一种基于s变换和改进svm算法的暂态电能扰动识别方法
【技术领域】
[0001] 本发明是一种基于S变换和改进SVM算法的暂态电能扰动识别方法，应用于电能质 量暂态扰动自动分类及定位、设备状态在线监测及评估W及电能质量治理。
【背景技术】
[0002] 非线性负荷、冲击性负荷W及单相负荷的存在，使电网环境受到严重污染，因此导 致的电能质量问题也日益引起人们的重视。电能质量暂态扰动自动分类技术是电能质量分 析与控制的重要基础，对暂态治理、电力电子设备状态监控、扰动源定位等工作具有重要的 意义。为提高人们的生活水平和保证正常的工业生产，必须要保证电力系统能够提供优质 的电力能源。各类电能质量扰动的智能分类已成为电力系统重要的研究课题;一个方便、快 捷、准确的分类算法可W为现代智能电表和电网实时监控系统提供更加高层的应用。
[0003] 常用的扰动识别方法一般包括信号处理和模式识别2个步骤。传统的暂态扰动识 别分类方法常采用小波变换、短时傅里叶变换等作为信号处理手段。小波变换由于具有良 好的时频特性被广泛用于电能质量扰动信号的特征提取，但小波变换的结果缺乏直观性， 存在频谱泄露及易受噪声影响等问题。而短时傅里叶变换存在需要选择窗口类型和宽度及 窗口宽度固定等缺陷，在电能质量分析中的使用也受到限制。S变换是对短时傅里叶变换和 小波变换的发展和继承，其结果具有直观性且不易受噪声影响。模式识别方面，常用的方法 有人工神经网络、支持向量机、模糊分类等。相比其他方法，支持向量机分类效率高，抗干扰 能力强，具有一定的使用价值。但对预测向量较密集的场合，分类的可行度不高。需要针对 应用的具体场合对其分类结果可信度较低的场合进行优化。
【发明内容】
[0004] 本发明的目的在于克服现有技术的不足，提供一种科学合理，适应性强、抗干扰能 力强，具有推广价值的基于S变换和改进SVM算法的暂态电能扰动识别方法。
[0005] 本发明的目的是通过W下技术方案实现的:基于S变换和改进SVM算法的暂态电能 扰动识别方法，它包括W下步骤：
[0006] 1)将扰动信号利用改进S变换进行处理：
[0007] 改进S变换的关键在高斯窗中加入了调节因子λΜ，根据样本信号的频率分布情况 加快或减慢高斯窗的宽度随频率变换的速度。改进的S变换的计算公式为：
[000引
（1)
[0009] 式中λΜ为调节因子。当λΜ>1时，窗宽度随频率呈反比例加快变化，时间分辨率更 高;当0 <λΜ< 1时，高斯窗变化速度变慢，频率分辨率提高。
[0010] 2)扰动信号特征提取
[0011] 确定8种特征构建特征向量，从原始信息和改进S变换计算结果中提取分类所需特 征量，各特征量含义如下：
[0012] FI:基频幅值均值
[0013] F2:基频幅值中幅值大于标准值105%的采样点个数
[0014] F3:基频幅值中幅值小于标准值95%的采样点个数
[0015] F4:基频幅值中幅值小于标准值10 %的采样点个数
[0016] 阳:频率包络线波峰个数
[0017] F6:行向量极大值时间包络线中提取大于等于3倍基频的均值
[0018] F7:时域包络线标准差
[0019] F8:频谱的标准差
[0020] 3)设计基于半监督学习算法的SVM分类器对样本进行分类
[0021] 针对所设及的6种扰动设计分类器进行分类，其中包括S1理想电压信号、S2暂降电 压信号、S3暂升电压信号、S4电压中断信号、S5暂态振荡信号和、S6短时谐波信号。分类器的 设计原则是:先用SVM算法对样本进行分类，然后用半监督学习分类算法最近邻分类对SVM 决策函数结果进行无监督校正，如果SVM算法的分类结果可信度较高，则接受分类结果，如 果SVM算法的分类结果可信度较低，则运用改进的最近邻算法确定预测向量周围一定区域Μ 内的支持向量，对预测向量和支持向量求欧式距离值，并将距离的倒数作为决策变量，将同 类别有效支持向量的决策变量的平均值作为决策函数值，对预测向量Μ区域内所有的各类 支持向量的决策函数值进行比较，从大到小的进行排列，与SVM算法分类的结果进行统计分 析，最终确定分类结果。
[0022] 基于S变换和改进SVM算法的暂态电能扰动识别方法，首先将扰动信号利用改进S 变换进行处理，S变换方法不仅具有短时傅里叶变换单频域独立分析的能力，还具有小波变 换的时域和频域局部化特性，具有自适应时频窗，通过对S变换的改进，得到广义S变换，改 进S变换的关键在高斯窗中加入了调节因子λΜ，根据样本信号的频率分布情况加快或减慢 高斯窗的宽度随频率变换的速度，能更好的对扰动信号进行分析;在此基础上，从原始信息 和改进S变换计算结果中提取6种特征构建特征向量;最后采用基于半监督学习算法的SVM 算法对样本进行分类识别。与W往的电能质量扰动分类方法相比，在保证了 SVM算法识别准 确率的基础上，在SVM算法可信度较低的样本中，引入改进的半监督学习算法，能够进一步 提高扰动信号的识别准确率，具有科学合理，适应性强，推广价值高等优点。
【附图说明】
[0023] 图1为本发明实施例基于S变换和改进SVM算法的暂态电能扰动识别方法的流程 图。
[0024] 图2为本发明实施例基于S变换和改进SVM算法的暂态电能扰动识别方法中改进S 变换算法流程图。
[0025] 图3为本发明实施例基于S变换和改进SVM算法的暂态电能扰动识别方法中改进S 变换对电能质量扰动信号的处理流程图。
[0026] 图4为本发明实施例基于S变换和改进SVM算法的暂态电能扰动识别方法中暂态电 能质量扰动分类流程图。
【具体实施方式】
[0027] 为了使本发明的目的及优点更加清楚明白，W下结合实施例对本发明进行进一步 详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本发明，并不用于限定本发明
[0028] 如图1所示，本发明实施例提供了一种基于S变换和改进SVM算法的暂态电能扰动 识别方法，它包括W下步骤：
[0029] 1)将扰动信号利用改进S变换进行处理：
[0030] 改进S变换的关键在高斯窗中加入了调节因子λΜ，根据样本信号的频率分布情况 加快或减慢高斯窗的宽度随频率变换的速度。改进的S变换的计算公式为：
[00 川
（1)
[0032] 式中λΜ为调节因子。当λΜ>1时，窗宽度随频率呈反比例加快变化，时间分辨率更 高;当0<λΜ< 1时，高斯窗变化速度变慢，频率分辨率提高。
[00