[发明专利]一种基于改进极限学习机的谐波源定位方法

说明书

本发明提供了一种基于改进极限学习机的谐波源定位方法，包括以下步骤：（1）以重构特征集为输入，基于改进极限学习机，建立多标签分类模型，实现谐波源定位；（2）利用监测数据的充分统计量来挖掘量测时段的谐波信息，同时利用标签特定特征学习算法重构特征集；（3）基于邻接矩阵以及灵敏度分析实现测点的优化配置，以重构特征集为多标签分类模型的输入，实现谐波源定位。

技术领域

本发明涉及谐波源定位技术领域，特别是一种基于改进极限学习机的谐波源定位方法。

背景技术

随着电力电子设备的大量并网，电力系统中的谐波污染问题愈发严重。谐波源定位能够明确谐波污染源头、划分谐波责任，有助于提升电力系统供电可靠性和运行经济性。

同步相量监测装置造价昂贵，无法在电网中大量部署。电能质量监测装置(powerquality monitoring device，PQMD)造价低，因此被广泛运用于现有的谐波监测系统中。电能质量监测装置一般每隔3分钟或5分钟统计监测数据的平均值、最大值、最小值和95％概率大值，其记录的统计型监测数据格式统一，并且具有较高的测量精度。该类谐波监测数据虽然可以为谐波源定位提供有力的数据支撑，但是无法满足同步性要求。此外，电能质量监测装置的部署也难以满足可观性要求。针对这一问题，本文将状态量幅值的充分统计量作为特征，把谐波源定位问题转换为多标签分类问题，提出了基于改进极限学习机的谐波源定位方法，该方法基于现有统计型谐波监测数据，无需布设专用监测设备即可实现谐波源的精准定位。

以谐波状态估计为主的传统谐波源定位方法需要采用专门设备同步测量谐波电压和支路谐波电流，而目前的谐波监测系统通常给出的是监测时段内的谐波统计值，因此传统方法的工程应用受到限制。此外，谐波状态估计类方法要求测点满足全网可观性的要求。当不满足可观性要求时，欠定形式的谐波状态估计模型存在多解。此外，上述方法容易受到测点位置、量测噪声与测点非同步测量等因素的影响导致定位失败。

发明内容

有鉴于此，本发明的目的在于基于现有统计型谐波监测数据，提供一种基于改进极限学习机的谐波源定位方法，将监测量的充分统计量作为定位模型的原始输入特征，同时利用标签特定特征重构特征集挖掘量测时段的谐波信息并避免数据非同步性对定位精度的影响，并实现确保重构特征集内的特征与标签的强相关性以及可辨别性，将重构后的特征集作为极限学习机的输入特征，利用极限学习机建立多标签分类模型，实现谐波源定位。

为实现上述目的，本发明采用如下技术方案：一种基于改进极限学习机的谐波源定位方法，包括以下步骤：

(1)基于改进极限学习机，建立多标签分类模型，实现谐波源定位；

(2)利用监测数据的充分统计量来挖掘量测时段的谐波信息，同时利用标签特定特征学习算法重构特征集；

(3)基于邻接矩阵以及灵敏度分析实现测点的优化配置，以重构特征集为多标签分类模型的输入，实现谐波源定位。

在一较佳的实施例中，基于极限学习机的多标签模型具体为：

将各节点是否存在谐波源表示为二值标签变量，存在谐波源时取1，反之取0，从而生成谐波源分布的标签向量y＝[y₁,…,y_l]，其中l为节点个数，称为多类别标签向量；多标签学习通过样本训练多标签分类模型，进而输出待判别样本的类别标签；多标签分类模型的表达式如下所示；

y＝F(x)                          (1)