基于EMD和IABC-SVM算法的復合電壓暫降源辨識方法

陳曉華，吳杰康，陳盛語，王志平，蔡錦健，楊國榮，許海文，彭宇文

(1.廣東工業(yè)大學 自動化學院，廣東 廣州 510006；2.東莞理工學院 電子信息與智能化學院，廣東 東莞 523808)

隨著電力電子設(shè)備、精密儀器的加工生產(chǎn)和敏感負荷的不斷增加，工業(yè)用戶對電能質(zhì)量的要求也越來越高。電壓暫降是指電力系統(tǒng)中供電電壓的均方根值突然降低到額定電壓的90%～10%，持續(xù)0.5～30個周波之后又恢復到額定電壓附近的電能質(zhì)量問題[1]。在電力系統(tǒng)正常運行過程中發(fā)生電壓暫降是不可避免的。電壓暫降擾動源可能是由線路短路故障、大容量感應電動機的啟動以及變壓器的投切等引起的單一電壓暫降源，也可能是由單一電壓暫降源組合而成的復合電壓暫降源，它發(fā)生的隨機性、頻繁性、快速性以及不確定性會給高精尖制造產(chǎn)業(yè)和敏感設(shè)備的正常使用帶來非常嚴重的影響。因此，對電壓暫降擾動源進行快速、高效和準確的識別有利于電壓暫降的預防和治理，并且能明顯提高電力系統(tǒng)運行的經(jīng)濟性和解決供電部門和用戶之間因為電壓暫降而引發(fā)的相關(guān)經(jīng)濟糾紛問題[2]。

現(xiàn)有的文獻對電壓暫降源的識別研究大多數(shù)集中在利用不同的電壓暫降特征值和圖形，通過比較電壓暫降突變點的個數(shù)、幅值以及諧波等特征來進行人工辨識[3]。人工辨識的方法具有簡單、快速、高效和直觀的優(yōu)點，但該方法的辨識結(jié)果受設(shè)備是否正常、人員誤操作等因素影響很大，為了克服該方法的局限性，有學者提出一種利用小波變換對電壓暫降信號進行分解，計算分解得到的小波系數(shù)的樣本熵，將其特征向量輸入到構(gòu)建好的深度核極限學習機模型中進行分類識別，從而實現(xiàn)電壓暫降源的辨識；但文中只考慮單一的電壓暫降源并且小波基函數(shù)的選擇對結(jié)果的影響很大[4]。有學者提出一種優(yōu)化極限學習機的電壓暫降源識別方法，該方法通過電壓暫降信號的波形提取出時域特征，利用S變換提取能量熵和奇異熵這2種時頻域特征，再利用極限學習機算法進行分類；但該方法所構(gòu)造的特征向量過多并且神經(jīng)網(wǎng)絡計算量大、所消耗的時間過長，不利于實際應用[5]。有些研究提出一種基于距離判別分析的電壓暫降源識別方法，利用暫降分段法對電壓暫降有效值的波形變化特點進行分析，建立相應的判別函數(shù)及其判別準則對待判樣本進行判別，從而實現(xiàn)對電壓暫降源的辨識；但采用的特征量只是有效值，對復雜的電壓暫降源可能會誤判[6]。有些研究根據(jù)不同復合電壓暫降源所引起的電壓暫降波形特征的不同，定義了三相電壓不平衡和交叉不平衡度，并結(jié)合2次諧波電壓含量對各類復合電壓暫降源進行區(qū)分，再利用馬氏距離和概率神經(jīng)網(wǎng)絡相結(jié)合的方法對故障順序進行識別；但并沒有考慮單一電壓暫降源的識別，方法缺少普遍性[7]。有些學者提出利用S變換對電壓暫降信號提取8個特征量，再輸入到構(gòu)造好的灰狼優(yōu)化算法優(yōu)化支持向量機(support vector machine,SVM)分類器，進而對電壓暫降源進行有效的識別；但沒有考慮由單相接地短路組合而成的復合電壓暫降源類型，對于單相接地短路故障發(fā)生概率高達70%左右的實際情況，該方法缺少普遍適用性[8]。針對標準S變換分析電壓暫降信號時，時頻窗口的形狀對所有的頻率都是不變的，不利于分析電壓暫降信號，文獻[9]提出一種引入調(diào)節(jié)因子的改進S變換的方法，提取電壓暫降信號的16個特征指標，再輸入到天牛須搜索算法優(yōu)化SVM分類器中對電壓暫降信號進行分類識別；但文中所搭建的模型非常簡單，只對單一的電壓暫降源進行仿真模擬，因此，該模型不適用于復合電壓暫降源的擾動識別。而有些學者提出一種利用改進的S變換提取電壓暫降信號的特征指標，再輸入到SVM中對電壓暫降信號進行識別；但SVM懲罰因子和核函數(shù)參數(shù)的選擇對結(jié)果影響很大，并且電力系統(tǒng)中發(fā)生單相接地短路的概率占66%左右，文中所提出的復合電壓暫降源的類型并沒有包含由單相接地故障、感應電動機的啟動和變壓器投切等組合而成的復合電壓暫降源，因此，方法缺少實用性[10]。有些學者提出利用神經(jīng)網(wǎng)絡算法對電壓暫降源進行識別的方法，但此類方法用到神經(jīng)網(wǎng)絡，會增加計算量和時間，難以滿足快速檢測出電壓暫降的要求，不利于動態(tài)電壓恢復器對電壓暫降進行快速補償[11-14]。有學者利用從三維坐標中的極化橢圓中提取三相電壓信號的獨特特征和橢圓參數(shù)，使用方位角、仰角、傾斜、半短軸和半長軸這5個橢圓參數(shù)對電壓驟降和電壓驟升進行分類，分類結(jié)果驗證了所提方法的有效性[15]。有些研究提出先利用改進S變換的方法得到5種不同類型電壓暫降信號的基頻幅值曲線和頻率幅值包絡線，再提取6個特征指標輸入到SVM中進行分類識別；但SVM的參數(shù)選擇對分類結(jié)果影響很大且只考慮單一電壓暫降源，不適用于復合的電壓暫降源的識別[16]。文獻[17]提出對信號進行經(jīng)驗模態(tài)分解(empirical mode decomposition,EMD)，得到一系列固有模態(tài)函數(shù)(intrinsic mode function,IMF)分量，再計算各階IMF的能量占比作為特征向量，最后輸入到SVM中進行分類；但文中沒有考慮復合的電壓暫降源，并且所提取的能量占比作為特征指標過于單一，容易引起誤判。

針對以上研究的不足，本文在MATLAB/Simulink仿真平臺中搭建改進IEEE 33節(jié)點配電網(wǎng)系統(tǒng)模型，通過仿真模擬常見的5種單一電壓暫降源和由單相接地短路組合而成的4種復合電壓暫降源的情況，提出先對電壓暫降信號進行EMD，得到一系列IMF分量，然后分別計算三相電壓的各相電壓前3階IMF的能量熵和樣本熵，可得到各相電壓的特征向量，最后將它們組合起來作為1組特征向量的方法。針對SVM的懲罰因子和核函數(shù)參數(shù)在尋優(yōu)過程中容易陷入局部最優(yōu)解的問題，提出改進的人工蜂群(improved artificial bee colony ,IABC)算法對SVM的懲罰因子和核函數(shù)參數(shù)進行尋優(yōu)，構(gòu)建IABC-SVM分類器，將提取到的特征向量進行歸一化處理之后再輸入到所構(gòu)造的IABC-SVM分類器中對樣本進行訓練與識別，最后仿真驗證所提出方法的有效性和準確性。

1 電壓暫降信號的特征提取

1.1 經(jīng)驗模態(tài)分解

EMD是一種處理非線性和非平穩(wěn)信號的自適應方法[18]，可以將電壓暫降信號分解成一系列IMF分量和剩余分量，由于篇幅有限，本文不再贅述，具體分解方法參考文獻[7]和文獻[17]。電壓暫降信號局部特性的IMF分量包含原始信號的重要信息，表征了信號的內(nèi)在特征，因此可以對各階IMF分量計算能量熵和樣本熵來表征不同信號的變化規(guī)律[19]。

1.2 能量熵

對電壓暫降信號進行EMD得到各個IMF分量并求取能量熵的計算步驟如下：

a)對文中提到的9類電壓暫降信號f(t)的三相電壓信號都進行EMD，得到n個IMF分量。

b)各個IMF信號的能量[17]

(1)

c)各個IMF信號的總能量[17]

(2)

d)對各個IMF信號的能量進行歸一化，即[17]

py=Ey/Ez.

(3)

e)計算每個IMF分量的能量熵

Hy=-pylg(py).

(4)

將計算得到的n個IMF分量的能量熵H=(H1,H2,H3,…,Hn)作為特征向量。

1.3 樣本熵

對于一個N點長的時間序列{x(e),e=1,2,…,N}，設(shè)m表示選定的模式維數(shù)，r表示選定的相似容限，樣本熵的計算步驟如下[18]：

a)將時間序列按照序號次序組成1組m維向量：

X(e)=[x(e),x(e+1),…,x(e+m-1)].

(5)

式中e=1,2,…,N-m+1。

b) 令w=1,2,…,N-m+1，且e≠w，定義X(e)和X(w)之間的距離d[X(e),X(w)]表示兩者對應元素中差值最大的一個，即有：

(6)

c)對于每一個e值，統(tǒng)計d[X(e),X(w)]

(7)

d)Cem(r)的平均值

(8)

e)令m=m+1，重復a)、b)、c)、d)的步驟計算Cm+1(r)的值。

f)樣本熵的計算表達式為

(9)

式中f=1,2,…,n。本文取m=2，r取原始時間序列標準差的0.2倍。通過EMD對電壓暫降信號進行分解之后，得到n個IMF分量，將計算得到的各個IMF分量的樣本熵S=[S1,S2,S3,…,Sn]作為特征向量。

1.4 特征指標的構(gòu)建

前幾階IMF分量包含信號的重要信息，經(jīng)過仿真可知每種信號的分解階數(shù)都大于3，因此，本文利用EMD算法對每種電壓暫降信號的三相電壓均分別分解前3階IMF分量并求取前3階IMF分量的能量熵[H1,H2,H3]和樣本熵[S1,S2,S3]，其中A相電壓提取的能量熵和樣本熵構(gòu)成的特征向量分別為TA=[HA1,HA2,HA3,SA1,SA2,SA3]，B相電壓提取得到的能量熵和樣本熵所構(gòu)成的特征向量為TB=[HB1,HB2,HB3,SB1,SB2,SB3]，C相電壓提取得到的能量熵和樣本熵所構(gòu)成的特征向量為TC=[HC1,HC2,HC3,SC1,SC2,SC3]，在將計算得到的特征指標T=[TA,TB,TC]輸入到構(gòu)建好的分類器之前，先對所提取到的所有特征指標數(shù)據(jù)進行歸一化，將其規(guī)整到[0,1]范圍內(nèi)，計算表達式為

(10)

式中：T為原始數(shù)據(jù)；Tmin為原始數(shù)據(jù)的最小值；Tmax為原始數(shù)據(jù)的最大值。

2 IABC算法優(yōu)化SVM參數(shù)的分類模型

2.1 支持向量機的原理

SVM可以用來實現(xiàn)對小樣本數(shù)據(jù)的模式識別，由于篇幅有限，本文不再贅述SVM的原理，相關(guān)理論可參考文獻[20]。

2.2 標準的人工蜂群算法

人工蜂群(artificial bee colony,ABC)算法[21]是模擬自然界中蜜蜂采蜜過程的一種智能優(yōu)化算法，待優(yōu)化問題的解可以由蜜源表示，第i個蜜源可以假設(shè)為Ri=[xi1,xi2,…,xiD]，其中i=1,2,…,M，M為蜜源的總量，D為解的維數(shù)；第i個蜜源Ri的質(zhì)量代表第i個解的適應度函數(shù)ffit,i。蜂群主要包含雇傭蜂和待雇傭蜂2種，兩者的數(shù)量分別占蜂群總量的一半，也等于M。其中，雇傭蜂也叫引領(lǐng)蜂，待雇傭蜂又分為跟隨蜂和偵查蜂。蜂群個體的主要采蜜活動可概括如下：雇傭蜂負責采蜜，記錄蜜源信息，并將蜜源信息帶回蜂巢分享給待雇傭蜂，一只雇傭蜂有且只有一個蜜源可供其采蜜；跟隨蜂根據(jù)所有雇傭蜂帶回來的蜜源信息，做出判斷選擇優(yōu)質(zhì)的蜜源進行采蜜；當蜜源滿足一定放棄條件時，與之對應的雇傭蜂將會放棄該蜜源，此時雇傭蜂就會轉(zhuǎn)變?yōu)閭刹榉?，重新搜索新的蜜源?/p>

ABC算法的主要步驟如下：

a)設(shè)定蜂群的規(guī)模數(shù)量NP，蜜源的總量M，蜜源的最大循環(huán)次數(shù)L，最大迭代次數(shù)Dmax等參數(shù)，并按照下式初始化蜜源：

xij=minxj+ηij(maxxj-minxj).

(11)

式中：xij為第i個蜜蜂第j維對應搜索后的位置，j=1,2,…,D；minxj、maxxj分別為第j維變量的下限和上限；ηij是在[0,1]區(qū)間上的隨機數(shù)。

b)雇傭蜂通過式(12)在初始化的蜜源附近進行局部搜索獲得新的蜜源

vij=xij+δij(xij-xvj).

(12)

式中：xvj為蜜源中隨機選擇的一個不同于xij的解；δij是在[-1,1]區(qū)間上的隨機數(shù)。

c)對第i個解的適應度函數(shù)ffit,i進行計算，并在當前蜜源和新的蜜源之間進行貪婪選擇，若新的結(jié)果高于搜索前的結(jié)果，則蜜源將被更新。第i個解的適應度函數(shù)

(13)

式中fi為第i個蜜源的目標函數(shù)值。

d)跟隨蜂按式(14)計算概率hi，選擇較大概率的蜜源，并按式(12)進行局部搜索。蜜源被跟隨蜂選擇的概率

(14)

e)判斷對蜜源的搜索次數(shù)是否到達蜜源的最大循環(huán)次數(shù)。如果已達到，那么對應蜜源的雇傭蜂會變?yōu)閭刹榉?，并按?11)重新隨機搜索新的蜜源；否則跳至步驟f)。

f)判斷算法是否達到最大迭代次數(shù)。如果已達到，那么輸出最優(yōu)解；否則迭代次數(shù)加1，并跳至步驟b)繼續(xù)尋優(yōu)。

2.3 IABC算法

為了避免標準的ABC算法在優(yōu)化SVM的懲罰因子和核函數(shù)中的參數(shù)時容易陷入局部最優(yōu)的情況，本文提出IABC算法對SVM的參數(shù)進行尋優(yōu)，具體改進步驟如下：

a)在利用ABC算法求解函數(shù)優(yōu)化問題時，通常需要利用隨機產(chǎn)生的數(shù)據(jù)作為初始種群，因此，難以保留種群的多樣性，往往會造成算法的尋優(yōu)結(jié)果有較大的誤差。混沌運動可以看成一種復雜的隨機運動，具有規(guī)律性、不確定性以及遍歷性等特點，可以在求解函數(shù)優(yōu)化問題的時候利用這些特性使算法跳出局部最優(yōu)解，從而維持種群的多樣性和提高全局搜索能力[21,22]。為了使得所得的序列均勻分布，且對不同參數(shù)具有近似一致的分布密度。文獻[22]使用Tent混沌映射公式初始化蜜源：

(15)

為了增強算法的多樣性，本文對Tent混沌映射公式進行改進，利用式(16)和式(17)初始化蜜源：

(16)

(17)

b)為了避免ABC算法容易陷入局部最優(yōu)，在蜜源被跟隨蜂跟隨的階段引入輪盤賭反向選擇機制：即跟隨蜂在選擇蜜源時，以待選蜜源的適應度函數(shù)的倒數(shù)與其總和的比值作為蜜源被選擇的概率。該機制有效解決了蜂群在采蜜時過度向適應度高的蜜源聚攏而忽略其他蜜源潛在價值的問題，保證了種群的多樣性，此時，蜜源被選擇的概率[23]

(18)

2.4 IABC算法優(yōu)化SVM參數(shù)

利用IABC算法對SVM的參數(shù)進行優(yōu)化的步驟如下：

a)設(shè)定蜂群規(guī)模數(shù)量NP=40；蜜源的總量M=NP/2=20；蜜源的最大循環(huán)次數(shù)L=20；最大迭代次數(shù)Dmax=10；每一個蜜源是優(yōu)化問題的一個可能解，每一個解都是一個D維的向量，D為優(yōu)化參數(shù)的個數(shù)，針對SVM參數(shù)優(yōu)化問題，懲罰因子Q和核函數(shù)中的參數(shù)γ代表蜜源，D設(shè)為2；懲罰因子Q和核函數(shù)中的參數(shù)γ的搜索空間的上限均為100，下限均為0.01，設(shè)minxj=0.01、maxxj=100；并按照式(17)初始化蜜源。

b)雇傭蜂在初始化的蜜源附近進行局部搜索獲得新的蜜源

(19)

c)由于優(yōu)化SVM參數(shù)的主要目的是獲得最高的分類正確率，因此第i個蜜源的目標函數(shù)值

fi=1-Vaccuracy.

(20)

式中Vaccuracy為SVM的分類準確率。

利用式(13)和式(20)計算第i個解的適應度函數(shù)ffit,i，并在當前蜜源和新的蜜源之間進行貪婪選擇，若新的結(jié)果高于搜索前的結(jié)果，則蜜源將被更新。

d)跟隨蜂根據(jù)式(18)計算得到的概率來選擇較大概率的蜜源，并按式(19)進行局部搜索。

e)判斷對蜜源的搜索次數(shù)是否到達蜜源的最大循環(huán)次數(shù)。如果已達到，那么對應蜜源的雇傭蜂會變?yōu)閭刹榉洳凑帐?16)和式(17)重新隨機搜索新的蜜源，否則跳至步驟f)。

f)判斷算法是否達到最大迭代次數(shù)。如果已達到，那么輸出懲罰因子Q和核函數(shù)中的參數(shù)γ最優(yōu)解的值，否則迭代次數(shù)加1，并跳至步驟b)繼續(xù)尋優(yōu)。

3 仿真分析

在電力系統(tǒng)中，單相接地短路故障占總故障的66%左右，因此，本文研究的復合電壓暫降源主要與單相接地短路結(jié)合?；贛ATLAB/Simulink搭建如圖1所示的改進IEEE 33節(jié)點配電網(wǎng)系統(tǒng)，模型如圖2所示。對單相接地短路(C1)、兩相短路(C2)、三相短路(C3)、感應電動機的啟動(C4)和變壓器的投切(C5)這5種單一電壓暫降源以及感應電動機的啟動和變壓器投入同時發(fā)生(C6)、單相接地短路和變壓器投入同時發(fā)生(C7)、單相接地短路和感應電動機啟動同時發(fā)生(C8)以及單相接地短路、變壓器投入和感應電動機啟動同時發(fā)生(C9)這4種復合電壓暫降源進行研究。

圖1 改進IEEE 33節(jié)點系統(tǒng)

在仿真模型中，電源電壓統(tǒng)一設(shè)置為10 kV，容量為30 MVA，頻率為50 Hz，仿真時間步長設(shè)置為0.3 s。對于含單相接地短路的單一電壓暫降源和復合電壓暫降源，統(tǒng)一在圖2中的M3側(cè)測量電壓值，變壓器的投切在圖2中的M1側(cè)測量電壓值，感應電動機的啟動在圖2中的M2側(cè)測量電壓值，對于同時發(fā)生感應電動機的啟動和變壓器的投入運行，在圖2中的M2側(cè)測電壓值。

圖2 改進IEEE 33節(jié)點配電網(wǎng)系統(tǒng)仿真模型

不同的單一電壓暫降源和復合電壓暫降源的樣本數(shù)據(jù)可以通過以下方式獲得：

a)對于短路故障，改變發(fā)生短路故障的時間、發(fā)生短路故障節(jié)點的位置和線路負荷的大?。?/p>

b)對于變壓器的投入運行，改變變壓器一二次側(cè)繞組的聯(lián)接方式、變壓器的容量、變壓器投切的時間、發(fā)生變壓器投入的節(jié)點位置以及線路負荷的大??；

c)對于感應電動機的啟動，改變感應電動機的容量、電動機的類型、發(fā)生感應電動機啟動節(jié)點的位置以及電動機啟動的時間；

d)對于同時發(fā)生感應電動機的啟動和變壓器的投入運行，改變同時發(fā)生的時間、發(fā)生的節(jié)點位置以及線路負荷的大?。?/p>

e)對于含單相接地短路的復合電壓暫降源，改變同時發(fā)生短路故障、變壓器投切和電動機啟動的時間、發(fā)生的節(jié)點位置以及線路負荷的大小。

通過以上的仿真方式可以得到典型5種單一電壓暫降源和4種復合電壓暫降源各50組樣本數(shù)據(jù)，其中每種電壓暫降類型的30組作為IABC-SVM分類器的訓練樣本，另外20組數(shù)據(jù)作為測試樣本。

利用EMD算法計算9種電壓暫降信號的三相電壓的前3階IMF的能量熵和樣本熵，可得到各相電壓的特征向量，最后將各相電壓的特征向量組合起來，作為1組特征向量并進行歸一化處理之后輸入到構(gòu)建好的IABC-SVM分類器中進行分類識別，利用IABC算法優(yōu)化SVM的懲罰因子Q和核函數(shù)中的參數(shù)γ，可以得到IABC-SVM分類器中二者的最優(yōu)取值分別為100和0.115 4?；贗ABC算法優(yōu)化SVM的分類結(jié)果見表1，從表1中可看出C1—C5以及C9這6種電壓暫降源類型的識別準確率都高達100%，符合電網(wǎng)中準確辨識出電壓暫降源的要求；C6—C8這3種電壓暫降源類型的識別準確率分別為90%、45%、75%，這3種類型的電壓暫降源可能會出現(xiàn)誤判；使用IABC-SVM分類器對C1—C9這9種不同的電壓暫降源信號的分類準確率達到90%。

表1 基于IABC算法優(yōu)化SVM的分類結(jié)果

為驗證所提IABC-SVM分類器識別正確率的優(yōu)越性，在保證訓練樣本量均為30組和測試樣本量均為20組的前提下，設(shè)置對照實驗，將IABC-SVM分類器與粒子群算法優(yōu)化支持向量機(PSO-SVM)、極限學習機(ELM)、BP神經(jīng)網(wǎng)絡(BP)和人工蜂群算法優(yōu)化支持向量機(ABC-SVM)這4種分類器進行對比，并且統(tǒng)一設(shè)置PSO-SVM、ABC-SVM和IABC-SVM這3種算法的種群數(shù)為40，最大迭代次數(shù)為10，懲罰因子Q和核函數(shù)中的參數(shù)γ的搜索空間的上限均為100、下限均為0.01。通過仿真分析，可得這5種不同分類器的識別正確率的結(jié)果見表2。

表2 5種不同分類器的識別正確率

從表2可以看出，IABC-SVM分類器對單一電壓暫降源和復合電壓暫降源的識別正確率比其他常見的4種傳統(tǒng)的分類器都要高，識別準確率達到90%，并且該分類器所消耗的時間只有10.395 s，它是除了ELM分類器之外速度最快的，說明IABC-SVM分類器具有高效和快速的識別能力。ABC-SVM分類器的分類準確率為88. 33%且消耗的時間為13.815 s，無論在識別的準確率上還是在快速性上，IABC-SVM分類器的分類效果和快速性明顯優(yōu)于ABC-SVM分類器，說明IABC算法對SVM參數(shù)尋優(yōu)的優(yōu)越性，通過IABC算法對SVM的懲罰因子Q和核函數(shù)中的參數(shù)γ進行尋優(yōu)，構(gòu)建的IABC-SVM分類器可以明顯提高對單一電壓暫降源和復合電壓暫降源的識別準確率和快速性。雖然ELM所消耗的時間最少，但識別準確率只有71.11%，不能滿足電力系統(tǒng)中實際的工程需要。

4 結(jié)論

為了迅速判斷出配電網(wǎng)中發(fā)生的單一電壓暫降源和復合電壓暫降源類型，本文提出基于EMD和IABC-SVM算法的復合電壓暫降源辨識方法，在MATLAB/Simulink中搭建改進IEEE 33節(jié)點配電網(wǎng)系統(tǒng)仿真模型，通過仿真模擬對該方法進行驗證，得出以下結(jié)論：

a)利用EMD算法對9種電壓暫降信號提取到的450組不同的特征向量，進行歸一化處理之后輸入到分類器中獲得了很好的辨識精度。

b)無論是在識別的準確率上還是在快速性上，基于IABC-SVM分類器的分類效果和快速性明顯優(yōu)于基于ABC-SVM分類器，證明了改進方法的有效性。

c)與PSO-SVM、ELM、BP和ABC-SVM這4種分類器進行對比可知，除了ELM分類器識別的時間最少之外，在考慮識別正確率和快速性的前提下，基于IABC-SVM分類器是最優(yōu)的選擇。

d)本文所提到基于IABC算法優(yōu)化SVM的電壓暫降源識別方法能夠迅速準確辨識出單一電壓暫降源和復合電壓暫降源的類型，這對于解決實際的工程問題提供了嶄新的思路，有利于改善電力系統(tǒng)運行的經(jīng)濟性和可靠性。