基于PSO-LSSVM的過(guò)電壓識(shí)別*

馬世歡,魯華棟

(河南工業(yè)職業(yè)技術(shù)學(xué)院電子信息工程系,河南 南陽(yáng) 473000)

基于PSO-LSSVM的過(guò)電壓識(shí)別*

馬世歡*,魯華棟

(河南工業(yè)職業(yè)技術(shù)學(xué)院電子信息工程系,河南 南陽(yáng) 473000)

為了獲得理想的過(guò)電壓識(shí)別結(jié)果,提出了粒子群優(yōu)化算法優(yōu)化最小二乘支持向量機(jī)參數(shù)的過(guò)電壓識(shí)別方法。首先采用小波變換對(duì)過(guò)電壓原始信號(hào)進(jìn)行分解,提取過(guò)電壓信號(hào)的特征量,然后將過(guò)電壓信號(hào)的特征量作為最小二乘支持向量機(jī)的輸入,建立過(guò)電壓識(shí)別分類器,并采用粒子群優(yōu)化算法估計(jì)最小二乘支持向量機(jī)的參數(shù),最后采用實(shí)測(cè)的過(guò)電壓數(shù)據(jù)進(jìn)行仿真實(shí)驗(yàn),測(cè)試其可行性。結(jié)果表明,本文方法可以對(duì)各種類型的過(guò)電壓信號(hào)進(jìn)行準(zhǔn)確分類和識(shí)別,識(shí)別結(jié)果穩(wěn)定,且過(guò)電壓識(shí)別率要高于其他方法。

過(guò)電壓識(shí)別;小波變換;特征向量;識(shí)別率

架空輸電線路是電力輸送主要方式,近幾年來(lái),電網(wǎng)發(fā)展達(dá)到了一個(gè)新的階段,而架空輸電線路的結(jié)構(gòu)越來(lái)越復(fù)雜,給檢修帶了一定的難度[1-2]。在實(shí)際應(yīng)用中,雷擊過(guò)電壓是引起架空輸電線路故障的重要原因,因此如何對(duì)雷擊過(guò)電壓進(jìn)行準(zhǔn)確分類和識(shí)別,對(duì)于保證電網(wǎng)穩(wěn)定運(yùn)行具有十分重要的意義[3]。

針對(duì)不同區(qū)域的雷擊過(guò)電壓?jiǎn)栴},學(xué)者們采用不同的防范措施,但由于氣候等因素的影響,根據(jù)實(shí)際經(jīng)驗(yàn)進(jìn)行雷擊過(guò)電壓類別的傳統(tǒng)辨析方法缺陷十分明顯,無(wú)法適應(yīng)結(jié)構(gòu)日益復(fù)雜的,架空輸電線路故障診斷[4]。根據(jù)過(guò)電壓成因,可分為:內(nèi)部過(guò)電壓和外部過(guò)電壓,其中雷擊過(guò)電壓屬于外部過(guò)電壓,是雷對(duì)地面放電引起的[5]。雷擊過(guò)電壓識(shí)別屬于電力系統(tǒng)暫態(tài)信號(hào)識(shí)別問(wèn)題,當(dāng)輸電線路出現(xiàn)故障時(shí),電壓或者電流信號(hào)會(huì)出現(xiàn)突變,產(chǎn)生暫態(tài)高頻分量,不同故障類型,暫態(tài)高頻分量各異,因此根據(jù)暫態(tài)高頻分量的特點(diǎn)可進(jìn)行雷擊過(guò)電壓識(shí)別[6]。電壓或者電流信號(hào)最早采用傅里葉變換進(jìn)行處理,但其只能提取時(shí)域特征,無(wú)法提取頻域特征,對(duì)雷擊過(guò)電壓識(shí)別產(chǎn)生不利影響[7]。小波變換可提取信號(hào)的時(shí)域特征和頻域特征,能夠更加精細(xì)的信號(hào)突變信息,為過(guò)電壓的高頻暫態(tài)信號(hào)特征提供了一種新的研究工具[8]。過(guò)電壓識(shí)別要建立分類器,目前主要采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行過(guò)電壓分類器構(gòu)建,其中神經(jīng)網(wǎng)絡(luò)要求訓(xùn)練樣本大,使得過(guò)電壓識(shí)別的成本急劇增加,應(yīng)用范圍受到一定的限制;支持向量機(jī)雖然要求訓(xùn)練樣本少,但訓(xùn)練時(shí)間長(zhǎng),影響過(guò)電壓識(shí)別的實(shí)時(shí)性[9-10]。最小二乘支持向量機(jī)LSSVM(Least Square Support Vector Machine)[11]是一種新型的非線性分類算法,訓(xùn)練時(shí)間短,分類速度快,可以應(yīng)用于過(guò)電壓識(shí)別的分類器設(shè)計(jì)。

為了進(jìn)一步改善過(guò)電壓的識(shí)別效果,提出粒子群優(yōu)化算法PSO(Particle Swarm Optimization Algorithm)優(yōu)化LSSVM參數(shù)的過(guò)電壓識(shí)別方法(PSO-LSSVM),首先采用小波變換對(duì)過(guò)電壓原始信號(hào)進(jìn)行分解,提取過(guò)電壓信號(hào)的特征量,然后將過(guò)電壓信號(hào)的特征量作為L(zhǎng)SSVM的輸入,建立過(guò)電壓識(shí)別模型,并采用PSO算法選擇LSSVM參數(shù),最后仿真測(cè)試證明,PSO-LSSVM可以對(duì)過(guò)電壓的類型進(jìn)行準(zhǔn)確識(shí)別,識(shí)別結(jié)果可以為高壓輸電線路的檢修提供有價(jià)值的參考信息。

1 小波變換提取過(guò)電壓特征

不同過(guò)電壓類型主要通過(guò)不同特征進(jìn)行描述,傳統(tǒng)方法如傅里葉變換雖然可提取過(guò)電壓的時(shí)域波形,但當(dāng)工作環(huán)境復(fù)雜時(shí),對(duì)一些畸變的信號(hào),它們表現(xiàn)出了能力的不足,特征難以準(zhǔn)確識(shí)別過(guò)電壓類型。小波變換是以傅里葉變換為基礎(chǔ),具有多分辨率特征,彌補(bǔ)了傅里葉變換的不足,因此本文將其引入到高壓輸電線路過(guò)電壓信號(hào)的特征提取中,小波變換定義如下:

(1)

式中:a和b分別表示平移和尺度參數(shù)。

在i尺度下,小波變化的近似系數(shù)和細(xì)節(jié)系數(shù)分解結(jié)果為:

(2)

式中:h( )和g( )分別表示低通濾波器和高頻濾波器。

采用小波變換對(duì)信號(hào)逐層分解,得到原始信號(hào)的不同子頻,即小波系數(shù),它們可以描述信號(hào)特性,具體原理如圖1所示。

圖1 小波變換的工作原理

相關(guān)研究結(jié)果表明,小波系數(shù)和原始信號(hào)在能量密切相關(guān),不同頻帶重構(gòu)信號(hào)的平方和可以描述信號(hào)的頻率能量,小波各頻段內(nèi)的能量和計(jì)算公式為

(3)

式中:N表示采樣點(diǎn)數(shù),di(k)表示細(xì)節(jié)系數(shù)

由于能量不能直接描述頻帶的能量物理量,然而不同時(shí)間段的能量和做比值能夠作為信號(hào)的頻譜分布特征,根據(jù)時(shí)域時(shí)間段和頻域多分辨率得到頻譜矩陣為

E(k,i)=

(4)

本文的輸電線路過(guò)電壓特征量具體如下:

(5)

(2)第5、6層的高頻與和整個(gè)信號(hào)的能量比,記作K2,其計(jì)算公式為

(6)

(3)300μs內(nèi)與后700μs的能量比,記作K3,其計(jì)算公式為

(7)

(4)能譜矩陣相似度(S)的計(jì)算公式為

(8)

式中:SAB表示2個(gè)能譜矩的相似程度,具體為

(9)

2 PSO-LSSVM的過(guò)電壓識(shí)別方法

2.1 LSSVM

設(shè)分類問(wèn)題的訓(xùn)練集為:{(xi,yi)},最小二乘支持向量機(jī)(LSSVM)通過(guò)函數(shù)Φ( )將數(shù)據(jù)映射線性高維特征空間實(shí)現(xiàn)求解,則有

f(x)=wTφ(x)+b

(10)

式中:ω和b均為L(zhǎng)SSVM的參數(shù)[11]。

(11)

式中:γ表示LSSVM的正則化參數(shù);ei為期望值和估計(jì)值之間的誤差。

為了進(jìn)一步加快問(wèn)題的求解速度,采用拉格朗日乘子αi對(duì)問(wèn)題進(jìn)行對(duì)偶轉(zhuǎn)換,得到

(12)

對(duì)于非線性分類問(wèn)題,需要引入核函數(shù)進(jìn)行變換,基于Mercer原理,核函數(shù)為K(xi,xj)=φ(xi)Tφ(xj),LSSVM的分類函數(shù):

(13)

當(dāng)前核函數(shù)比較多,RBF函數(shù)比其他核函數(shù)的參數(shù)確定少,通用性好,基于RBF函數(shù)的LSSVM分類函數(shù)變?yōu)?/p>

(14)

式中:σ為RBF參數(shù)。

2.2 PSO算法

粒子群優(yōu)化(PSO)算法的第i個(gè)粒子的位置和速度向量分別定義為:Xi=[xi,1,xi,2,…,xid]和Vi=[vi,1,vi,2,…,vid],Pi和gi為粒子i和粒子群的當(dāng)前最優(yōu)位置,在粒子的速度和位置更新方式為:

(15)

式中:k為當(dāng)前迭代次數(shù);c1,c2為學(xué)習(xí)因子;ω為慣性權(quán)重;r1和r2為隨機(jī)數(shù)。

由于慣性權(quán)重ω影響PSO算法的搜索速度,為了加快粒子群的尋優(yōu)速度,采用自適應(yīng)更新慣性權(quán)重值,具體為:

(16)

式中:f為適應(yīng)度函數(shù)值;favg和fmin為平均適應(yīng)函數(shù)值和最小適應(yīng)函數(shù)值。

學(xué)習(xí)因子影響粒子群算法找到最優(yōu)解的概率,為了克服標(biāo)準(zhǔn)PSO算法的缺陷,采用異步學(xué)習(xí)因子更新方式,即:

(17)

式中:c1ini、c2ini為c1、c2的初值,c1fin、c2fin為c1、c2的終值。

為了測(cè)試PSO算法優(yōu)越性,采用2個(gè)函數(shù)分析其收斂速度和精度,它們?yōu)?

(18)

(19)

PSO算法和模擬退火算法(SA)的性能測(cè)試結(jié)果如圖2所示,由圖2可以看出,PSO算法的收斂精度要高于SA,而且收斂速度也得以了相應(yīng)的得升,證明本文選擇PSO算法確定LSSVM的參數(shù)是可行的。

圖2 PSO算法與SA的性能對(duì)比

2.3 PSO-LSSVM的工作步驟

在LSSVM的過(guò)電壓識(shí)別分類器設(shè)計(jì)中,參數(shù)γ和σ的好壞影響分類器的性能。參數(shù)γ和σ組合優(yōu)化的數(shù)學(xué)模型為:

(20)

采用PSO算法確定參數(shù)γ和σ,建立過(guò)電壓識(shí)別的分類器,具體步驟為

Step1 收集過(guò)電壓信號(hào),采用小波變換對(duì)過(guò)電壓信號(hào)進(jìn)行分解,得到4種特征向量。

Step2 由于特征向量的數(shù)值所處區(qū)間大,為此對(duì)特征向量進(jìn)行歸一化處理,使它們值處于[0 1]區(qū)間,加快LSSVM的學(xué)習(xí)速度。

(21)

式中:xmax和xmin取最大和最小值。

Step3 根據(jù)相關(guān)文獻(xiàn)以及專家知識(shí)設(shè)置參數(shù)γ,σ的取值范圍。

Step4 初始化PSO算法相關(guān)參數(shù)值,并隨機(jī)產(chǎn)生粒子群,粒子的位置向量包括參數(shù)(γ,σ)一個(gè)組合。

Step5 將訓(xùn)練集輸入到LSSVM,根據(jù)每一組合(γ,σ)構(gòu)建過(guò)電壓識(shí)別的分類器,得到過(guò)電壓識(shí)別率,根據(jù)識(shí)別率對(duì)粒子進(jìn)行排序列,并確定個(gè)體和群體的最優(yōu)位置向量。

Step6 對(duì)粒子的速度和位置進(jìn)行更新,計(jì)算粒子的適應(yīng)度函數(shù)值,并更新個(gè)體和種群的位置向量。

Step7 如果迭代次數(shù)達(dá)到預(yù)先值,找到最優(yōu)的粒子位置向量,否則,轉(zhuǎn)Step6。

Step8 根據(jù)最優(yōu)的粒子位置向量得到LSSVM的最優(yōu)γ和σ值,建立最優(yōu)過(guò)電壓識(shí)別的分類器。

圖3 過(guò)電壓的分類器

與標(biāo)準(zhǔn)支持向量機(jī)相似,LSSVM也是針對(duì)2分類問(wèn)題提出來(lái)的,而過(guò)電壓類型不至2種,有多種,因此需要對(duì)LSSVM進(jìn)行擴(kuò)展,使其能夠進(jìn)行多分類問(wèn)題,采用并行方式設(shè)計(jì)過(guò)電壓分類器,實(shí)現(xiàn)過(guò)電壓識(shí)別,具體如圖3所示。

3 過(guò)電壓識(shí)別實(shí)驗(yàn)的結(jié)果與分析

3.1 源數(shù)據(jù)

過(guò)電壓的類型共4種,分別為:直擊雷過(guò)電壓、感應(yīng)雷過(guò)電壓、反擊雷過(guò)電壓、繞過(guò)雷過(guò)電壓,它們的樣本分布情況如表1所示,在MATLAB2014仿真工具箱實(shí)現(xiàn)仿真測(cè)試。

表1 各種過(guò)電壓的樣本數(shù)量

設(shè)計(jì)了3種方法進(jìn)行對(duì)比實(shí)驗(yàn),具體為:

(1)傅里葉變換提取特征,本文粒子群優(yōu)化算法和LSSVM的過(guò)電壓識(shí)別方法(PSO-LSSVM1)。

(2)小波變換提取特征,標(biāo)準(zhǔn)粒子群算法和LSSVM的過(guò)電壓識(shí)別方法(PSO-LSSVM2)。

(3)小波變換提取特征,模擬退火算法和LSSVM的過(guò)電壓識(shí)別方法(PSO-LSSVM3)。

PSO-LSSVM,PSO-LSSVM1,PSO-LSSVM2,PSO-LSSVM3確定的LSSVM最優(yōu)參數(shù)γ,σ組合值如表2所示。

表2 不同方法的參數(shù)的γ,σ

圖4 過(guò)電壓識(shí)別率比較

3.2 結(jié)果與分析

根據(jù)表2中的LSSVM參數(shù)γ,σ,設(shè)計(jì)過(guò)電壓的分類器,不同方法均運(yùn)行50次,統(tǒng)計(jì)它們的平均過(guò)電壓識(shí)別率,驗(yàn)證集的過(guò)電壓識(shí)別率如圖4所示。

由圖4可以得到如下結(jié)論:

(1)PSO-LSSVM1的過(guò)電壓平均識(shí)別率較低,這是因?yàn)镻SO-LSSVM1采用傅里葉變換提取特征,只能提取時(shí)域特征,無(wú)法提取頻域特征,對(duì)雷擊過(guò)電壓識(shí)別產(chǎn)生不利影響,無(wú)法精準(zhǔn)描述過(guò)電壓的類型。

(2)PSO-LSSVM2和PSO-LSSVM3的過(guò)電壓平均識(shí)別率要高于PSO-LSSVM1,這主要是它們采用小變變換提取過(guò)電壓信號(hào)特征,得到了時(shí)域特征和頻域特征,可以較好刻畫(huà)雷擊過(guò)電壓的類型,過(guò)電壓識(shí)別性能更優(yōu)。

(3)相對(duì)其他過(guò)電壓識(shí)別方法,PSO-LSSVM的過(guò)電壓平均識(shí)別率得到了相應(yīng)的提高,這是由于采用小波變換提取特征,本文粒子群優(yōu)化算法確定LSSVM的參數(shù),建立了優(yōu)異的過(guò)電壓分類器,獲得了十分理想的過(guò)電壓識(shí)別結(jié)果。

不同方法的訓(xùn)練時(shí)間(s)如圖5所示,由圖5可以發(fā)現(xiàn),不同方法的訓(xùn)練時(shí)間差異明顯,而訓(xùn)練時(shí)間長(zhǎng)短主要與支持向量的數(shù)量相關(guān),由于PSO-LSSVM的支持向量的數(shù)量最少,計(jì)算時(shí)間復(fù)雜底最低,加快了訓(xùn)練速度,使得PSO-LSSVM的應(yīng)用范圍更加廣泛。

圖5 訓(xùn)練時(shí)間比較

4 結(jié)束語(yǔ)

過(guò)電壓識(shí)別對(duì)保證電力系統(tǒng)穩(wěn)定、正常工作起著重要作用,為了提高過(guò)電壓的識(shí)別率,克服當(dāng)前方法的局限性,提出了PSO-LSSVM的過(guò)電壓識(shí)別方法,首先采用小波變換提取過(guò)電壓識(shí)別的特征,然后采用PSO-LSSVM描述特征和過(guò)電壓識(shí)別的變化關(guān)系,最后采用具體過(guò)電壓數(shù)據(jù)與其他方法進(jìn)行了對(duì)比測(cè)試,結(jié)果表明,PSO-LSSVM可以準(zhǔn)確區(qū)別各種不同類型的過(guò)電壓,過(guò)電壓識(shí)別性能優(yōu)于經(jīng)典識(shí)別方法,識(shí)別結(jié)果可以為架空輸電線路的過(guò)電壓識(shí)別提供有價(jià)值的參考信息。

[1] 周浩,余宇紅. 我國(guó)發(fā)展特高壓輸電中一些重要問(wèn)題的討論[J]. 電網(wǎng)技術(shù),2005,29(12):1-9.

[2] 孫才新,司馬文霞,趙杰,等. 特高壓輸電系統(tǒng)的過(guò)電壓?jiǎn)栴}[J]. 電力自動(dòng)化設(shè)備,2005,25(9):5-9.

[3] 司馬文霞,謝博,楊慶,等. 特高壓輸電線路過(guò)電壓的分類識(shí)別方法[J]. 高電壓技術(shù),2010,36(2):306-312.

[4] 陳家宏,張勤,馮萬(wàn)興,等. 中國(guó)電網(wǎng)定位系統(tǒng)與監(jiān)測(cè)網(wǎng)[J]. 高電壓技術(shù),2008,34(3):425-431.

[5] 李海峰,工鋼,趙建倉(cāng). 輸電線路感應(yīng)雷擊暫態(tài)特征分析及其識(shí)別方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào)2004,24(3):114-119.

[6] 王鋼,李海鋒,趙建倉(cāng),等. 基于小波多尺度分析的輸電線路直擊雷暫態(tài)識(shí)別[J]. 中國(guó)電機(jī)工程學(xué)報(bào),2004,24(4):139-144.

[7] 司馬文霞,王荊,楊慶,謝博. Hilbert-Huang變換在電力系統(tǒng)過(guò)電壓識(shí)別中的應(yīng)用[J]. 高電壓技術(shù),2010,36(6):1480-1486.

[8] 杜林,戴斌,司馬文霞,等. 架空輸電線路過(guò)電壓識(shí)別[J]. 高電壓技術(shù),2010,36(3):590-597.

[9] 姚陳果,王琪,吳昊,等. 基于故障選相及時(shí)域、頻域分析的輸電線路直擊雷識(shí)別方法及其應(yīng)用[J]. 高電壓技術(shù),2014,40(5):1298-1305.

[10] 楊勇,李立浧,杜林,等. 采用時(shí)頻矩陣奇異值分解和多級(jí)支持向量機(jī)的及操作過(guò)電壓識(shí)別[J]. 電網(wǎng)技術(shù),2012,36(8):31-37.

[11] 史增芳,姜巖蕾. 基于WA-ABC-LSSVM的電氣故障診斷[J]. 電子器件,2016,39(3):728-731.

Over-Voltage Identification Based on PSO-LSSVM*

MAShihuan*,LUHuadong

(Department of Electronic and Information Engineering,Henan Polytechnic Institute,Nanyang He’nan 473000,China)

In order to obtain the ideal result of over-voltage identification,a novel over-voltage identification method is proposed based on using particle swarm optimization algorithm to optimize the parameters of least square support vector machine. First,wavelet transform is used to decompose the original signal to extract feature parameters of over voltage signal;second ,features of over-voltage signal are used as the inputs of least square support vector machine,and voltage identification model is established,and particle swarm optimization algorithm is used to estimate parameters of least square support vector machine,and finally,simulation experiment is carried out by using the measured over voltage data,and the feasibility is tested. The results show that the proposed method can accurately classify and identify all kinds of over-voltage signals,the recognition results are stable,and the over voltage recognition rate is higher than other methods.

over voltage identification;wavelet transform;feature vector;recognition rate

項(xiàng)目來(lái)源:河南省教育廳科學(xué)技術(shù)研究重點(diǎn)項(xiàng)目(14B510025)

2016-05-11 修改日期:2016-08-31

TM863;TM864

A

1005-9490(2017)03-0722-05

C:8130

10.3969/j.issn.1005-9490.2017.03.041