一种计及雷击情况的基于PDT-SVM暂降源辨识方法与流程

本发明涉及一种计及雷击情况的基于pdt-svm暂降源辨识方法，属于电能质量扰动识别领域。
背景技术：
：我国的经济中心地处于东部沿海地区，受气候影响，雷雨天气频繁，尤其是长江三角洲地区的落雷密度较大，给电网的安全运行带来威胁。根据配电网电压暂降监测系统上传的数据来看，入夏以来，雷击导致短路故障而引发电压暂降数量大幅上升，已成为电网暂降发生的重要影响因素之一。相对于主网来说，配电网的绝缘保护较为薄弱，直击雷可轻易击穿配电系统的防雷设施，导致系统发生短路故障，这不仅会影响配电系统的供电质量，还可能导致严重事故的发生。因此有必要对雷击引发的短路故障进行区分，统计分析地区雷击导致暂降发生的频次、密度、特点及影响因素，进而为配电网的防雷规划及防雷改造决策提供有力的数据支撑。然而目前对于配电网电压暂降类型辨识的研究中只讨论了3种类型：短路故障(ordinaryshortcircuitfault,sc)、感应电机启动(inductionmotorstarting,ms)，变压器投切(transformerswitching,ts)。并没有将雷击故障(faultscausedbylightningstrikes,ls)导致暂降的情况与普通短路故障情况区分出来，忽略了ls的特殊性，对ls情况的特征研究还较为欠缺。技术实现要素：针对以上问题，本发明把雷击导致暂降的波形特点与普通短路故障情况进行了对比分析，分析归纳包括雷击、普通短路故障、感应电机启动，变压器投切，4种主要暂降成因的电压有效值波形特征。引入了5种暂降电压特征指标，建立暂降辨识特征矩阵。然后采用基于pso聚类优化的决策树支持向量机(decisiontreesupportvectormachinebasedonparticleswarmclusteringoptimization,pdt-svm)对4种暂降类型进行有效、准确得辨识。本发明提供一种计及雷击情况的基于pdt-svm暂降源辨识方法，充分利用pdt-svm特征提取能力，以离线过程的计算时间代价来换取更准确的分类器性能，提高暂降源辨识效率，应用价值和前景巨大。本发明为解决上述技术问题采用以下技术方案：本发明提供一种计及雷击情况的基于pdt-svm暂降源辨识方法，包括如下步骤：步骤一，将雷击、电动机启动、变压器投切以及除雷击外普通短路故障四种类型的电压暂降的历史监测数据作为电压暂降训练样本，并建立每种类型的电压暂降训练样本的特征矩阵；步骤二，将步骤一得到的特征矩阵作为根节点，并在根节点处调用粒子群聚类算法进行最优二分类形成两个子节点；步骤三，判断每个子节点处的特征矩阵是否只对应了一种电压暂降类型，若是则转向步骤五，若不是则转向步骤四；步骤四，在该子节点处继续调用粒子群聚类算法进行最优二分类，再形成两个子节点，转向步骤二；步骤五，利用上述步骤得到的各父节点及其最优二分类结果对svm分类器进行训练，得到pdt-svm分类模型；步骤六，利用步骤五得到的pdt-svm分类模型辨识暂降源类型。作为本发明的进一步技术方案，所述步骤一中的特征矩阵由5个暂降特征指标构成，其中，5个暂降特征指标分别为：三角形系数波峰系数均方根值偏度谐波总畸变率式中，k1、k2分别表示暂降的起始对应采样点和恢复对应采样点，u(k1)表示暂降的起始对应采样点的电压有效值，umin表示电压有效值u的最小值，u(k)表示采样点k的电压有效值，k表示暂降起始和恢复时刻间的采样点数，u表示整个暂降过程中电压有效值u的均值，un表示n次谐波电压幅值，u基波表示基波电压幅值。本发明采用以上技术方案与现有技术相比，具有以下技术效果：1、针对包含雷击在内的4种暂降类型波形特征提出了5个暂降波形特征指标，更适应实际情况；2、设计了基于pdt-svm的暂降源辨识分类器，暂降分类正确率可达90％以上，优于其它分类算法。附图说明图1是本发明的方法流程图；图2是svm分类原理；图3是测试样本辨识结果。具体实施方式下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。下面结合附图对本发明的技术方案做进一步的详细说明：如图1所示，本发明阐述的是一种计及雷击情况的基于pdt-svm暂降源辨识方法，步骤一，将雷击、电动机启动、变压器投切以及除雷击外普通短路故障四种类型的电压暂降的历史监测数据作为电压暂降训练样本，并建立每种类型的电压暂降训练样本的特征矩阵；步骤二，将步骤一得到的特征矩阵作为根节点，并在根节点处调用粒子群聚类算法进行最优二分类形成两个子节点；步骤三，判断每个子节点处的特征矩阵是否只对应了一种电压暂降类型，若是则转向步骤五，若不是则转向步骤四；步骤四，在该子节点处继续调用粒子群聚类算法进行最优二分类，再形成两个子节点，转向步骤二；步骤五，利用上述步骤得到的各父节点及其最优二分类结果对svm分类器进行训练，得到pdt-svm分类模型；步骤六，利用步骤五得到的pdt-svm分类模型辨识暂降源类型。上述步骤1中，所述步骤一中的训练样本特征矩阵为时域监测信号计算所得，样本中包括雷击(faultscausedbylightningstrikes,ls)、电动机启动(inductionmotorstarting,ms)、变压器投切(transformerswitching,ts)以及短路故障(ordinaryshortcircuitfault,sc)引等电压暂降类型的监测数据，四种暂降类型波形特点如表1所示。本文引入5个暂降特征指标，如表2所示其中，n为谐波次数，un表示n次谐波电压幅值，u基波表示基波电压幅值，k1、k2分别表示暂降的起始对应采样点和恢复对应采样点，u(k1)表示暂降的起始对应采样点的电压有效值，umin表示电压有效值的最小值，u(k)表示采样点k的电压有效值，k表示暂降起始和恢复(达到正常电压的90％)时刻间的采样点数，u表示整个暂降过程中电压有效值u的均值。表1暂降源波形特点表2特征值表达式基于上述特征指标，提取每个暂降样本的特征向量，以作为暂降分类器的输入数据。本发明采用基于粒子群聚类优化的决策树svm分类算法。支持向量机(supportvectormachine,svm)是基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，适合处理电压暂降这类样本特征维数较多的非线性数据分类问题，具有较好的泛化能力。图2为svm分类基本原理。如图2所示，wx+b＝0为最优分类超平面，离超平面最近的两个样本向量被称为支持向量，两类支持向量与最优超平面间距之和为1/||w||，因此最优超平面的求取问题就转化为优化问题,如公式(1)所示。式中约束条件是指各个分类的样本向量距离超平面的距离要大于或者等于1。对于电压暂降这类复杂的分类问题来说，训练集中的实际样本向量是线性不可分的。因此需要引入松弛变量ζ和惩罚因子c来平衡样本分类精确度和算法复杂度之间的问题，此时，目标函数变为：利用拉格朗日乘子法对上述问题进行求解后得到优化目标函数为：其中αi为拉格朗日乘子。当处理非线性问题时，通过引入核函数，将样本数据由低维向高维之间转换，则优化目标函数可以整合为：其中k(xi,xj)＝φ(xi)tφ(xj)，为低维空间向高维空间的映射。决策树svm(decisiontreesupportvectormachine,dt-svm)是决策树思想与支持向量机方法的结合。首先将实际样本数据做svm二分类，每个子类在下一层继续划分为2个次子类，如此循环，直至生成叶子节点，即只包含一个单独类的节点。与svm一对一，一对多分类方法相比具有以下优势：1)dt-svm不存在不可分区域，分类正确率也较高；2)在进行m分类问题时，只需要构造m-1个分类器；3)从上至下每一层次所需的训练样本及支持向量的数量递减，缩短了训练时间；4)分类时不必遍历所有分类器，缩短了分类时间。其主要的缺点在于误差累积问题，如果在某个节点上发生分类错误，则错误会向下分支延续，最终导致叶子节点的分类结果与实际情况相差甚远。上述步骤中，为了解决误差积累问题。本发明采用pdt-svm方法，在分类过程中应尽量保证每次二分类结果近似最优，生成二叉决策树结构。粒子群聚类算法的思想是将聚类视为一种优化问题，在全局范围内利用粒子群优化(particleswarmoptimization,pso)算法得到一个近似最优划分。其中，每一个粒子包含了数据中各个类簇中心的信息，粒子xi可以表示为xi＝(ci1,ci2,…cij),其中cij代表第i个粒子的第j类中心点坐标向量，粒子群x代表可能的候选分类方案集合。对分类方案的优劣进行评价是应用优化算法进行聚类的关键，因此引入粒子评价的适应度函数f。在聚类分析中，最优的聚类结果应保证各个样本元素之间的类内距离足够小且类间距离足够大，因此本发明中的适应度函数为：其中w1和w2为设定的正常数，x表示样本向量，代表xi对应分类的最大的类内平均距离，|cij|为聚合类cij中元素的个数，k为暂降样本所分类簇的个数，代表xi对应分类的最小的类间距离。这样，通过搜索f的最小值，可以使暂降样本的分类结果同时满足类内距离最小和类间距离最大的原则。由于粒子群聚类算法存在早熟收敛现象，有可能陷入局部最优解，所以本发明算法在迭代中使每个粒子存在20％的几率变异为随机粒子，实现全局寻优。粒子群聚类算法流程描述如下：步骤一：随机确定初始化xi的速度和位置(聚类中心)；步骤二：按照最邻近法则对数据进行划分，依照适应度的计算公式，计算每个粒子的适应度值，更新个体极值；步骤三：xi存在20％的可能性变异为随机粒子，并寻找全局极值和全局极值位置；步骤四：按粒子群聚类算法的位置公式和速度公式更新粒子的位置及速度；步骤五：若达到结束条件，输出最优粒子的位置即最优的2个聚类中心；若未达到结束条件，则返回步骤二。实施例本发明实施例中的模型参数按照最佳参数仿真实验结果选取，具体参数如下：选取我国某大型城市的暂降监测系统上传电压数据为分析样本。一共115个样本数据，其中包括故障暂降55个，雷击暂降20个，感应电机启动20个，变压器投切20个，训练数据与测试数据的分配比例如下表所示：表3数据分配比例暂降类型训练样本测试样本变压器投切155短路故障4015雷击155感应电机启动155总计8530样本特征向量仅以暂降最低相的计算结果为准，部分样本数据特征计算结果如表4示：表4样本数据粒子群聚类优化适应度函数参数w1,w2分别取0.2和0.6，优化迭代次数为50，经过训练后的pdt-svm决策树结构共包含7个节点，其中包含3个根节点，4个叶子节点。对测试样本的分类结果如图3所示。如图3所示为30个测试样本的分类结果，正确分类事件27个，错误分类事件3个(1组变压器投切，1组两相短路故障，1组单相短路故障)。分类正确率达到了90％。分别采用dt-svm和多分类svm以及所提方法对所有115条暂降样本数据进行了分类试验。试验结果如下表所示：表5试验结果比对情况如上表试验结果所示，本方法的分类正确率最高，但训练计算时间为三种方法中最长，这是由于引入粒子群聚类优化后延长了分类器的训练时间，但在实际应用中，分类器的训练过程是离线完成的，并不影响实时分类的时间，以离线过程的计算时间代价来换取更准确的分类器性能是值得的。以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。当前第1页12