[发明专利]基于GA-SVM的电能质量多扰动信号分类识别方法

说明书

本发明公开了一种基于GA‑SVM的电能质量多扰动信号分类识别方法，首先采用基于改进的EEMD的HHT方法对各种电能质量复合扰动进行特征提取，即根据EEMD算法的特性，添加绝对值相等的正负高斯白噪声来降低噪声残余；利用概率统计的参数自适应特性对EEMD算法的参数选择过程进行了优化；提出自适应阈值去噪的方法对IMF信号进行去噪处理，降低了各个IMF分量中噪声的影响；其次运用GA算法实现SVM参数的最优化；选取支持向量机（SVM）分类器作为电能质量多扰动信号的分类工具；同时，针对传统SVM存在的经验参数选取等缺点，提出了利用GA的全局寻优特性优化SVM参数的选取过程，大大节省了依靠经验和反复试验来设置参数的时间并提高了参数的准确性和实用性。

技术领域

本发明涉及电力系统中电能质量分析技术领域，尤其涉及一种基于GA-SVM的电能质量多扰动信号分类识别方法。

背景技术

目前电网发展的重要目标和方向之一就是保障供电的电能质量和对不同的电力用户按照使用的需求提供相应的服务；因此，实现对电能质量检测系统的建立健全、准确对电能质量进行评价、对电网电能质量中出现的扰动及时准确的识别分类是近几年学者研究的热点问题。

由于电能质量扰动类型较多,且扰动信号本身是随机突然发生的，因此很难对其进行特征提取和分类识别；而在复合扰动形成的过程中，各个单一扰动信号的特征值互相叠加影响，其识别分类的难度呈几何增长；目前对电能质量多扰动信号研究的难点是对随机非平稳扰动信号的检测识别分类，在研究过程中，随着暂态扰动对现代生产生活带来的危害越来越大，对暂态扰动信号的分类识别研究已成为热点；在电能质量多扰动信号识别分类研究的过程中，最重要的环节有两个，一个是要找出有效的提取扰动特征的方法，另一个是要设计出准确率和分类速度较高的分类识别系统；也就是说对电能质量多扰动信号分类识别问题的研究可以分为两个部分，第一个部分是特征提取，第二部分是扰动信号分类。

目前电能质量多扰动信号特征提取困难，且提取的特征量容易失效以及容易出现模态混叠等问题，提取的特征值不够准确；另外目前对电能质量复合扰动进行分类的方法主要有:神经网络、决策树和支持向量机等；神经网络分类器具有简单的结构和很强的求解能力，但是训练时间长，且容易出现过学习等问题；决策树分类器是模拟人类的思维构建分类规则，虽然分类速度很快，但在分类过程中建立规则比较复杂，会出现错误累积的误差，并且对于多种类分类模型很难处理；因此急需研究一种新的电能质量多扰动信号分类识别方法来解决上述问题。

发明内容

本发明的目的是提供一种基于GA-SVM的电能质量多扰动信号分类识别方法，能够有效的提取电能质量多扰动信号的扰动特征，并显著提高电能质量多扰动信号分类的准确率和分类速度。

发明采用的技术方案为：一种基于GA-SVM的电能质量多扰动信号分类识别方法，包括如下步骤：

步骤A：利用电压传感器采集电网中的电压信号，并对采集到的电压信号进行特征提取，具体包括步骤A1-A4；

步骤A1：利用电压传感器采集电网中的电压信号，然后利用信号调理电路对采集到的信号进行滤波和整形处理；

步骤A2：将滤波和整形处理处理后的信号传递到数据采集卡中，然后利用数据采集卡的模数转换功能将模拟信号转换为计算机能够处理的数字信号；

步骤A3：对模数转换后得到的数字信号进行信号去噪处理，然后对去噪后的信号进行改进的EEMD分解，并对分解后的信号进行Hilbert变换得到时频特性曲线和时幅特性曲线，具体包括步骤A3.1-A3.9：

步骤A3.1:设置期望的相对偏差，计算原始信号幅值标准差，对原始信号进行EMD分解求得高频成分，并计算高频成分幅值标准差；

步骤A3.2:计算高频成分幅值标准差和原始信号幅值标准差比值β；