技术领域
[0001] 本
发明是一种基于S变换和改进SVM算法的暂态电能扰动识别方法,应用于电能
质量暂态扰动自动分类及
定位、设备状态在线监测及评估以及电能质量治理。
背景技术
[0002] 非线性负荷、冲击性负荷以及单相负荷的存在,使
电网环境受到严重污染,因此导致的电能质量问题也日益引起人们的重视。电能质量暂态扰动自动分类技术是电能质量分析与控制的重要
基础,对暂态治理、电
力电子设备状态监控、扰动源定位等工作具有重要的意义。为提高人们的生活
水平和保证正常的工业生产,必须要保证电力系统能够提供优质的电力
能源。各类电能质量扰动的智能分类已成为电力系统重要的研究课题;一个方便、快捷、准确的分类算法可以为现代智能电表和电网实时
监控系统提供更加高层的应用。
[0003] 常用的扰动识别方法一般包括
信号处理和
模式识别2个步骤。传统的暂态扰动识别分类方法常采用
小波变换、短时傅里叶变换等作为
信号处理手段。小波变换由于具有良好的时频特性被广泛用于电能质量
扰动信号的特征提取,但小波变换的结果缺乏直观性,存在
频谱泄露及易受噪声影响等问题。而短时傅里叶变换存在需要选择窗口类型和宽度及窗口宽度固定等
缺陷,在电能质量分析中的使用也受到限制。S变换是对短时傅里叶变换和小波变换的发展和继承,其结果具有直观性且不易受噪声影响。模式识别方面,常用的方法有
人工神经网络、
支持向量机、模糊分类等。相比其他方法,支持向量机分类效率高,抗干扰能力强,具有一定的使用价值。但对预测向量较密集的场合,分类的可行度不高。需要针对应用的具体场合对其分类结果可信度较低的场合进行优化。
发明内容
[0004] 本发明的目的在于克服
现有技术的不足,提供一种科学合理,适应性强、抗干扰能力强,具有推广价值的基于S变换和改进SVM算法的暂态电能扰动识别方法。
[0005] 本发明的目的是通过以下技术方案实现的:基于S变换和改进SVM算法的暂态电能扰动识别方法,它包括以下步骤:
[0006] 1)将扰动信号利用改进S变换进行处理:
[0007] 改进S变换的关键在高斯窗中加入了调节因子λM,根据样本信号的
频率分布情况加快或减慢高斯窗的宽度随频率变换的速度。改进的S变换的计算公式为:
[0008]
[0009] 式中λM为调节因子。当λM>1时,窗宽度随频率呈反比例加快变化,时间
分辨率更高;当0<λM<1时,高斯窗变化速度变慢,频率分辨率提高。
[0010] 2)扰动信号特征提取
[0011] 确定8种特征构建
特征向量,从原始信息和改进S变换计算结果中提取分类所需特征量,各特征量含义如下:
[0012] F1:基频幅值均值
[0013] F2:基频幅值中幅值大于标准值105%的
采样点个数
[0014] F3:基频幅值中幅值小于标准值95%的采样点个数
[0015] F4:基频幅值中幅值小于标准值10%的采样点个数
[0016] F5:频率包络线波峰个数
[0017] F6:行向量极大值时间包络线中提取大于等于3倍基频的均值
[0018] F7:时域包络线标准差
[0019] F8:频谱的标准差
[0020] 3)设计基于半
监督学习算法的SVM分类器对样本进行分类
[0021] 针对所涉及的6种扰动设计分类器进行分类,其中包括S1理想
电压信号、S2暂降电压信号、S3暂升电压信号、S4电压中断信号、S5暂态振荡信号和、S6短时谐波信号。分类器的设计原则是:先用SVM算法对样本进行分类,然后用
半监督学习分类算法最近邻分类对SVM决策函数结果进行无监督校正,如果SVM算法的分类结果可信度较高,则接受分类结果,如果SVM算法的分类结果可信度较低,则运用改进的最近邻算法确定预测向量周围一定区域M内的支持向量,对预测向量和支持向量求欧式距离值,并将距离的倒数作为决策变量,将同类别有效支持向量的决策变量的平均值作为决策函数值,对预测向量M区域内所有的各类支持向量的决策函数值进行比较,从大到小的进行排列,与SVM算法分类的结果进行统计分析,最终确定分类结果。
[0022] 基于S变换和改进SVM算法的暂态电能扰动识别方法,首先将扰动信号利用改进S变换进行处理,S变换方法不仅具有短时傅里叶变换单频域独立分析的能力,还具有小波变换的时域和频域局部化特性,具有自适应时频窗,通过对S变换的改进,得到广义S变换,改进S变换的关键在高斯窗中加入了调节因子λM,根据样本信号的频率分布情况加快或减慢高斯窗的宽度随频率变换的速度,能更好的对扰动信号进行分析;在此基础上,从原始信息和改进S变换计算结果中提取6种特征构建特征向量;最后采用基于半监督学习算法的SVM算法对样本进行分类识别。与以往的电能质量扰动分类方法相比,在保证了SVM算法识别准确率的基础上,在SVM算法可信度较低的样本中,引入改进的半监督学习算法,能够进一步提高扰动信号的识别准确率,具有科学合理,适应性强,推广价值高等优点。
附图说明
[0023] 图1为本发明
实施例基于S变换和改进SVM算法的暂态电能扰动识别方法的
流程图。
[0024] 图2为本发明实施例基于S变换和改进SVM算法的暂态电能扰动识别方法中改进S变换算法流程图。
[0025] 图3为本发明实施例基于S变换和改进SVM算法的暂态电能扰动识别方法中改进S变换对电能质量扰动信号的处理流程图。
[0026] 图4为本发明实施例基于S变换和改进SVM算法的暂态电能扰动识别方法中暂态电能质量扰动分类流程图。
具体实施方式
[0027] 为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明[0028] 如图1所示,本发明实施例提供了一种基于S变换和改进SVM算法的暂态电能扰动识别方法,它包括以下步骤:
[0029] 1)将扰动信号利用改进S变换进行处理:
[0030] 改进S变换的关键在高斯窗中加入了调节因子λM,根据样本信号的频率分布情况加快或减慢高斯窗的宽度随频率变换的速度。改进的S变换的计算公式为:
[0031]
[0032] 式中λM为调节因子。当λM>1时,窗宽度随频率呈反比例加快变化,
时间分辨率更高;当0<λM<1时,高斯窗变化速度变慢,频率分辨率提高。
[0033] 2)扰动信号特征提取
[0034] 确定8种特征构建特征向量,从原始信息和改进S变换计算结果中提取分类所需特征量,各特征量含义如下:
[0035] F1:基频幅值均值
[0036] F2:基频幅值中幅值大于标准值105%的采样点个数
[0037] F3:基频幅值中幅值小于标准值95%的采样点个数
[0038] F4:基频幅值中幅值小于标准值10%的采样点个数
[0039] F5:频率包络线波峰个数
[0040] F6:行向量极大值时间包络线中提取大于等于3倍基频的均值
[0041] F7:时域包络线标准差
[0042] F8:频谱的标准差
[0043] 3)设计基于半监督学习算法的SVM分类器对样本进行分类
[0044] 针对所涉及的6种扰动设计分类器进行分类,其中包括S1理想电压信号、S2暂降电压信号、S3暂升电压信号、S4电压中断信号、S5暂态振荡信号和、S6短时谐波信号。分类器的设计原则是:先用SVM算法对样本进行分类,然后用半监督学习分类算法最近邻分类对SVM决策函数结果进行无监督校正,如果SVM算法的分类结果可信度较高,则接收分类结果,如果SVM算法的分类结果可信度较低,则运用改进的最近邻算法确定预测向量周围一定区域M内的支持向量,对预测向量和支持向量求欧式距离值,并将距离的倒数作为决策变量,将同类别有效支持向量的决策变量的平均值作为决策函数值,对预测向量M区域内所有的各类支持向量的决策函数值进行比较,从大到小的进行排列,与SVM算法分类的结果进行统计分析,最终确定分类结果。
[0045] 参照图1-图4,具体实施方式的基于S变换和改进SVM算法的暂态电能扰动识别方法,包括:
[0046] A电能质量扰动信号构建
[0047] 根据IEEE的标准和电能质量的扰动特征,构建了电能质量扰动的信号建模,很好的表征了实际的电能质量信号。
[0048] B利用S变换对暂态电能质量扰动信号进行检测,包括扰动起止时刻,扰动幅度,扰动频率等,S变换对电能质量扰动信号的检测流程图如图2。
[0049] C扰动信号特征提取
[0050] 根据暂态电能质量扰动信号S变换之后得到的模时频矩阵,产生扰动信号S变换的特性曲线,并从中提取8种特征构建分类所需的特征向量。
[0051] D深入研究支持向量机和模糊KNN算法,并将二者有效融合得到基于半监督学习的SVM算法,利用S变换得到的特征量输入分类器,得到了很好的分类效果,其分类流程图如图4所示。
[0052] E使用仿真信号验证本发明的有效性
[0053] 将每种扰动信号仿真生成各500个样本,其中每组300个样本作为训练样本,200个样本作为测试样本,并在每组测试扰动中分别加入
信噪比为40db、30db和20db的白噪声,以更好的接近实际信号。用300个训练样本对支持向量机进行训练,得到支持向量机模型,然后把200个测试样本输入支持向量机模型,若分类结果可信度较高,则认为支持向量机分类结果正确,否则用K近邻算法对结果进行修正,计算样本与周围各类支持向量的距离,从大到小的进行排列,把样本分到最近的支持向量机类别中。结果如表1所示。
[0054] 表1 不同噪声环境下两种算法分类识别结果比较
[0055]
[0056] 由表1的统计分析可知,在不同信噪比的噪声条件下,对于理想电压信号和6种暂态电能质量扰动信号的识别准确率,本发明的方法在不同噪声水平下的分类中准确率均高于普通方法,因此,本发明的方法具有良好的抗噪性和鲁棒性。
[0057] 以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。