一種新的電能質量擾動特征提取與識別方法

熊建平+陳克緒+馬魯娟+肖露欣+吳建華

摘 要： 為了克服電能質量擾動識別時由于特征選擇和提取不當造成最后識別精度低的缺點，提出一種基于數學統計的電能質量擾動幅值采樣點數的特征提取方法和PSO?SVM電能質量擾動識別新方法。該方法根據10個周波信號的幅值差異，統計每段幅值范圍內的采樣點數，對其進行處理后作為各擾動信號的特征，然后采用PSO?SVM分類器對多種擾動信號進行分類識別。該方法特征提取的過程簡單，減少了大量的計算處理時間。仿真實驗結果表明，該方法能快速地識別出各種擾動信號，且識別精度高于傳統方法并具有較好的抗噪聲性能。

關鍵詞： 電能質量； 數學統計； 特征提取； PSO?SVM

中圖分類號： TN911.25+4?34； TM76 文獻標識碼： A 文章編號： 1004?373X（2017）14?0174?04

Abstract： To overcome the shortcomings of low recognition accuracy caused by improper feature selection and extraction in power quality disturbance recognition， a new feature extraction and recognition method is proposed based on the sample points of power quality disturbance amplitude of mathematical statistics and PSO?SVM. According to the amplitude distribution difference over 10 cycles of signals， the number of samples in amplitude range of each section is calculated， and then used as features of different disturbances after preprocessing. PSO?SVM classifier is used for classification recognition of multiple disturbance signals. The proposed method is simple in the process of feature extraction and efficient in computation. The simulation results show that the proposed method is capable of classifying various disturbance signals at a high speed， and has a higher recognition accuracy and better anti?noise performance in comparison with the traditional methods.

Keywords： power quality； mathematical statistics； features extraction； PSO?SVM

0 引 言

隨著科技的進步和工業的發展，越來越多的非線性、沖擊性以及不平衡負荷在電力系統中投入運行，產生了一系列的電能質量擾動[1]。這些電能質量擾動將會給工業發展、用戶體驗和經濟建設帶來巨大的影響。為了解決電能質量擾動問題，首先必須正確地識別出電能質量的擾動類型，從而采用不同的補償和控制措施來治理電能質量。

迄今為止，研究工作者基于電能質量擾動的研究提出了諸多方法并應用到電能質量擾動的分析中[2?3]。這些方法大都可分為特征提取和分類識別兩個步驟。在特征提取方法的選擇上有：短時傅里葉變換[4]、小波變換[5]、S變換[6]和希爾伯特?黃變換[7]等。這些方法有著其各自的優點及不足之處：短時傅里葉變換通過加固定不變的窗函數分析電能質量信號，暫時克服了傅里葉變換時局部分析能力差的缺陷，但卻存在自適應性差，不易分析突變信號的缺點；小波變換具有多分辨率分析的特點，可以多尺度分析信號，但是在小波基上的選擇較為困難；S變換是小波變換和改進的傅里葉變換的結合，也具有多分辨率分析的特點，但在分析信號奇異點上還存在不足，其次S變換的計算量也較為龐大；希爾伯特?黃變換主要采用了經驗模態分解法，克服了小波變換中小波基選擇困難的缺陷，不受Heisenberg測不準原理的制約，但經驗模態分解存在模態混疊問題，當信號組合分量的頻率太接近時，常不能得到正確的經驗模態分解結果。在分類識別方法上，有決策樹[8]、神經網絡[9]和支持向量機[4?5]等方法。神經網絡作為模式識別中最為重要的算法之一，已有較為龐大的神經網絡體系，如：BP神經網絡、RBF網絡和PNN神經網絡[9]等。這些神經網絡的缺陷通常在于網絡的訓練需要經過多次迭代、收斂速度慢和易陷入局部最優等。支持向量機算法是基于統計學習理論的分類識別方法，能夠在很廣的函數集中構造函數，不需要微調，計算簡單，在解決小樣本、非線性及高維模式識別問題中表現出許多特有的優勢。

本文利用數學統計的方法，根據電能質量擾動信號原有波形幅值構造出特征，克服了傳統特征提取方法中特征選擇不當造成識別精度不高的缺點。采用PSO?SVM算法，快速計算出SVM核函數參數和懲罰項參數值，以達到準確地識別出各種擾動信號的目的。實驗仿真結果表明該方法的識別精度高于以往算法且具有較好的抗噪聲性能。

1 基于擾動幅值的特征提取算法

1.1 電能質量擾動類型

根據IEEE標準，常見的電能質量包括電壓暫升、電壓暫降、電壓中斷、振蕩暫態和諧波[10]。其中電壓暫升、電壓暫降和電壓中斷為幅值擾動，暫態振蕩和諧波為加性擾動[11]。然而，復雜的電力系統當中，除了單一的電能質量擾動信號，還可能存在多種多樣的復合擾動，本文識別的類型除了上述5種單一擾動外，還選取了電壓暫降+諧波及電壓暫升+諧波兩種復合擾動。擾動模型如表1所示。

1.2 擾動信號特征提取

傳統的特征提取算法大都是得到基于變換后信號的均值、方差、能量和峰值峭度等特征[3]。然而，這些特征往往需要經過再次的篩選才能被用于最后分類識別時的特征。諸多學者提出了一系列的特征選擇算法[12]如前向順序選擇法（SFS）、后向順序選擇法（SBS）和斯密特正交法（GSO）。這些方法在一定程度上增加了識別精度，但也增加了算法的復雜程度。根據IEEE標準，電能質量擾動信號的模型如表1所示，其波形如圖1所示，其中縱軸表示幅值，單位為標幺值（p.u.），橫軸取值范圍表示10個周波的采樣點數。根據擾動信號本身的固有波形，本文提出了基于數學統計分段幅值的采樣點數的數學統計算法[13]。電能質量信號的基波頻率為，即周期s。電壓暫升、電壓暫降、電壓中斷、電壓暫升+諧波和電壓暫降+諧波的擾動存在時間為。因此，采樣10個周波，將足夠反映出波形的變化情況。對于標準的電力信號，根據奈奎斯特采樣定理，采樣頻率必須大于2倍的基波頻率，為了便于更為精確地觀測諧波干擾信號，采樣頻率一般取3.2 kHz，此時10個周波的采樣點數為640。根據幅度的變化范圍，對[-2，0]區間的幅值取絕對值，最后分別統計[0，2]區間內，每個0.1單位內的采樣點數。圖2為圖1所對應的采樣點數目的水平柱形圖，其中橫坐標代表采樣點數，縱坐標代表20份0.1單位的幅值大小。

2 擾動信號分類識別

2.1 粒子群優化算法

粒子群優化算法是源于鳥類捕食行為的進化算法，最早由Kennedy和Eberhart在1995年提出[14]。在尋優過程中，初始化一群粒子，每個粒子代表尋優時的潛在解。其中各粒子的特征包含位置、速度和粒子適應度。粒子在尋優空間以一定速度飛行，根據自身所經歷的位置和群體粒子的位置不斷更新適應度最優位置，最后求得最優解[15]。粒子迭代更新公式如下：

2.2 支持向量機算法

電能質量擾動信號分類是一種多分類問題，面對如此多樣的電能質量擾動信號，分類器的選擇至關重要。支持向量機通過建立一個分類超平面作為決策曲面，對多種電能質量擾動信號進行分類識別。支持向量機最初由Vapnik提出用于研究線性可分問題[16]。假設有訓練集，為訓練樣本，為樣本對應的標簽。存在一個分類面將訓練樣本很好地區分開，當且僅當兩類訓練集到分類面的最小距離最大[4]。在實際分類中，有的樣本為線性不可分的，此時需引入一個非線性映射函數，將樣本映射到高維空間，此時得到的超平面為。由于噪聲的影響，再引入非負的松弛變量，使得目標函數為：

通過上面分析，訓練集和核函數是支持向量機學習算法的關鍵。核函數的種類有：多項式核函數、高斯徑向基核函數、多層感知器核函數和復合核函數等[15]。不同核函數所建立的SVM的性能會有較大的差異。本文采用高斯徑向基核函數：

綜上所述，訓練一個合適的支持向量機的分類面關鍵是在于尋找到合適的懲罰項和核函數中的可調參數。采用粒子群優化算法，將粒子和的尋優位置分別設定在[]和[]之間，可在很短時間內得到準確的值。

3 仿真分析

根據表1擾動信號模型，通過Matlab產生7類電能質量擾動信號。為了表示方便，如表1所示的順序，依次標記為C1～C7。采樣頻率為3.2 kHz，共采樣10個周波，每周波采樣64個點，共計640個點。每類擾動信號共隨機生成200個樣本，選取每類擾動信號的150個樣本作為訓練集，剩余的50個樣本作為測試集。由于實際現場的電能質量擾動信號受各種環境因素影響，因此加入多種高斯白噪聲。

采用本文提出的特征提取算法，首先得到20個分段幅值內的采樣點數，再將每一段采樣點數歸一化，即除以總點數640，最后得到一個20維的特征信號，此為降維過程。在PSO?SVM算法中，粒子數目設為40，迭代次數為30，懲罰項和核函數參數的取值范圍均設定為[0.5，512]。首先將7類擾動信號共計1 050個訓練樣本輸入到PSO?SVM網絡中進行訓練，然后輸入7類擾動信號共350個測試樣本進行分類識別。最后的分類識別結果如表2和表3所示。表2為其中的一次分類識別圖，表3的結果為經過4?折交叉法計算后得到的不同噪聲下的分類識別結果的平均值。

PSO尋優方法克服了傳統SVM分類時人工選擇參數造成識別精度不能達到最佳的缺陷，與之后的網格法尋找SVM參數相比更為簡捷[15]。實驗時所求得的最佳和的值如表4所示。

對比以往不同特征選擇的方法如HHT變換[7]、S變換[9]和小波變換[17]，及模式識別方法如決策樹[7]、PSO?PNN[9]和SVM[17]，本文做了進一步的相關對比試驗，比較結果如表5所示。從表5可知，采用本文所提出的數學統計方法提取擾動信號幅值特征并結合PSO?SVM識別的方法在很大程度上提高了最后的識別精度。

4 結 論

本文提出了一種基于數學統計的電能質量擾動幅值大小采樣點特征提取方法。該方法能夠快速地得到不同幅值范圍的采樣點數，并正確地表示常見的7類電能質量擾動信號。該方法克服了傳統特征提取方法中特征選擇不當造成最后識別精度不高的缺點。采用PSO?SVM分類器，通過粒子群自動尋優，找到合適的SVM懲罰項參數值和核函數參數值。該方法能夠解決傳統神經網絡作為分類器時容易陷入局部最優解的困難。最后通過仿真實驗和與以往電能質量擾動識別方法的分類結果相比，表明該方法對常見的7類電能質量擾動信號的識別率優于以往算法，并具有較好的抗噪聲性能。

參考文獻

[1] 楊璐.電能質量及檢測方法研究[J].通信電源技術，2015（6）：28?30.

[2] 趙鳳展，楊仁剛.時頻分析方法在電能質量擾動檢測與識別中的應用[J].華北電力大學學報，2006（5）：33?37.

[3] 方群會，劉強，周林，等.模式分類方法在電能質量擾動信號分類中的應用綜述[J].電網技術，2009（1）：31?36.

[4] 覃思師，劉前進.基于STFT變換和DAGSVMs的電能質量擾動識別[J].電力系統保護與控制，2011（1）：83?86.

[5] 黃南天，徐殿國，劉曉勝.基于S變換與SVM的電能質量復合擾動識別[J].電工技術學報，2011（10）：23?30.

[6] 徐永海，肖湘寧，楊以涵，等.小波變換在電能質量分析中的應用[J].電力系統自動化，1999（23）：55?58.

[7] 田振果，傅成華，吳浩，等.基于HHT的電能質量擾動定位與分類[J].電力系統保護與控制，2015（16）：36?42.

[8] 陳華豐，張葛祥.基于決策樹和支持向量機的電能質量擾動識別[J].電網技術，2013（5）：1272?1278.

[9] 覃星福，龔仁喜.基于廣義S變換與PSO?PNN的電能質量擾動識別[J].電力系統保護與控制，2016（15）：10?17.

[10] Transmission and Distribution Committee of the IEEE Power & Energy Society. IEEE recommended practice for monitoring electric power quality： IEEE Std 1159?2009 [S]. New York： The Institute of Electrical and Electronics Engineers， 2009： 1.

[11] 張楊，劉志剛.一種基于時頻域多特征量的電能質量混合擾動分類新方法[J].中國電機工程學報，2012（34）：83?90.

[12] ABDOOS A A， MIANAEI P K， GHADIKOLAEI M R. Combined VMD?SVM based feature selection method for classification of power quality events [J]. Applied soft computing， 2016， 38： 637?646.

[13] VALTIERRA?RODRIGUEZ M， DE JESUS ROMERO?TRONCOSO R， OSORNIO?RIOS R A， et al. Detection and classification of single and combined power quality disturbances using neural networks [J]. IEEE transactions on industrial electronics， 2014， 61（5）： 2473?2482.

[14] KENNEDY J， EBERHART R. Particle swarm optimization[C]// Proceedings of 1995 IEEE International Conference on Neural Networks. [S.l.]： IEEE， 1995， 4： 1942?1948.

[15] 楊寧霞，孫晧，公政，等.一種基于PSO?SVM的電能質量擾動識別與分類的新方法[J].電測與儀表，2014（16）：17?20.

[16] CHAPELLE O， HAFFNER P， VAPNIK V N. Support vector machines for histogram?based image classification [J]. IEEE transactions on neural networks， 1999， 10（5）： 1055?1064.

[17] 張紅，雷志國，金月，等.基于SVM的電能質量擾動分類[J].電測與儀表，2014（23）：69?72.