基于PSO—LSSVM的煤礦電能質量擾動識別研究

王新環 劉志超 盧彩霞

摘要：針對目前煤礦電力系統中對常見的暫態電能質量擾動識別精度不高的問題，提出基于粒子群優化最小二乘支持向量機（PSO-LSSVM）的擾動分類識別方法。介紹煤礦電力系統中常見的4種暫態擾動，利用廣義S變換（GST）提取擾動中相空間時-頻域的有用特征，然后利用PSO優化LSSVM分類器的懲罰因子c和參數σ，構建PSO-LSSVM分類器，最后將提取的特征量作為PSO-LSSVM分類器的樣本進行訓練、測試。MATALA仿真結果表明，該方法能夠準確可靠地對煤礦電能質量擾動進行識別與分類，對于煤礦電能質量監測具有較高參考價值。

關鍵詞：煤礦電能質量擾動；LSSVM；粒子群優化；GST

DOI：10.11907/rjdk.173002

中圖分類號：TP319

文獻標識碼：A文章編號：1672-7800（2018）007-0196-04

Abstract：Aimingatthelowidentificationaccuracyoftransientpowerqualitydisturbancecommonlyseenincoalminepowersystem，weproposedisturbanceclassificationrecognitionmethodbasedonparticleswarmoptimization（leastsquaressupportvectormachine（PSO-LSSVM）.Fourkindsofcommontransientdisturbanceincoalminepowersystemareintroduced.DisturbanceofgeneralizedStransform（GST）isutilizedtoextracttheusefulfeaturesoftime-frequencydomainphasespace，andPSOisusedtooptimizethepenaltyfactorcandtheparametersofLSSVMclassifiersigmasothatthePSO-LSSVMclassifierisbuilt.TheextractedcharacteristicsaretakenasPSO-LSSVMclassifiersamplestobetrainedandtested.MATALAresultsshowthatthemethodcanachievereliableandaccurateidentificationandclassificationofthedisturbanceofpowerqualityincoalmine，tanditisofhighreferencevalueforpowerqualitymonitoringincoalmines.

KeyWords：coalpowerqualitydisturbance；LSSVM；particleswarmoptimization；GST

0引言

隨著煤礦電力系統自動化水平的不斷提高，各種非線性、大功率用電設備大量增加，使煤礦電力系統遭受的電能質量污染日趨嚴重[1]，甚至導致重大經濟損失和人員傷亡[2]。已發生的大量事故表明，煤礦電網中的電能質量是否合格，對煤礦企業安全生產和節能降耗將產生直接影響，在綜合管理中扮演著越來越重要的角色。因此，為了保障煤礦電力系統的安全、穩定運行[3]，對煤礦電力系統電能質量擾動進行準確的識別分類尤為關鍵。

擾動信號特征提取與分類器選擇是煤礦電能質量擾動識別分類研究中的關鍵問題。當前主要的電能質量擾動信號分析方法包括：短時傅里葉變換、小波變換及S變換等[4]。廣義S變換（GST）具有時頻聚焦性好、頻率分辨率高的特點，且具有良好的抗噪能力，適用于煤礦電能質量非平穩突變擾動信號分析。對于電能質量擾動信號的模式識別方法有人工神經網絡、決策樹、支持向量機（SVM）、最小二乘支持向量機（LSSVM）等多種方法[5]。基于結構風險最小化的LSSVM算法是一種穩健的頻譜估計方法，因其對異常值和脈沖性噪聲不敏感，其分類器具有明顯優勢，但其參數選取具有一定隨機性，將大大影響分類器的精度與泛化性。粒子群（PSO）算法具有搜索速度快的特點，并具有全局優化能力。對LSSVM分類器進行優化后，可使其精度更高、分類效果更好，從而滿足煤礦復雜環境對電能質量的高要求。

針對目前煤礦電力系統中對于常見的暫態電能質量擾動識別精度不高的問題，提出基于粒子群優化最小二乘支持向量機（PSO-LSSVM）的電能質量擾動分類識別方法。MATALA仿真結果表明，該方法在樣本集較小的情況下，仍能較為準確、可靠地對煤礦電能質量擾動進行識別與分類。

1煤礦電力系統中常見暫態擾動

煤礦電力系統中因非線性負載過多、供電設備水平參差不齊，導致運行環境惡劣且事故頻發。在煤礦電能質量的眾多暫態擾動中，電力諧波、電壓波動、電壓暫降、電壓暫升是煤礦電能質量控制的重點[6]。影響煤礦電力系統電能質量的主要原因如表1所示。

但在煤礦暫態電能質量的擾動分析中，電壓波動、暫升、暫降需要在低頻處具有較高的時間分辨率，而諧波分析又需要具有較高的頻率分辨率。為了將這4種擾動進行快速準確的識別分類，建立其分類識別框架如圖1所示。

2煤礦電能質量擾動特征提取

2.1廣義S變換原理

廣義S變換是指通過引入調節因子對s變換的窗函數進行改進，其在分析不同頻率擾動信號時選用不同的窗寬因子，因而具有優良的特征表現能力，可以獲得較高的時頻分辨率。

GST連續表達式如式（1）所示。

由式（3）可知，GST結果為一兩維的復時頻矩陣，包含相位信息和模值信息。將復時頻矩陣求模，得到GST的模時-頻矩陣，該矩陣的行向量描述了特定頻率下信號的時域分布情況，其列向量反映了某時刻信號的幅頻特性。

2.2GST特征量提取

GST模時頻矩陣中隱藏著大量時頻信息，若將模時頻矩陣中的所有信息輸入分類器，數據結構龐雜，則會造成分類器學習緩慢。因此，在特征值輸入分類器之前，需要有針對性地進行特征提取。以低頻段的電壓暫降為例，其主要特征量包括時域中擾動信號的幅值變化與持續時間，而高頻段的諧波又需在頻域中分辨出對應的頻率分量。因而針對煤礦電力系統4種暫態擾動的特征，通過高頻幅值曲線與基頻幅值曲線提取時域持續時間和幅值，通過最大頻率幅值曲線與頻譜標準差曲線提取頻域頻率分量，具體曲線定義參見文獻[7]。

以圖2所示的電壓暫降GST結果為例，基頻幅值曲線、高頻幅值曲線、最大頻率幅值曲線、頻譜標準差曲線都有尖峰，可以用其極值分別作為擾動特征；為了分析擾動在高頻與基頻的整體情況，取高頻和基頻的平均值，因為平均值可大致看出所求對象的整體水平；頻譜標準差可以反映擾動離散程度，也作為特征值。

因此，分別從每種電能質量擾動信號的GST變換中提取相空間中頻域和時域的有用特征，作為識別分類基礎。GST中提取的特征量如表2所示。

3.1PSO算法

粒子群算法由Kennedy和Eherhart[8]于1995年提出，該思想受鳥群覓食行為的啟發，鳥之間通過集體協作使群體達到最優，是一種全局智能優化方法。在PSO中，每一個優化問題的解都對應著搜索空間中的一只鳥，稱為“粒子”。在尋優空間中，各個粒子以一定速度v飛行，而v決定了粒子運動的方向和距離，并且能夠根據自身及同伴經驗不斷調整。所有粒子均有一個初始速度和位置，一個由適應度函數決定的適應值。每個粒子都有記憶功能，能夠記憶搜尋到的最優位置。每個粒子也知道群體中其它粒子發現的最優位置，稱之為同伴經驗。根據自身和同伴經驗，這些粒子可以確定有最優適應度值的粒子，并在其解空間中繼續搜索。

在迭代尋優過程中，粒子通過對比兩個極值和適應度值從而更新自己的速度和位置。通過持續迭代更新，直到搜索到全局最優解為止。其中，在N維空間里，粒子群迭代更新的速度vkid與位置xkid如式（4）、式（5）所示。

3.2PSO-LSSVM算法實現

最小二乘支持向量機（LSSVM）是由Suykens[9]建立的一種支持向量機擴展算法，它將傳統支持向量機的二次規劃求解問題轉化成用最小二乘法求解的線性方程組求解。LSSVM具有速度快、泛化能力強等優點，在解決小樣本、高維數等非線性問題中具有極好的性能。在LSSVM分類器中，核函數的選擇至關重要，它能代替高維特征空間中的內積運算，避免復雜的高維運算。本文選擇的是RBF函數，懲罰因子c和參數σ的取值對LSSVM的分類準確率起著決定性作用。c控制模型復雜度，逼近誤差σ值太大或太小會對樣本數據造成過擬合或欠擬合現象。為提高煤礦電能質量，本文利用PSO優化LSSVM算法，得到最優的c和σ，從而大大提高了分類器性能。具體PSO-LSSVM算法步驟如圖3所示。

按照上述步驟，確定c=7.3258，σ=12.5614，建立優化后的LSSVM。

4仿真分析

根據國際電氣與電子工程師協會（IEEE）對電壓暫降、暫升、波動、諧波的定義，用MATALAB對煤礦中常見的4種擾動建立信號數學模型如表3所示。其中k為暫降、暫升幅度，t1、t2分別為暫降、暫升起止時刻；電壓波動模型中α為幅度，β為波動頻率系數。

為獲取分類的特征數據而達到較高的識別精度，在MATALAB2012軟件中用for循環進行100次特征提取，每個擾動信號得到100組特征數據，4個擾動信號共得到400組特征數據作為分類樣本。將樣本集分為訓練集和測試集，訓練集樣本為360組，測試集樣本為40組，對煤礦中常見的4種暫態擾動信號進行試驗。其中，PSO-LSSVM的訓練、預測準確率分別高達95.8333%和95.5%。仿真結果如圖4、圖5所示。

同時本文還進行了未經優化的LSSVM識別分類實驗作為對比。在同樣的噪聲環境下，采用同樣的分類數據樣本，LSSVM的分類準確率分別為93.8889%和92.5%。仿真結果如圖6、圖7所示。

由圖4-圖7得知，PSO-LSSVM對于煤礦電力系統中4種常見電能質量擾動的識別分類效果明顯優于LSSVM分類器。

5結語

本文提出基于PSO-LSSVM的煤礦電能質量擾動識別分類方法，利用GST對煤礦中常見的4種暫態擾動信號進行特征量提取，利用PSO優化算法尋找最優的懲罰因子c和參數σ，構建PSO-LSSVM分類器，并用特征數據集進行訓練、測試分類識別。通過仿真實驗與未優化前的LSSVM方法的比較，驗證了該方法在樣本集較小的情況下，仍能較為準確、可靠地實現對煤礦電能質量擾動的識別與分類。

參考文獻：

[1]王升花.煤礦供電系統電能質量綜合評價[J].工礦自動化，2017（2）：86-89.

[2]劉偉.礦用電網電能質量分析系統設計[J].中國礦業，2016（12）：143-147.

[3]郭松梅.煤礦電能質量綜合治理研究[J].工礦自動化，2016（9）：60-64.

[4]陳華豐，楊志剛.基于S變換和規則基的復合電能質量擾動識別[J].電測與儀表，2015，52（12）：122-128.

[5]儲茂祥，王安娜.一種改進的最小二乘孿生支持向量機分類算法[J].電子學報，2014（5）：998-1003.

[6]王書姝.礦用10kV配電網電能質量分析與治理研究[D].太原：太原理工大學，2016.

[7]王新環，武雪崢.基于GST的煤礦電能質量擾動特性分析[J].測控技術，2017，36（9）：11-17.

[8]畢艷蘭，任小娜，彭丹，等.粒子群最小二乘支持向量機結合偏最小二乘法用于芝麻油質量的鑒別[J].分析化學，2013（9）：1366-1372.

[9]萬輝，魏延.一種改進的最小二乘支持向量機算法[J].重慶師范大學學報：自然科學版，2010，27（4）：69-72.

（責任編輯：黃健）