基于改进支持向量机的电能质量扰动分类摘要：对近年来电网发展和研究的热门话题之一：电能质量扰动识别分类系统进行研究。
识别分类系统使用小波变换方法对扰动电压信号进行特征提取，之后收入由支持向量机建立的识别系统中。
相对小波能量只能表达总分解层信号能量中各层信号能量的比例，对于电能质量扰动信号的检测不能直接使用信息熵公式。
因此引入加权算子以改进相对小波能量，加权算子对电能扰动特征进行放大，实时反映电能扰动特征。
针对使用支持向量机建立电能质量扰动识别系统时会由于扰动信号特征向量维度高、数据庞大等问题，提出一种基于混合核函数的LSSVM建立电能质量扰动识别系统。
选取RBF核函数和Polynomial核函数分别作为局部以及全局核函数，构造混合核函数，提高系统泛化能力。
使用PSO优化算法对LSSVM分类器进行分类，提高分类器的识别精度等性能。
最后通过实验验证研究的电能质量扰动识别分类系统的识别性能。
关键词：电能质量；扰动识别；最小二乘支持向量机；小波变换中图分类号：TN911.23?34；TM711 文献标识码：A 文章编号：1004?373X（2016）10?0138?04Power quality disturbance classification based on improved support vector machineJING Hao，PANG Xianhai，LI Xiaofeng，SUN Zhongji（Electric Power Research Institute，State Grid Hebei Electric Power Company，Shijiazhuang 050021，China）Abstract：The disturbance identification and classification system of power quality is studied，which is one of the hot topics of power grid development and research. The identification and classification system uses the wavelet transform method to extract the features of the disturbance voltage signal，and then transmits the features to the recognition system established by support vector machine. Since the relative wavelet energy can only express the proportion of the signal energy of each layer in the signal energy of the total decomposition layer，the detection of power quality disturbance signal can’t directly use the information entropy formula. The weighted operator is introduced to improve the relative wavelet energy，which can amplify and reflect the power disturbance features in real time. Since the feature vector of disturbance signal has the problems of high dimension and large data when the support vector machine is used to establish the power quality disturbanceidentification system，a method of using LSSVM based on hybrid kernel function to establish the power quality disturbance classification system is proposed. The RBF kernel function and Polynomial kernel function are selected as the local and global kernel functions respectively to construct the hybrid kernel function. The hybrid kernel function can improve the generalization ability of the system. The PSO algorithm is used to classify the LSSVM classifiers and improve the recognition accuracy and performance of the classifiers. The recognition performance of the power quality disturbance identification and classification system was verified in experiments.Keywords：power quality；disturbance identification；least square support vector machine；wavelet transform0 引言建立智能电网是现在电网发展和研究的热门话题，建立智能电网的重要目标和方向之一是保障供电的电能质量以及对各类不同用电用户的使用需求提供服务。
因此，实现对电能质量检测系统的建立健全、准确评价电能质量、对电网电能质量中出现的扰动进行及时准确的识别分类是近年来研究工作者关注研究热点问题之一[1?3]。
基于支持向量机建立的分类器能够有效解决神经网络分类器模型存在的容易陷入局部最优解、收敛速度慢以及需要大量训练样本等问题，其优势是使用小样本即可完成网络训练，能够实现非线性以及高维度的系统识别和辨识，因而得以广泛应用[4?6]。
使用支持向量机建立电能质量扰动识别系统时会由于扰动信号特征向量维度高、数据庞大等问题而需要建立多个分类器同时进行工作，因此支持向量机的参数选择则直接对所建立的扰动识别系统的识别效率和准确率产生影响，使用传统的梯度下降法、交叉验证法等进行参数选取时往往存在容易陷入局部最优解以及计算量大等问题[7]。
为此本文提出一种基于混合核函数的LSSVM建立电能质量扰动识别系统。
选取RBF核函数和Polynomial核函数分别作为局部以及全局核函数，构造混合核函数，提高系统泛化能力。
使用PSO优化算法对LSSVM分类器进行分类，提高分类器的识别精度等性能。
1 小波变换原理小波分析实际是对分析信号和使用的小波信号的相似度进行衡量的一种从现代调和分析发展而来的方法。
小波分析中，小波能熵的表述如下：设定信号采样个数为[N]，在[k]时刻，某信号在尺度[j]下一维小波高频系数和小波能谱分别为[Djk]，[Ejk=Djk2]，在[k]个采样点下，小波信号能量为[Ej=kDjk2]。
则小波能熵表示为[8]：实验结果对比如表1所示。
实验结果表明，在同样使用常规LSSVM模型建立的识别系统中，使用原始小波能熵进行扰动电压信号特征提取时，系统的平均识别率为75.6%，要明显低于使用引入加权算子的改进小波能熵83.3%的平均识别率。
在同样使用改进小波能熵进行扰动电压信号特征提取，使用改进的LSSVM模型建立的识别系统平均识别率为90.3%，相比常规LSSVM模型建立的识别系统的平均识别率约提高了7.0%，说明本文提出的电能质量扰动识别系统的识别性能比较优秀。
表1 识别准确率对比%5 结论对电网电能质量中出现的扰动进行及时准确地识别分类是近年来研究工作者关注研究热点问题之一。
本文引入加权算子来改进传统的相对小波能量特征提取方法，并使用混合核函数改进常规LSSVM分类模型，建立电能质量扰动识别系统。
最后使用基于dSPACE的实验工作平台对电能质量扰动分类方法进行实验研究，研究结果表明，本文提出的电能质量扰动识别系统的识别性能较好。
参考文献[1] 李庚银，王洪磊，周明.基于改进小波能熵和支持向量机的短时电能质量扰动识别[J].电工技术学报，2009（4）：161?167.[2] 孔英会.数据流技术及其在电力信息处理中的应用研究[D].保定：华北电力大学，2008.[3] 王洪磊.基于小波熵和SVM的动态电能质量扰动识别研究[D].保定：华北电力大学，2007.[4] 房国志.暂态电能质量检测方法的研究与实现[D].哈尔滨：哈尔滨理工大学，2013.[5] 陈华丰.电能质量扰动信号识别方法研究[D].成都：西南交通大学，2013.[6] 何顺帆.实时电能质量分析理论与技术的研究[D].武汉：华中科技大学，2013.[7] 黄南天.基于S变换与模式识别的电能质量暂态信号分析[D].哈尔滨：哈尔滨工业大学，2012.[8] 徐飞.基于混合核函数的LSSVM发酵建模[D].大连：大连理工大学，2012.[9] 张杨.混合电能质量扰动信号识别算法研究[D].成都：西南交通大学，2012.[10] 李欣.电力系统过电压分层模式识别及其应用研究[D].重庆：重庆大学，2012.[11] 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（10）：23?30.[12] 王丽霞.基于信号处理的电能质量扰动检测与识别[D].成都：西南交通大学，2010.[13] 郑志成，徐卫亚，徐飞，等.基于混合核函数PSO?LSSVM的边坡变形预测[J].岩土力学，2012，33（5）：1421?1426.[14] 周金明，王传玉，何帮强.基于混合核函数FOA?LSSVM的预测模型[J].计算机工程与应用，2015，51（4）：133?137.。
