力能源。各類電能質量擾動的智能分類已成為電力系統重要的研究課題;一個方便、快 捷、準確的分類算法可W為現代智能電表和電網實時監(jiān)控系統提供更加高層的應用。
[0003] 常用的擾動識別方法一般包括信號處理和模式識別2個步驟。傳統的暫態(tài)擾動識 別分類方法常采用小波變換、短時傅里葉變換等作為信號處理手段。小波變換由于具有良 好的時頻特性被廣泛用于電能質量擾動信號的特征提取，但小波變換的結果缺乏直觀性， 存在頻譜泄露及易受噪聲影響等問題。而短時傅里葉變換存在需要選擇窗口類型和寬度及 窗口寬度固定等缺陷，在電能質量分析中的使用也受到限制。S變換是對短時傅里葉變換和 小波變換的發(fā)展和繼承，其結果具有直觀性且不易受噪聲影響。模式識別方面，常用的方法 有人工神經網絡、支持向量機、模糊分類等。相比其他方法，支持向量機分類效率高，抗干擾 能力強，具有一定的使用價值。但對預測向量較密集的場合，分類的可行度不高。需要針對 應用的具體場合對其分類結果可信度較低的場合進行優(yōu)化。

【發(fā)明內容】

[0004] 本發(fā)明的目的在于克服現有技術的不足，提供一種科學合理，適應性強、抗干擾能 力強，具有推廣價值的基于S變換和改進SVM算法的暫態(tài)電能擾動識別方法。
[0005] 本發(fā)明的目的是通過W下技術方案實現的:基于S變換和改進SVM算法的暫態(tài)電能 擾動識別方法，它包括W下步驟：
[0006] 1)將擾動信號利用改進S變換進行處理：
[0007] 改進S變換的關鍵在高斯窗中加入了調節(jié)因子λΜ，根據樣本信號的頻率分布情況 加快或減慢高斯窗的寬度隨頻率變換的速度。改進的S變換的計算公式為：
[000引
（1)
[0009] 式中λΜ為調節(jié)因子。當λΜ>1時，窗寬度隨頻率呈反比例加快變化，時間分辨率更 高;當0 <λΜ< 1時，高斯窗變化速度變慢，頻率分辨率提高。
[0010] 2)擾動信號特征提取
[0011] 確定8種特征構建特征向量，從原始信息和改進S變換計算結果中提取分類所需特 征量，各特征量含義如下：
[0012] FI:基頻幅值均值
[0013] F2:基頻幅值中幅值大于標準值105%的采樣點個數
[0014] F3:基頻幅值中幅值小于標準值95%的采樣點個數
[0015] F4:基頻幅值中幅值小于標準值10 %的采樣點個數
[0016] 陽:頻率包絡線波峰個數
[0017] F6:行向量極大值時間包絡線中提取大于等于3倍基頻的均值
[0018] F7:時域包絡線標準差
[0019] F8:頻譜的標準差
[0020] 3)設計基于半監(jiān)督學習算法的SVM分類器對樣本進行分類
[0021] 針對所設及的6種擾動設計分類器進行分類，其中包括S1理想電壓信號、S2暫降電 壓信號、S3暫升電壓信號、S4電壓中斷信號、S5暫態(tài)振蕩信號和、S6短時諧波信號。分類器的 設計原則是:先用SVM算法對樣本進行分類，然后用半監(jiān)督學習分類算法最近鄰分類對SVM 決策函數結果進行無監(jiān)督校正，如果SVM算法的分類結果可信度較高，則接受分類結果，如 果SVM算法的分類結果可信度較低，則運用改進的最近鄰算法確定預測向量周圍一定區(qū)域Μ 內的支持向量，對預測向量和支持向量求歐式距離值，并將距離的倒數作為決策變量，將同 類別有效支持向量的決策變量的平均值作為決策函數值，對預測向量Μ區(qū)域內所有的各類 支持向量的決策函數值進行比較，從大到小的進行排列，與SVM算法分類的結果進行統計分 析，最終確定分類結果。
[0022] 基于S變換和改進SVM算法的暫態(tài)電能擾動識別方法，首先將擾動信號利用改進S 變換進行處理，S變換方法不僅具有短時傅里葉變換單頻域獨立分析的能力，還具有小波變 換的時域和頻域局部化特性，具有自適應時頻窗，通過對S變換的改進，得到廣義S變換，改 進S變換的關鍵在高斯窗中加入了調節(jié)因子λΜ，根據樣本信號的頻率分布情況加快或減慢 高斯窗的寬度隨頻率變換的速度，能更好的對擾動信號進行分析;在此基礎上，從原始信息 和改進S變換計算結果中提取6種特征構建特征向量;最后采用基于半監(jiān)督學習算法的SVM 算法對樣本進行分類識別。與W往的電能質量擾動分類方法相比，在保證了 SVM算法識別準 確率的基礎上，在SVM算法可信度較低的樣本中，引入改進的半監(jiān)督學習算法，能夠進一步 提高擾動信號的識別準確率，具有科學合理，適應性強，推廣價值高等優(yōu)點。
【附圖說明】
[0023] 圖1為本發(fā)明實施例基于S變換和改進SVM算法的暫態(tài)電能擾動識別方法的流程 圖。
[0024] 圖2為本發(fā)明實施例基于S變換和改進SVM算法的暫態(tài)電能擾動識別方法中改進S 變換算法流程圖。
[0025] 圖3為本發(fā)明實施例基于S變換和改進SVM算法的暫態(tài)電能擾動識別方法中改進S 變換對電能質量擾動信號的處理流程圖。
[0026] 圖4為本發(fā)明實施例基于S變換和改進SVM算法的暫態(tài)電能擾動識別方法中暫態(tài)電 能質量擾動分類流程圖。
【具體實施方式】
[0027] 為了使本發(fā)明的目的及優(yōu)點更加清楚明白，W下結合實施例對本發(fā)明進行進一步 詳細說明。應當理解，此處所描述的具體實施例僅僅用W解釋本發(fā)明，并不用于限定本發(fā)明
[0028] 如圖1所示，本發(fā)明實施例提供了一種基于S變換和改進SVM算法的暫態(tài)電能擾動 識別方法，它包括W下步驟：
[0029] 1)將擾動信號利用改進S變換進行處理：
[0030] 改進S變換的關鍵在高斯窗中加入了調節(jié)因子λΜ，根據樣本信號的頻率分布情況 加快或減慢高斯窗的寬度隨頻率變換的速度。改進的S變換的計算公式為：
[00 川
（1)
[0032] 式中λΜ為調節(jié)因子。當λΜ>1時，窗寬度隨頻率呈反比例加快變化，時間分辨率更 高;當0<λΜ< 1時，高斯窗變化速度變慢，頻率分辨率提高。
[00