一种基于pso的电能质量扰动识别与分类方法
【技术领域】
[0001] 本发明设及电力系统电能质量分析技术研究领域，更具体地，设及一种基于PS0的 电能质量扰动识别与分类方法。
【背景技术】
[0002] 电能质量(Power Quality，PQ)问题已引起电力行业工作者的广泛关注。随着工业 控制领域向非线性、网络集成化、大规模等方向发展W及系统中大型整流设备、变频调速设 备等非线性负荷容量不断增多，多电网供电电能质量造成了严重污染，严重影响电力企业 供电电能的质量，对电能质量扰动准确识别与分类，是保障电网安全经济运行和提高供电 质量的前提。
[0003] 近年来，针对电能质量分析采用的方法基本都是基于数字信号处理和人工智能的 方法，即先采用傅里叶变换、短时傅里叶变换、小波变换、dq变换等数字信号处理工具对电 能质量扰动进行检测和特征提取，然后采用人工神经网络、专家系统等人工智能方法对电 能质量扰动进行分类。基于专家系统的方法的缺点是电能质量扰动的知识提取较难实现， 而且随着电能质量扰动种类的增加，专家系统易产生组合爆炸问题;人工神经网络虽然已 在很多领域得到了广泛应用，但是它自身存在比较大的缺陷，例如算法存在局部最优问题、 算法存在过拟合和欠拟合问题、收敛性较差、训练时间较长、可靠性有限等。
[0004] 电网中电能质量扰动信号的识别及分类主要研究特征向量的提取、SVM分类器的 优化等问题。目前学术研究领域，大多利用小波变换的多分辨分析的特性，在时-频屏幕不 同位置具有不同分辨率，通过幅值特性来实现电能质量的扰动定位、扰动持续时间的确定 等，但是扰动信号不仅相频特性多样，而且相位也很重要，提取相位信息，将会对分析电网 中干扰信号的研究提供新思想和新技术。此外，在现阶段，用于电能质量扰动识别与分类构 造的SVM分类器在参数选择方面，都是给定的参数，而未找到最佳方法对参数进行寻优。
【发明内容】
[0005] 本发明提供一种基于PS0的电能质量扰动识别与分类方法，该方法通过PS0算法对 SVM参数进行优化后，对其根据提取的特征信号对动态电能质量扰动进行自动识别与分类， 能够有效提高电能质量扰动检测与分类的训练速度和分类准确率。
[0006] 为了达到上述技术效果，本发明的技术方案如下：
[0007] -种基于PS0的电能质量扰动识别与分类方法，包括W下步骤：
[000引a、建立含有常见动态扰动信号的信号模型，采用复小波变换从输入电压信号中提 取扰动信号，通过构造采用Mai lat快速小波算法的化4正交紧支复小波对扰动信号进行多 尺度复小波分解，得到复小波系数;其中，常见动态扰动信号包括电压骤升信号、电压骤降 信号、暂时电压中断信号、暂态脉冲信号和暂态振荡信号；
[0009] b、根据复小波系数的实部和虚部，计算提取扰动信号的简单和复合信息；
[0010] C、对扰动信号进行多尺度复小波分解后，选取各层上的能量、平均值、标准偏差、 扰动持续时间及步骤b中构造的复合信息构成扰动信号的特征向量；
[0011] d、首先利用PS0寻优最佳参数的SVM，构造多级聚类SVM分类树，其次将特征向量及 特征向量对应的类别输入该分类树进行训练得到训练样本，然后利用训练样本对包含上述 常见动态扰动信号的测试样本进行分类，最后得到并输出所求的相对应的分类结果。
[0012] 进一步地，所述步骤b中，经过复小波变换得到的简单信息包括实部、虚部、幅度和 相位，根据运些简单信息构造动态扰动信号的复合信息包括虚部和相位复合、实部和相位 复合、W及幅度和相位复合。
[0013] 进一步地，所述常见动态扰动信号包括电压骤升信号、电压骤降信号、暂时电压中 断信号、暂态脉冲信号和暂态振荡信号。
[0014] 与现有技术相比，本发明技术方案的有益效果是：
[0015] 本发明采用复小波变换对扰动信号进行检测和定位，有效提取动态电能质量扰动 的特征向量，通过PS0算法对SVM参数进行优化后，对其根据提取的特征信号对动态电能质 量扰动进行自动识别与分类，能够有效提高电能质量扰动检测与分类的训练速度和分类准 确率。复小波变换能够弥补W往实小波变化只能分析信号幅频的缺点，可同时分析信号的 幅频和相频特性并能提供多种复合信息，能更准确地识别出电力系统中最常见的几种动态 扰动信号，与传统的神经网络识别干扰信号等方法相比，该方法识别准确可靠并且准确率 更局。
【附图说明】
[0016] 图1为本发明中基于PS0优化的SVM的电能质量扰动识别方法框图；
[0017]图2为图1中扰动识别和分类方法具体流程图；
[0018]图3为动态电能质量扰动多级聚类SVM分类树的示意图；
[0019]图4为图1中PS0寻优结果图；
[0020] 图5为本发明中基于PS0优化的SVM的电能质量扰动分类结果图，图中示出了电压 骤升试验过程中的分类结果；
[0021] 图6为传统的BP神经网络法训练曲线图，图中示出了电压骤升试验过程中的训练 曲线；
[0022] 图7为BP神经网络法分类结果图，图中示出了电压骤升试验过程中的分类结果。
【具体实施方式】
[0023] 附图仅用于示例性说明，不能理解为对本专利的限制；
[0024] 为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品 的尺寸；
[0025] 对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可W理解 的。
[0026] 下面结合附图和实施例对本发明的技术方案做进一步的说明。
[0027] 实施例1
[00%]如图1至7所示，一种基于PS0的电能质量扰动识别与分类方法，包括W下步骤： [0029] a、建立含有常见动态扰动信号的信号模型，常见的扰动信号包括电压骤升信号、 电压骤降信号、暂时电压中断信号、暂态脉冲信号和暂态振荡信号五种，表1示出了五种常 见动态扰动信号的模型及相应的参数设置。
[0030] 表1表1五种常见动态扰动信号模型
[0031]
[0033] 采用复小波变换从输入电压信号中提取扰动信号，通过构造采用Mallat快速小波 算法的化4正交紧支复小波对扰动信号进行多尺度复小波分解，得到扰动信号在各个频带 上的结构信息即复小波系数。其中，对扰动信号提取的具体做法如下：
[0034] 设f(t)为含有扰动信号的输入电压信号，将输入电压信号f(t)进行连续复小波变 换和逆变换得到：
[0035]
[0036] 式中，波函数iKt)为连续小波，表示iKt)的复共辆，a为伸缩因子，b为平移因子，为 避免复小波变换时重构的信号能量发生转移，将输入电压信号f(t)转换成解析信号为：
[0037] z(t)=f(t)+j