[发明专利]基于多核支持向量机的混合电能质量扰动识别方法

说明书

本发明提出一种基于多核支持向量机的混合电能质量扰动识别方法，首先，利用改进最大相关最小冗余准则选取对分类有效的关键特征，该环节兼顾到特征联合作用对类别最大相关度的影响与不同特征的可比性。其次，为降低核函数与特征分布不同对分类器性能的影响，利用引入半径信息的多核支持向量机来开展扰动辨识。通过仿真结果表明，对本发明所提出的辨识算法在不同噪声强度下均能有效辨识各类扰动，论证了本发明所提出辨识算法的有效性和可行性。该方法克服了混合电能质量扰动特征空间模糊对辨识精度的影响，且受噪声影响小，稳定性好。

技术领域

本发明涉及电能质量扰动类型识别技术领域，尤其涉及一种基于多核支持向量机的混合电能质量扰动识别方法。

背景技术

近年来，非线性、冲击性和不平衡负荷不断投入使用导致波形畸变、三相不平衡、电网谐振等众多电能质量问题，严重影响了工业生产和用户生活，同时，越来越多的电力电子装置等敏感性负荷投入运行，对电能质量提出更高的要求。不同类型的电能质量扰动对用户的影响程度不同，如何从海量的电能质量监测数据中正确快速地辨识各类电能质量扰动对电能质量扰动的分析及抑制措施的选取具有重要的意义。

电能质量扰动辨识算法研究成果斐然。文献[1](覃思师,刘前进.基于STFT变换和DAGSVMs的电能质量扰动识别[J].电力系统保护与控制,2011,39(1):83-86.)将短时傅里叶变换提取的时频最大幅值向量输入有向无环图的支持向量机，实现电能质量扰动的辨识。文献[2](徐永海,赵燕.基于短时傅立叶变换的电能质量扰动识别与采用奇异值分解的扰动时间定位[J].电网技术,2011,35(8):174-180.)利用短时傅里叶变换提取六个特征量，并借助决策树识别单一和复合扰动。文献[3-4](姚建刚,郭知非,陈锦攀.基于小波和BP神经网络的电能扰动分类新方法[J].电网技术,2012,36(5):139-144.；吴兆刚,李唐兵,姚建刚,etal.基于小波和改进神经树的电能质量扰动分类[J].电力系统保护与控制,2014,42(24):86-92.)提取扰动各层小波系数的统计特征和小波能量等并输入神经网络来辨识各类扰动。文献[5](何巨龙,王根平,刘丹,etal.基于提升小波和改进BP神经网络的配电网系统电能质量扰动定位与识别[J].电力系统保护与控制,2017,45(10):69-76.)利用提升小波变换提取的各层小波系数对改进BP神经网络进行识别训练。文献[6](黄南天,徐殿国,刘晓胜.基于S变换与SVM的电能质量复合扰动识别[J].电工技术学报,2011,26(10):23-30.)通过统计方法确定S变换所提取特征中最优的两种，再用具有二元树结构的支持向量机识别各种扰动。文献[7](黄南天,张卫辉,蔡国伟,etal.采用改进多分辨率快速S变换的电能质量扰动识别[J].电网技术,2015,39(5):1412-1418.)采用快速S变换提取5种特征并建立决策树，识别含噪声的各类电能质量扰动。文献[8](覃星福,龚仁喜.基于广义S变换与PSO-PNN的电能质量扰动识别[J].电力系统保护与控制,2016,44(15):10-17.)通过广义S变换提取6维特征量，输入PSO-PNN中对各类扰动进行分类识别。

这些算法均是针对单一电能质量扰动或包括少量的混合电能质量扰动。