一种基于鸟群算法与SVM的电能质量扰动源判断方法
专利汇可以提供一种基于鸟群算法与SVM的电能质量扰动源判断方法专利检索，专利查询，专利分析的服务。并且本 发明 提供了一种基于 鸟 群 算法 与SVM的 电能 质量 扰动源判断方法，先采集系统中各负荷 电流 数据、公共 节点 电压 数据，依据皮尔逊相关系数模型计算各负荷电流和公共节点电压 波形 的相关系数，建立非线性负荷与线性负荷辨别评价指标；依据功率增量模型，计算同一时段各负荷支路的功率增量序列及功率增量平均值，通过比较功率增量平均值建立动态负荷及静态负荷辨别评价指标；依据谐波责任指标模型，建立不同谐波责任下电能质量责任评价指标；建立分析 支持向量机 函数模型，并代入鸟群算法，输出最佳 位置 ，求解最优函数，识别出配 电网 中电能质量扰动源。本发明能够为划分和评估各谐波源或闪变源责任提供重要前提条件，为用户侧电能质量治理工作提供技术保障。，下面是一种基于鸟群算法与SVM的电能质量扰动源判断方法专利的具体信息内容。
1.一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，包括以下步骤：
S1、采集初始数据，包括各负荷电流、公共节点电压数据；
S2、依据皮尔逊相关系数，建立线性、非线性负荷辨别评价指标；根据建立的线性、非线性负荷辨别评价指标，计算各负荷电流和公共节点电压波形的相关系数，确定各负荷电流与公共节点电压的相似程度，确定扰动源类别；
依据功率增量模型，建立动态负荷及静态负荷辨别评价指标；根据建立的动态负荷及静态负荷辨别评价指标，计算公共节点电压和各负荷电流的增量序列及功率增量平均值，确定扰动源类别；功率增量模型为An＝ΔUn·ΔIn，式中，ΔUn、ΔIn分别为电压、电流增量，并且具体表示为ΔUn＝Un+1-Un、ΔIn＝In+1-In，其中Un+1、Un分别为n+1周期、n周期时的公共节点电压有效值，In+1、In分别为n+1周期、n周期时的负荷电流有效值；
利用快速傅里叶变换对采集到的各负荷电流和公共节点电压信号进行分解、重构，提取公共节点电压、各负荷电流信号的各次谐波频率分量；依据谐波阻抗、背景谐波电压模型，建立电能质量责任评价指标，确定电能质量责任；谐波阻抗、背景谐波电压模型为式中，μpcc,i为电能质量责任比重；
Upcc,i为扰动源在公共节点产生的谐波电压；Upcc为公共节点电压；Zpcc,i为扰动源对公共节点产生的等效谐波阻抗；Ii为负荷电流；αi为扰动源与公共节点电压相角差；
S3、建立分析支持向量机函数模型，设定期望值，设定参数值；
S4、初始化鸟群算法参数，将步骤S3中的函数通过鸟群算法，输出最佳空间位置；
S5、根据步骤S2中的皮尔逊相关系数、功率增量平均值、电能质量责任评价指标以及步骤S4输出的最佳空间位置求解最优函数，根据最优函数值确定不同谐波频率下配电网中是否存在电能质量扰动源。
2.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S1中，分别采集不同负荷电流数据、公共节点电压数据，得到不同负荷支路电流波形图及公共节点电压波形图。
3.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S2中，皮尔逊相关系数模型表示为：
式中，
Cov(X,Y)为负荷电流、公共节点电压的协方差；
为负荷电流、公共节点电压的方差；
Xi、Yi分别为负荷电流、公共节点电压第i个采样样本的取值；
分别为负荷电流、公共节点电压的均值；
n为变量的样本值；
皮尔逊相关系数的绝对值大小和线性相关程度之间的关系为：
0.95＜∣rXY∣≤1，线性相关为极强相关；
0.8＜∣rXY∣≤0.95，线性相关为强相关；
0.6＜∣rXY∣≤0.8，线性相关为中等程度相关；
0.2＜∣rXY∣≤0.6，线性相关为弱相关；
0.0＜∣rXY∣≤0.2，线性相关为极弱相关或无相关。
4.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S2中建立的动态负荷及静态负荷辨别评价指标表示为：
式中，
为某一负荷的功率增量序列平均值；
An为该负荷支路的功率增量序列；
功率增量平均值的大小符号与负荷性质的关系为： 为正号时，为静态负荷； 为负号时，为动态负荷。
5.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S2中，利用快速傅里叶变换提取公共节点电压、各负荷电流信号的各次谐波频率分量，得到不同谐波频率下的电流、电压具体值；电能质量责任评价指标表示为：
式中，
μpcc,i为电能质量责任比重；
Upcc,i为扰动源在公共节点产生的谐波电压；
Upcc为公共节点电压；
Zpcc,i为扰动源对公共节点产生的等效谐波阻抗；
Ii为负荷电流；
αi为扰动源与公共节点电压相角差。
6.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S3中，设定惩罚因子C和核函数参数g的搜寻范围；给定n组监测点采集数据构成训练集；
参数优化目标适应度函数为：
式中，
C为惩罚因子，Cmin、Cmax分别为惩罚因子的最小值、最大值；
g为核函数参数，gmin、gmax分别为核函数参数的最小值、最大值；
ε为不敏感损失系数，εmin、εmax分别为不敏感损失系数的最小值、最大值；
yi为第i个样本的实际值；
为总样本的模拟值。
7.根据权利要求6所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S4具体包括以下步骤：
①初始化鸟群算法中各参数，初始化种群规模N、搜索空间维数d，最大迭代次数T、飞行间隔FQ、觅食概率P以及其余常量；令t＝0，随机初始化鸟群个体空间位置xit；
②根据步骤S3参数优化目标适应度函数计算个体适应度函数值，找到并保留当前鸟个体最好空间位置；判断算法终止条件是否满足，若满足则输出最佳空间位置，否则执行步骤③；
③基于觅食行为规则的随机策略在(0，1)内产生随机数，如果该随机数小于觅食概率，则进行觅食行为，并更新位置；否则保持警戒行为，并更新位置；
④将群体分为两个部分，即生产者和索取者；如果第i只鸟为生产者，则更新位置；否则作为索取者，更新位置；
⑤根据步骤S3参数优化目标适应度函数计算鸟个体适应度函数值，如果当前位置位于前次保留位置，则保留当前鸟个体位置为最佳位置；
⑥判断算法迭代终止条件是否满足，若满足则输出最佳空间位置即(C、g、ε)值，并将其作为最佳学习参数对样本进行评价和检验；否则令t＝t+1，并重复执行步骤③-⑥。
8.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S5还包括将步骤S2中皮尔逊相关系数、功率增量平均值、电能质量责任评价指标特征值进行归一化处理：
式中，
为经过归一化后的数据；
x为各评价指标原始数据；
xmax为各评价指标的上限值；
xmin为各评价指标的下限值。
9.根据权利要求8所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S5中的最优函数为：
式中，x1，x2，x3分别为皮尔逊相关系数、功率增量平均值、电能质量责任评价指标归一化的数据；α1、α2、α3为对应判据的权重系数；b为偏差量；α为多重判据权重向量，α、b为经过SVM智能训练后得到的结果，根据步骤S4输出的最佳空间位置(C、g、ε)值即可得出α、b； 为多重判据向量。
10.根据权利要求9所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S5中，当最优解y大于零时，则表明其所在负荷存在扰动源；当最优解y小于零时，则表明其所在负荷不存在扰动源。
一种基于鸟群算法与SVM的电能质量扰动源判断方法
技术领域
背景技术
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 交通拥堵的治理方法及装置 | 2020-05-11 | 436 |
| 一种获取野外生境下植物重碳酸盐利用份额的方法 | 2020-05-12 | 604 |
| 一种铀和汞混合污染土壤的环境风险评估方法及系统 | 2020-05-08 | 100 |
| 电网规划决策数据噪音识别与降噪方法及系统 | 2020-05-11 | 914 |
| 基于对群组、团队和站点的分类的策略 | 2020-05-08 | 157 |
| 一种快速监测评定选择湿烟羽的装置和方法 | 2020-05-11 | 265 |
| 电网频发监控信息智能告警及综合分析治理方法 | 2020-05-12 | 92 |
| 一种医疗数据异构融合治理的系统及方法 | 2020-05-13 | 409 |
| 煤矿工作面回采期间矿压预测治理方法及系统 | 2020-05-11 | 607 |
| 一种水源环境保护检测系统 | 2020-05-08 | 450 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
