利用遺傳支持向量機(jī)進(jìn)行電壓暫降信號識別

朱蘇航， 呂干云

(1.浙江金華職業(yè)技術(shù)學(xué)院信息工程系， 金華 321004；2.浙江師范大學(xué)信息系， 金華 321004)

利用遺傳支持向量機(jī)進(jìn)行電壓暫降信號識別

朱蘇航1， 呂干云2

(1.浙江金華職業(yè)技術(shù)學(xué)院信息工程系， 金華 321004；2.浙江師范大學(xué)信息系， 金華 321004)

針對傳統(tǒng)電力信號識別算法中特征選取的隨意性，提出了一種基于遺傳支持向量機(jī)(GA-SVM)的電壓暫降信號識別方法。首先通過S變換時頻分析法提取該信號識別需要的可能特征集，然后利用遺傳算法的全局搜索特性得到優(yōu)秀特征，最后通過多分類支持向量機(jī)實現(xiàn)暫降信號識別并驗證選取特征的有效性。仿真結(jié)果證明，該方法能快速、有效識別出電壓暫降信號類型。

電壓暫降信號； 遺傳算法； 支持向量機(jī)； 特征選??； 識別

電壓暫降信號是指電網(wǎng)電壓有效值快速下降至額定值的10%～90%的事件，其典型持續(xù)時間為0.01～0.5 s[1]。美國每年就因電壓暫降事故造成經(jīng)濟(jì)損失達(dá)200多億美元。電壓暫降信號的正確識別，不僅有助于解決供電部門和用戶之間的相應(yīng)糾紛，且對配電系統(tǒng)電能質(zhì)量污染治理具有重要作用[2，3]。電壓暫降信號主要有三類：系統(tǒng)故障引起、感應(yīng)電機(jī)啟動引起、變壓器投運(yùn)引起。目前，大部分電壓暫降信號識別方法首先是根據(jù)專家知識，利用傅里葉變換[4]、小波分析[5]、Kalman濾波[6]、S變換[7]、dq[8]變換等時頻域分析方法提取暫降信號各種特征，然后采用專家系統(tǒng)、模糊理論、神經(jīng)網(wǎng)絡(luò)等智能算法進(jìn)行分類，識別出電壓暫降信號類型。然而在電壓暫降信號識別甚至電力擾動信號識別中，目前的研究主要局限于特征的提取方法及識別算法的精度改善，卻很少研究提取的特征是否有效和必要，即如何進(jìn)行特征選擇。優(yōu)秀特征的有效選取不僅可提高電壓暫降信號識別的精度，而且還可提高識別速度。本文提出了一種基于遺傳支持向量機(jī)GA-SVM(genetic algorithm optimized support vector machine)的電壓暫降信號識別方法。首先通過S變換等方法提取電壓暫降信號識別可能需要的各種特征集，然后利用遺傳算法的全局搜索特性得到優(yōu)秀特征，最后通過多分類支持向量機(jī)實現(xiàn)了電壓暫降信號的識別并驗證特征選取的有效性。

1 電壓暫降信號處理及特征提取

S變換[9]是在小波變換和短時傅里葉變換基礎(chǔ)上結(jié)合發(fā)展起來的一種可逆時頻分析方法，具有很好的時頻分析能力。電壓暫降信號處理及特征提取主要在S變換[9]基礎(chǔ)上進(jìn)行。信號經(jīng)S變換得到復(fù)時頻矩陣(S矩陣)，其取模后得到S模矩陣，經(jīng)處理可提取各種信號的幅值、頻率、相位等特征信息。根據(jù)已有文獻(xiàn)及經(jīng)驗知識，利用S變換等方法提取電壓暫降信號識別需要的可能特征集，包括如下。

1)諧波增量

諧波是變壓器暫降的重要特征，特別是2次諧波，可達(dá)到諧波總量的30%～50%。由S模矩陣可計算出電壓暫降發(fā)生前、后的2次諧波增量，即

(1)

式中：U2sag、U1sag分別為電壓暫降期間2次諧波和基波的電壓有效值；U2pre、U1pre分別為暫降發(fā)生前2次諧波和基波的電壓有效值。

2)幅值突變次數(shù)

電壓暫降信號是具有突變特性的非平穩(wěn)信號，信號時頻分布S模矩陣在其高頻部分必然會反映出信號這一特征。通過S模矩陣提取高次諧波幅值曲線，來確定幅值突變次數(shù)。

3)恢復(fù)斜率

提取S模矩陣中基頻幅值曲線如圖1所示。三種暫降信號的恢復(fù)斜率存在差異。故障暫降信號的恢復(fù)段較陡峭，而變壓器投運(yùn)和電動機(jī)啟動暫降信號在恢復(fù)段較平滑、斜率小。

4)信號恢復(fù)時間

信號恢復(fù)時間指從電壓最深點(diǎn)恢復(fù)到正常值90%的所需時間，從基頻幅值曲線上求得。

5)暫降持續(xù)時間

暫降持續(xù)時間定義為信號最低幅值持續(xù)時間與總暫降持續(xù)時間之比。故障暫降在最低電壓點(diǎn)附近持續(xù)時間較長，而變壓器投入和電機(jī)啟動暫降在下降到一定深度后緩慢恢復(fù)，持續(xù)時間較短。

6)暫降深度

暫降深度指發(fā)生電壓暫降時有效值曲線上最小電壓幅值。

7)恢復(fù)電壓

恢復(fù)電壓指電壓暫降結(jié)束后的各相電壓幅值。

8)不平衡度

電動機(jī)和三相短路故障引起的電壓暫降信號是對稱的，而變壓器投運(yùn)和其它短路故障產(chǎn)生的電壓暫降一般不對稱。根據(jù)對稱分量法可求得出三相不平衡度ε1，即

(2)

式中，U1、U2分別為基波正序和負(fù)序的均方根值。

通過程序自動提取到22個特征，包括各相的諧波增量、幅值突變次數(shù)、恢復(fù)斜率、恢復(fù)時間、暫降持續(xù)時間、暫降深度、恢復(fù)電壓及三相不平衡度。

(a) 短路故障

(b) 變壓器投運(yùn)

(c) 電動機(jī)啟動

2 基于GA-SVM的電壓暫降信號識別

特征選取是從總特征集合中選出對識別具有重要貢獻(xiàn)的特征子集，其目的在于降低原有特征維數(shù)，提高識別正確率及速度。遺傳算法是一種具有很強(qiáng)全局搜索能力的隨機(jī)優(yōu)化算法,而支持向量機(jī)在小樣本和非線性識別方面具有特定優(yōu)勢。首先利用遺傳算法從總特征集合中搜索得到一組特征樣本，然后用多分類支持向量機(jī)進(jìn)行訓(xùn)練及測試，將分類正確率作為遺傳算法的進(jìn)化依據(jù)，進(jìn)行重復(fù)交叉搜索得到最優(yōu)特征，其算法流程如圖2所示。

圖2 基于GA-SVM電壓暫降信號識別流程

1)基因編碼及種群初始化

22個特征按采用二進(jìn)制數(shù)0和1進(jìn)行編碼，得到長度為22的染色體，0表示對應(yīng)的特征不選取，1為選取。如染色體{1000010001000000100100}，表示選中原始特征集中的第1、6、10、17、20個特征，其余的特征不選中。設(shè)置種群數(shù)為40，運(yùn)用隨機(jī)函數(shù)產(chǎn)生40個染色體組成的初始種群。

2)SVM分類

按照編碼值對原特征集樣本進(jìn)行篩選操作，得到降維后的特征樣本，然后將特征樣本分為訓(xùn)練樣本和測試樣本，運(yùn)用多分類支持向量機(jī)對訓(xùn)練樣本和測試樣本進(jìn)行操作得到識別正確率。

3)適應(yīng)度函數(shù)

適應(yīng)度函數(shù)是評價個體優(yōu)劣的標(biāo)準(zhǔn)，是遺傳算法進(jìn)化搜索的依據(jù)。適應(yīng)度函數(shù)的好壞直接關(guān)系到遺傳算法收斂速度及能否找到最優(yōu)特征。本文綜合選用識別正確率和被選中特征個數(shù)作為構(gòu)造適應(yīng)度函數(shù)依據(jù)。設(shè)多分類支持向量機(jī)的正確率為Ac，被選中特征個數(shù)為nT，GA搜索目標(biāo)是尋求最大正確率及減少特征個數(shù)，故適應(yīng)度函數(shù)定義為

(3)

式中，k為正確率的權(quán)值，取為100，以提高正確率在適應(yīng)度函數(shù)中的比重。個體的適應(yīng)度函數(shù)值越低，則代表該個體更優(yōu)。

4)交叉與變異

遺傳算法經(jīng)過交叉操作產(chǎn)生新個體，它按交叉概率隨機(jī)對個體進(jìn)行兩兩交叉，產(chǎn)生新種群。變異操作則使交叉后種群產(chǎn)生突變，跳出局部極值，它通過隨機(jī)對某一位或幾位基因進(jìn)行變異操作，即按位取反。按交叉、變異后的新種群，選取相應(yīng)特征量，重構(gòu)特征子集。

5)結(jié)束條件

遺傳算法結(jié)束搜索的條件為：達(dá)到初始設(shè)定的最大進(jìn)化代數(shù)和適應(yīng)度函數(shù)值變化過小。如果滿足以上兩個條件之一就停止搜索，得到優(yōu)化特征；否則繼續(xù)搜索。

3 算例仿真與分析

由Simulink仿真產(chǎn)生各種電壓暫降信號，經(jīng)信號處理提取出各信號的22種特征。設(shè)置遺傳算法的種群數(shù)為40，交叉概率為0.85，變異概率為0.1，進(jìn)化代數(shù)為100。設(shè)置多分類支持向量機(jī)中的正則化參數(shù)C和徑向基核函數(shù)參數(shù)都為1。表1給出基于GA-SVM法搜索得到的部分優(yōu)秀特征樣本及其對應(yīng)結(jié)果，其中nT為選中特征個數(shù)，f(x)為適應(yīng)度，Ac為分類正確率，tr為運(yùn)行時間。

表1 基于GA-SVM電壓暫降識別結(jié)果

由表1結(jié)果可發(fā)現(xiàn)，經(jīng)GA-SVM法后可將初始特征維數(shù)從22降為8、7，甚至降為4，有效地降低了特征樣本的維數(shù)。用SVM對原來22維特征樣本進(jìn)行識別，其識別正確率為81.33%，運(yùn)行時間為0.017 s。而本法在降低特征樣本維數(shù)的同時，在一定程序上提高電壓暫降識別正確率和減少運(yùn)行時間，識別精度達(dá)97.33%，運(yùn)行時間為0.008 s，特征維數(shù)為4。另外還可發(fā)現(xiàn)，染色體中的第5、6、7、17個基因出現(xiàn)頻率較高，說明對應(yīng)的特征量對電壓暫降信號的正確識別貢獻(xiàn)較大，為優(yōu)秀特征量，GA有效完成特征選取。

4 結(jié)論

由于目前很多電壓暫降信號識別中特征選擇缺乏有效的理論指導(dǎo)，一定程度上降低了識別算法的可靠性并限制了其應(yīng)用范疇。本文運(yùn)用S變換對三種典型電壓暫降信號進(jìn)行時頻分析，結(jié)果數(shù)據(jù)處理后提取得到由22個特征量構(gòu)成的暫降信號識別可能需要的特征集，然后用遺傳算法對特征集進(jìn)行優(yōu)化搜索，選出優(yōu)秀特征量，最后通過多分類支持向量機(jī)實現(xiàn)了電壓暫降信號的識別并驗證特征選取的有效性。經(jīng)仿真驗證，該方法能快速、有效識別出電壓暫降源，優(yōu)秀特征的有效選取一定程度上改善提高了電壓暫降信號識別的速度和精度。該方法具有一定的通用性，也能用于電力擾動信號的識別系統(tǒng)中。

[1] Zhang Lidong, Bollen M H J. Characteristic of voltage dips in power systems [J]. IEEE Trans on Power Delivery, 2000, 15(2): 827-832.

[2] Melhorn C J, Davis T D, Beam G E. Voltage sags: their impact on the utility and industrial customers[J]. IEEE Trans on Industry Applications, 1998, 34(3): 549-558.

[3] McGranaghan M, Roettger B. Economic evaluation of power quality[J]. IEEE Power Engineering Review, 2002, 22(2): 8-12.

[4] Ahn Seon-Ju, Won Dong-Jun, Chung Il-Yop,etal. Determination of the relative location of voltage sag source according to event cause[C]∥IEEE Power Engineering Society General Meeting. Denver, USA: 2004.

[5] 王克星, 宋政湘, 陳德桂(Wang Kexing, Song Zhengxiang, Chen Degui). 基于小波變換的配電網(wǎng)電壓暫降的干擾源辨識(Interference source identification of voltage sag in distribution system based on wavelet transform)[J]. 中國電機(jī)工程學(xué)報(Proceedings of the CSEE), 2003, 23(6): 29-34,54.

[6] 張波(Zhang Bo). 電壓暫降特征提取與擾動原因分析(Extraction the Voltage Sag Characters and Identification Voltage Sags Cause)[D]. 北京: 中國電力科學(xué)研究院(Beijing: China Electric Power Research Institute), 2005.

[7] 楊洪耕，劉守亮，肖先勇(Yang Honggeng, Liu Shouliang, Xiao Xianyong). 利用S變換時頻等值線圖與幅值包絡(luò)向量實現(xiàn)電壓凹陷的分類(Classification of voltage dips using time-frequency contour and amplitude envelope vectors by S-transform)[J]. 電工技術(shù)學(xué)報(Transactions of China Electrotechnical Society), 2006, 21(8): 75-79,126.

[8] 劉云潺, 黃純, 歐立權(quán), 等 (Liu Yunchan, Huang Chun, Ou Liquan,etal). 基于dq變換的三相不平衡電壓暫降檢測方法(Method for unbalanced voltage sags detection based ondqtransform)[J]. 電力系統(tǒng)及其自動化學(xué)報(Proceedings of the CSU-EPSA), 2007, 19(3): 72-76.

[9] Stockwell R G, Mansinha L, Lowe R P. Localization of the complex spectrum: The S transform[J]. IEEE Trans on Signal Processing, 1996, 44(4): 998-1001.

朱蘇航(1967-)，女，講師，主要從事智能信號處理研究。Email:stmc17@sina.com

呂干云(1976-)，男，副教授，博士，研究方向為電能質(zhì)量及人工智能電力系統(tǒng)應(yīng)用等。Email:ganyun_lv@ zjnu.cn

VoltageSagSignalIdentificationwithGA-SVM

ZHU Su-hang1， Lü Gan-yun2

(1.Department of Information Science and Engineering, Jinhua College of Profession and Technology, Jinhua 321004， China；2.Department of Information, Zhejiang Normal University, Jinhua 321004, China)

In order to reduce the randomness of feature selection in the traditional power signal identification algorithm, a new approach for identification of voltage sag signal is proposed based on genetic algorithm optimized support vector machine (GA-SVM). First, the initial feature set is extracted with S-transform time-frequency method, which is probably used for identification of voltage sag signal. Then the GA is used for search of the key features from the feature set. Finally, the multi-classification SVM is applied for identification of voltage sags signal and prove of the validity of the selected features. The simulation results show that the approach could identify the voltage sags signal effectively and quickly.

voltage sag signal； genetic algorithm； support vector machine； feature selection; identification

TM711

A

1003-8930(2012)01-0084-04

2011-06-14；

2011-07-26

國家自然科學(xué)基金資助項目(51107120)；浙江省自然科學(xué)基金資助項目(Y1090182)；浙江省教育廳科研項目(Y201120550)