基于PSO—LSSVM的煤礦電能質(zhì)量擾動識別研究

王新環(huán) 劉志超 盧彩霞

摘要：針對目前煤礦電力系統(tǒng)中對常見的暫態(tài)電能質(zhì)量擾動識別精度不高的問題，提出基于粒子群優(yōu)化最小二乘支持向量機（PSO-LSSVM）的擾動分類識別方法。介紹煤礦電力系統(tǒng)中常見的4種暫態(tài)擾動，利用廣義S變換（GST）提取擾動中相空間時-頻域的有用特征，然后利用PSO優(yōu)化LSSVM分類器的懲罰因子c和參數(shù)σ，構(gòu)建PSO-LSSVM分類器，最后將提取的特征量作為PSO-LSSVM分類器的樣本進行訓(xùn)練、測試。MATALA仿真結(jié)果表明，該方法能夠準確可靠地對煤礦電能質(zhì)量擾動進行識別與分類，對于煤礦電能質(zhì)量監(jiān)測具有較高參考價值。

關(guān)鍵詞：煤礦電能質(zhì)量擾動；LSSVM；粒子群優(yōu)化；GST

DOI：10.11907/rjdk.173002

中圖分類號：TP319

文獻標識碼：A文章編號：1672-7800（2018）007-0196-04

Abstract：Aimingatthelowidentificationaccuracyoftransientpowerqualitydisturbancecommonlyseenincoalminepowersystem，weproposedisturbanceclassificationrecognitionmethodbasedonparticleswarmoptimization（leastsquaressupportvectormachine（PSO-LSSVM）.Fourkindsofcommontransientdisturbanceincoalminepowersystemareintroduced.DisturbanceofgeneralizedStransform（GST）isutilizedtoextracttheusefulfeaturesoftime-frequencydomainphasespace，andPSOisusedtooptimizethepenaltyfactorcandtheparametersofLSSVMclassifiersigmasothatthePSO-LSSVMclassifierisbuilt.TheextractedcharacteristicsaretakenasPSO-LSSVMclassifiersamplestobetrainedandtested.MATALAresultsshowthatthemethodcanachievereliableandaccurateidentificationandclassificationofthedisturbanceofpowerqualityincoalmine，tanditisofhighreferencevalueforpowerqualitymonitoringincoalmines.

KeyWords：coalpowerqualitydisturbance；LSSVM；particleswarmoptimization；GST

0引言

隨著煤礦電力系統(tǒng)自動化水平的不斷提高，各種非線性、大功率用電設(shè)備大量增加，使煤礦電力系統(tǒng)遭受的電能質(zhì)量污染日趨嚴重[1]，甚至導(dǎo)致重大經(jīng)濟損失和人員傷亡[2]。已發(fā)生的大量事故表明，煤礦電網(wǎng)中的電能質(zhì)量是否合格，對煤礦企業(yè)安全生產(chǎn)和節(jié)能降耗將產(chǎn)生直接影響，在綜合管理中扮演著越來越重要的角色。因此，為了保障煤礦電力系統(tǒng)的安全、穩(wěn)定運行[3]，對煤礦電力系統(tǒng)電能質(zhì)量擾動進行準確的識別分類尤為關(guān)鍵。

擾動信號特征提取與分類器選擇是煤礦電能質(zhì)量擾動識別分類研究中的關(guān)鍵問題。當前主要的電能質(zhì)量擾動信號分析方法包括：短時傅里葉變換、小波變換及S變換等[4]。廣義S變換（GST）具有時頻聚焦性好、頻率分辨率高的特點，且具有良好的抗噪能力，適用于煤礦電能質(zhì)量非平穩(wěn)突變擾動信號分析。對于電能質(zhì)量擾動信號的模式識別方法有人工神經(jīng)網(wǎng)絡(luò)、決策樹、支持向量機（SVM）、最小二乘支持向量機（LSSVM）等多種方法[5]?；诮Y(jié)構(gòu)風(fēng)險最小化的LSSVM算法是一種穩(wěn)健的頻譜估計方法，因其對異常值和脈沖性噪聲不敏感，其分類器具有明顯優(yōu)勢，但其參數(shù)選取具有一定隨機性，將大大影響分類器的精度與泛化性。粒子群（PSO）算法具有搜索速度快的特點，并具有全局優(yōu)化能力。對LSSVM分類器進行優(yōu)化后，可使其精度更高、分類效果更好，從而滿足煤礦復(fù)雜環(huán)境對電能質(zhì)量的高要求。

針對目前煤礦電力系統(tǒng)中對于常見的暫態(tài)電能質(zhì)量擾動識別精度不高的問題，提出基于粒子群優(yōu)化最小二乘支持向量機（PSO-LSSVM）的電能質(zhì)量擾動分類識別方法。MATALA仿真結(jié)果表明，該方法在樣本集較小的情況下，仍能較為準確、可靠地對煤礦電能質(zhì)量擾動進行識別與分類。

1煤礦電力系統(tǒng)中常見暫態(tài)擾動

煤礦電力系統(tǒng)中因非線性負載過多、供電設(shè)備水平參差不齊，導(dǎo)致運行環(huán)境惡劣且事故頻發(fā)。在煤礦電能質(zhì)量的眾多暫態(tài)擾動中，電力諧波、電壓波動、電壓暫降、電壓暫升是煤礦電能質(zhì)量控制的重點[6]。影響煤礦電力系統(tǒng)電能質(zhì)量的主要原因如表1所示。

但在煤礦暫態(tài)電能質(zhì)量的擾動分析中，電壓波動、暫升、暫降需要在低頻處具有較高的時間分辨率，而諧波分析又需要具有較高的頻率分辨率。為了將這4種擾動進行快速準確的識別分類，建立其分類識別框架如圖1所示。

2煤礦電能質(zhì)量擾動特征提取

2.1廣義S變換原理

廣義S變換是指通過引入調(diào)節(jié)因子對s變換的窗函數(shù)進行改進，其在分析不同頻率擾動信號時選用不同的窗寬因子，因而具有優(yōu)良的特征表現(xiàn)能力，可以獲得較高的時頻分辨率。

GST連續(xù)表達式如式（1）所示。

由式（3）可知，GST結(jié)果為一兩維的復(fù)時頻矩陣，包含相位信息和模值信息。將復(fù)時頻矩陣求模，得到GST的模時-頻矩陣，該矩陣的行向量描述了特定頻率下信號的時域分布情況，其列向量反映了某時刻信號的幅頻特性。

2.2GST特征量提取

GST模時頻矩陣中隱藏著大量時頻信息，若將模時頻矩陣中的所有信息輸入分類器，數(shù)據(jù)結(jié)構(gòu)龐雜，則會造成分類器學(xué)習(xí)緩慢。因此，在特征值輸入分類器之前，需要有針對性地進行特征提取。以低頻段的電壓暫降為例，其主要特征量包括時域中擾動信號的幅值變化與持續(xù)時間，而高頻段的諧波又需在頻域中分辨出對應(yīng)的頻率分量。因而針對煤礦電力系統(tǒng)4種暫態(tài)擾動的特征，通過高頻幅值曲線與基頻幅值曲線提取時域持續(xù)時間和幅值，通過最大頻率幅值曲線與頻譜標準差曲線提取頻域頻率分量，具體曲線定義參見文獻[7]。

以圖2所示的電壓暫降GST結(jié)果為例，基頻幅值曲線、高頻幅值曲線、最大頻率幅值曲線、頻譜標準差曲線都有尖峰，可以用其極值分別作為擾動特征；為了分析擾動在高頻與基頻的整體情況，取高頻和基頻的平均值，因為平均值可大致看出所求對象的整體水平；頻譜標準差可以反映擾動離散程度，也作為特征值。

因此，分別從每種電能質(zhì)量擾動信號的GST變換中提取相空間中頻域和時域的有用特征，作為識別分類基礎(chǔ)。GST中提取的特征量如表2所示。

3.1PSO算法

粒子群算法由Kennedy和Eherhart[8]于1995年提出，該思想受鳥群覓食行為的啟發(fā)，鳥之間通過集體協(xié)作使群體達到最優(yōu)，是一種全局智能優(yōu)化方法。在PSO中，每一個優(yōu)化問題的解都對應(yīng)著搜索空間中的一只鳥，稱為“粒子”。在尋優(yōu)空間中，各個粒子以一定速度v飛行，而v決定了粒子運動的方向和距離，并且能夠根據(jù)自身及同伴經(jīng)驗不斷調(diào)整。所有粒子均有一個初始速度和位置，一個由適應(yīng)度函數(shù)決定的適應(yīng)值。每個粒子都有記憶功能，能夠記憶搜尋到的最優(yōu)位置。每個粒子也知道群體中其它粒子發(fā)現(xiàn)的最優(yōu)位置，稱之為同伴經(jīng)驗。根據(jù)自身和同伴經(jīng)驗，這些粒子可以確定有最優(yōu)適應(yīng)度值的粒子，并在其解空間中繼續(xù)搜索。

在迭代尋優(yōu)過程中，粒子通過對比兩個極值和適應(yīng)度值從而更新自己的速度和位置。通過持續(xù)迭代更新，直到搜索到全局最優(yōu)解為止。其中，在N維空間里，粒子群迭代更新的速度vkid與位置xkid如式（4）、式（5）所示。

3.2PSO-LSSVM算法實現(xiàn)

最小二乘支持向量機（LSSVM）是由Suykens[9]建立的一種支持向量機擴展算法，它將傳統(tǒng)支持向量機的二次規(guī)劃求解問題轉(zhuǎn)化成用最小二乘法求解的線性方程組求解。LSSVM具有速度快、泛化能力強等優(yōu)點，在解決小樣本、高維數(shù)等非線性問題中具有極好的性能。在LSSVM分類器中，核函數(shù)的選擇至關(guān)重要，它能代替高維特征空間中的內(nèi)積運算，避免復(fù)雜的高維運算。本文選擇的是RBF函數(shù)，懲罰因子c和參數(shù)σ的取值對LSSVM的分類準確率起著決定性作用。c控制模型復(fù)雜度，逼近誤差σ值太大或太小會對樣本數(shù)據(jù)造成過擬合或欠擬合現(xiàn)象。為提高煤礦電能質(zhì)量，本文利用PSO優(yōu)化LSSVM算法，得到最優(yōu)的c和σ，從而大大提高了分類器性能。具體PSO-LSSVM算法步驟如圖3所示。

按照上述步驟，確定c=7.3258，σ=12.5614，建立優(yōu)化后的LSSVM。

4仿真分析

根據(jù)國際電氣與電子工程師協(xié)會（IEEE）對電壓暫降、暫升、波動、諧波的定義，用MATALAB對煤礦中常見的4種擾動建立信號數(shù)學(xué)模型如表3所示。其中k為暫降、暫升幅度，t1、t2分別為暫降、暫升起止時刻；電壓波動模型中α為幅度，β為波動頻率系數(shù)。

為獲取分類的特征數(shù)據(jù)而達到較高的識別精度，在MATALAB2012軟件中用for循環(huán)進行100次特征提取，每個擾動信號得到100組特征數(shù)據(jù)，4個擾動信號共得到400組特征數(shù)據(jù)作為分類樣本。將樣本集分為訓(xùn)練集和測試集，訓(xùn)練集樣本為360組，測試集樣本為40組，對煤礦中常見的4種暫態(tài)擾動信號進行試驗。其中，PSO-LSSVM的訓(xùn)練、預(yù)測準確率分別高達95.8333%和95.5%。仿真結(jié)果如圖4、圖5所示。

同時本文還進行了未經(jīng)優(yōu)化的LSSVM識別分類實驗作為對比。在同樣的噪聲環(huán)境下，采用同樣的分類數(shù)據(jù)樣本，LSSVM的分類準確率分別為93.8889%和92.5%。仿真結(jié)果如圖6、圖7所示。

由圖4-圖7得知，PSO-LSSVM對于煤礦電力系統(tǒng)中4種常見電能質(zhì)量擾動的識別分類效果明顯優(yōu)于LSSVM分類器。

5結(jié)語

本文提出基于PSO-LSSVM的煤礦電能質(zhì)量擾動識別分類方法，利用GST對煤礦中常見的4種暫態(tài)擾動信號進行特征量提取，利用PSO優(yōu)化算法尋找最優(yōu)的懲罰因子c和參數(shù)σ，構(gòu)建PSO-LSSVM分類器，并用特征數(shù)據(jù)集進行訓(xùn)練、測試分類識別。通過仿真實驗與未優(yōu)化前的LSSVM方法的比較，驗證了該方法在樣本集較小的情況下，仍能較為準確、可靠地實現(xiàn)對煤礦電能質(zhì)量擾動的識別與分類。

參考文獻：

[1]王升花.煤礦供電系統(tǒng)電能質(zhì)量綜合評價[J].工礦自動化，2017（2）：86-89.

[2]劉偉.礦用電網(wǎng)電能質(zhì)量分析系統(tǒng)設(shè)計[J].中國礦業(yè)，2016（12）：143-147.

[3]郭松梅.煤礦電能質(zhì)量綜合治理研究[J].工礦自動化，2016（9）：60-64.

[4]陳華豐，楊志剛.基于S變換和規(guī)則基的復(fù)合電能質(zhì)量擾動識別[J].電測與儀表，2015，52（12）：122-128.

[5]儲茂祥，王安娜.一種改進的最小二乘孿生支持向量機分類算法[J].電子學(xué)報，2014（5）：998-1003.

[6]王書姝.礦用10kV配電網(wǎng)電能質(zhì)量分析與治理研究[D].太原：太原理工大學(xué)，2016.

[7]王新環(huán)，武雪崢.基于GST的煤礦電能質(zhì)量擾動特性分析[J].測控技術(shù)，2017，36（9）：11-17.

[8]畢艷蘭，任小娜，彭丹，等.粒子群最小二乘支持向量機結(jié)合偏最小二乘法用于芝麻油質(zhì)量的鑒別[J].分析化學(xué)，2013（9）：1366-1372.

[9]萬輝，魏延.一種改進的最小二乘支持向量機算法[J].重慶師范大學(xué)學(xué)報：自然科學(xué)版，2010，27（4）：69-72.

（責任編輯：黃?。?/p>