多特征组合及优化SVM的电能质量扰动识别.pdf

《多特征组合及优化SVM的电能质量扰动识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第27卷第8期电力系统及其自动化学报Vo1．27No．82015年8月ProceedingsoftheCSU-EPSAAug．2015多特征组合及优化SVM的电能质量扰动识别韩刚，张建文，褚鑫，周贤姣(中国矿业大学信息与电气工程学院，徐州221116)摘要：提出一种基于多特征组合及粒子群优化的支持向量机(SVM)的电能质量扰动识别方法。该方法采用小波变换和S变换提取各扰动信号特征向量，采用粒子群(PSO)优化的支持向量机进行分类识别。首先针对提取的小波能量谱中谐波信号的明显差异，通过设定特征阈值进行初步分类，然后结合S变换提取

2、的3种特征，采用优化参数的SVM进行后续分类。仿真实验表明，该方法能够有效识别常见的8种电能质量扰动及2种复合扰动，相比未经优化的支持向量机模型，粒子群优化的SVM具有较高的识别精度和运算速度，且抗噪能力强。关键词：电能质量扰动；支持向量机；小波变换；S变换；粒子群算法；特征组合；参数优化中图分类号：TM74文献标志码：A文章编号：1003—8930(2015)08—0071—06D0I：10．3969~．issn．1003—8930．2015．08．13PowerQualityDisturbanceClassificatio

3、nBasedonMulti-featuresCombinationandOptimizingParametersofSVMHANGang，ZHANGJianwen，CHUXin，ZHOUXianjiao(SchoolofInformationandElectricalEngineering，ChinaUniversityofMiningandTechnology，Xuzhou221116，China)Abstract：Anewmethodforpowerqualitydisturbances(PQD)identificatio

4、n，basedonmultifeaturescombinationandparticleswarm0ptimization—supportvectormachine(PSO-SVM)，ispresentedinthepaper．WavelettransformandS-transformareusedtoextractfeaturevectorsofeachdisturbancesignals，andPSO—SVMisusedtoclassify．Firstly，theevidentdifferenceofharmonicsi

5、gnalsinwaveletenergyspectrumispreliminarilyclassifiedintoseveralcategoriesbyfeaturethresholds．Then，PSO-SVMcanachievethefollow-upclassificationbyusingthethreefeaturesextractedbyS-transform．Thesimulationresultsshowthatusingtheproposedmethodeightkindsofpowerqualitydist

6、urbancesignals，includingtwokindsofcompounddisturbances，canbeclassifiedaccurately．ComparedwithSVM，PSO—SVMhasbet—terclassificationaccura—cyandbettercomputingspeed．whichcanbeusedinenvironmentof1OWSNR．Keywords：powerqualitydisturbances；supportvectormachine(SVM)；wavelettr

7、ansform；S-transform；particleswarlTloptimization(PSO)algorithm；featurescombination；parametersoptimization电网中的非线性、冲击性和不平衡负荷的投质量扰动信号分类主要有人工神经网络、专家系入导致电网电压波形发生畸变、电压波动和三相不统、贝叶斯分类和支持向量机SVM等方法[61。SVM平衡等，造成严重的电能质量问题。深入研究影响是一种基于统计学习理论的模式识别方法，在解电能质量的各种因素，实现电能质量扰动的准确决小样本、非线性及高

8、维模式识别问题中具有独分类，为电能质量的改善和治理提供决策依据1。特优势，克服了人工神经网络易陷人局部最优解迄今为止，国内外已有大量学者研究电能质和训练时间长的缺点。然而，核函数是影响SVM量扰动分类问题『2_3】。电能质量扰动分类包括扰动分类性能的关键，SVM的惩罚因子和核