基于支持向量机电力系统谐波检测研究与分析.docVIP

基于支持向量机电力系统谐波检测研究与分析 　　【摘要】本文提出了一种将支持向量机（SVM）应用于谐波测量的方法：该方法基于模拟并行谐波测量装置的基本原理，即从频域的观点，任何非正弦周期波形经过傅立叶级数展开，可以看成是由基波和各高次谐波迭加而成，利用SVM来实现模拟并行谐波测量装置中带通滤波器和检波器的功能。根据电力谐波的特点，从理论上构造训练数据，对该SVM模型进行训练，该模型输入为待测量信号，即在一个周期内的采样值，输出为待测的各次谐波幅值。 　　综合上述方法，在MATLAB环境编写了完整的间谐波测量程序，进行了大量的仿真研究。通过仿真实验，表明了本文建立的SVM谐波测量模型具有较好的测量精度和容噪能力，具有较强的稳健性。 　　【关键词】谐波检测；间谐波分析；统计学习理论；支持向量机；最小二乘支持向量机 　　前言 　　电力系统的谐波由于受非线性、随机性、分布性、非平稳性及复杂性等因素影响，对谐波进行准确检测并非易事，同时谐波污染除了与基波成整数倍的谐波外，还存在许多非整数倍的间谐波的存在更增加了测量的难度，因此，如何提高谐波分析的精度有着重要的意义。因此人们在不断探索更为有效的谐波检测方法及其实现技术，文中对现有的谐波检测方法进行综述，讨论各种检测方法的特性，同时重点讨论了基于支持向量机方法在电力系统谐波检测中的研究现状及发展前景。 　　SVM算法在有大量异常噪声干扰的情况下都有相当高的分析精度，可以满足电力系统谐波和间谐波分析的要求，而且通过引入特殊的代价函数的方法消除异常值影响，使算法对异常值具有稳健性。 　　1、支持向量机学习算法概述 　　支持向量机以统计学习理论为基础，具有简洁的数学形式、直观的几何解释和良好的泛化能力等优点，它避免了神经网络中的局部最优解问题，并有效地克服了“维数灾难”。由SVM实现的结构风险最小化，从最大边缘思想出发构建最优分类超平面。在非线性可分的情况下，引入核函数，从而将输入投影到高维特征空间构造分类超平面。并最终对核函数进行了一定的探讨。本文将研究基于支持向量机的谐波和间谐波检测方法的相关知识。 　　SVM最初用来解决模式识别问题，随着Vapnik的ε不敏感损失函数的引入，SVM已经扩展为解决线性、非线性回归估计问题。下面详细叙述基于SVM回归估计的谐波分析模型。 　　2、算法描述 　　离散时间真值序列的谐波分解模型，其中在tk时刻观察到的N个连续采样值，可用傅里叶级数来表示。对均衡采样而言，恰好为采样延迟。 　　其中未知参数是振幅Ai，相位φi和频率ωi为正弦组成部分；Nω为能分解的谐波最高次数，理论上讲，根据奈奎斯采样定理，谐波最高次数可以取到采样频率的一半，在工程应用中可以留有一定的裕度，取采样频率的1/6～1/4；etk是第K次采样的模型误差，当频率是末知时，这是一种非线性的关系。在这种情况下，式（3-1）可用笛卡尔内积和表示为线性形式 　　一些稳健的代价函数已用于支持向量机（SVM）的回归，比如Vapnik的损失函数，Huber的鲁棒代价函数和岭回归的方法。在这里，我们提出一种更通用的代价函数，包含上述特殊情况。 　　在SVM算法中，目标函数是使模型参数的L2范数和Lp（e）之和达到最小化。于是，SVM模型可表示为： 　　其中是松弛变量，是不敏感系数，γ和c两个参数的作用是控制目标函数中模型参数的L2范数和代价函数Lp（e），需要根据实际情况进行调整。在二次或线性区代价函数中，I1为的采样点的集合，I2为的采样点的集合。注意到当γ足够小时反映了正规化Vapnik的不敏感系数的开销，当时，它代表Huber稳健成本。它可以很容易地表示为. 　　函数可以写成如下标准迭代变权最小二乘法格式 　　根据KKT条件可推出残差和拉格朗日乘子的直接关系。简言之，因为因此。因为式（3-16）保持成立并且。因为，式（3-17）保持成立并且。这种关系及其相应的用式（3-22）和（3-23）总结。 　　通过构造零梯度，由，得到如下的用矩阵形式等式 　　（1）其中，表示主对角线上的第K个元素为的对角阵。若在计算中不作考虑（），则可将矩阵降维以减少计算量。在上面的步骤，被视为常数，在IWRLS算法中通常作这样的处理。 　　在这里要注意，解的系数是从正弦函数和拉格朗日乘子之间的相关性经验获得的[见式（3-1）]。作为最后是残值的非线性变换，由式（3-2）和（3-3）得到，在求解时控制C的值可以减少噪声的影响。 　　3、基于支持向量机的谐波与间谐波仿真研究 　　1）算例1：设置采样频率fs=2000Hz，采样间隔为0.5ms，采样点数为100点，测量频率范围是0～200 Hz。本文采用的仿真信号波形如图1所示 　　3）实验结论 　　从以上实验结果可以看出，SVM在