利用遗传支持向量机进行电压暂降信号识别

朱苏航， 吕干云

(1.浙江金华职业技术学院信息工程系， 金华 321004；2.浙江师范大学信息系， 金华 321004)

利用遗传支持向量机进行电压暂降信号识别

朱苏航1， 吕干云2

(1.浙江金华职业技术学院信息工程系， 金华 321004；2.浙江师范大学信息系， 金华 321004)

针对传统电力信号识别算法中特征选取的随意性，提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集，然后利用遗传算法的全局搜索特性得到优秀特征，最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明，该方法能快速、有效识别出电压暂降信号类型。

电压暂降信号； 遗传算法； 支持向量机； 特征选取； 识别

电压暂降信号是指电网电压有效值快速下降至额定值的10%～90%的事件，其典型持续时间为0.01～0.5 s[1]。美国每年就因电压暂降事故造成经济损失达200多亿美元。电压暂降信号的正确识别，不仅有助于解决供电部门和用户之间的相应纠纷，且对配电系统电能质量污染治理具有重要作用[2，3]。电压暂降信号主要有三类：系统故障引起、感应电机启动引起、变压器投运引起。目前，大部分电压暂降信号识别方法首先是根据专家知识，利用傅里叶变换[4]、小波分析[5]、Kalman滤波[6]、S变换[7]、dq[8]变换等时频域分析方法提取暂降信号各种特征，然后采用专家系统、模糊理论、神经网络等智能算法进行分类，识别出电压暂降信号类型。然而在电压暂降信号识别甚至电力扰动信号识别中，目前的研究主要局限于特征的提取方法及识别算法的精度改善，却很少研究提取的特征是否有效和必要，即如何进行特征选择。优秀特征的有效选取不仅可提高电压暂降信号识别的精度，而且还可提高识别速度。本文提出了一种基于遗传支持向量机GA-SVM(genetic algorithm optimized support vector machine)的电压暂降信号识别方法。首先通过S变换等方法提取电压暂降信号识别可能需要的各种特征集，然后利用遗传算法的全局搜索特性得到优秀特征，最后通过多分类支持向量机实现了电压暂降信号的识别并验证特征选取的有效性。

1 电压暂降信号处理及特征提取

S变换[9]是在小波变换和短时傅里叶变换基础上结合发展起来的一种可逆时频分析方法，具有很好的时频分析能力。电压暂降信号处理及特征提取主要在S变换[9]基础上进行。信号经S变换得到复时频矩阵(S矩阵)，其取模后得到S模矩阵，经处理可提取各种信号的幅值、频率、相位等特征信息。根据已有文献及经验知识，利用S变换等方法提取电压暂降信号识别需要的可能特征集，包括如下。

1)谐波增量

谐波是变压器暂降的重要特征，特别是2次谐波，可达到谐波总量的30%～50%。由S模矩阵可计算出电压暂降发生前、后的2次谐波增量，即

(1)

式中：U2sag、U1sag分别为电压暂降期间2次谐波和基波的电压有效值；U2pre、U1pre分别为暂降发生前2次谐波和基波的电压有效值。

2)幅值突变次数

电压暂降信号是具有突变特性的非平稳信号，信号时频分布S模矩阵在其高频部分必然会反映出信号这一特征。通过S模矩阵提取高次谐波幅值曲线，来确定幅值突变次数。

3)恢复斜率

提取S模矩阵中基频幅值曲线如图1所示。三种暂降信号的恢复斜率存在差异。故障暂降信号的恢复段较陡峭，而变压器投运和电动机启动暂降信号在恢复段较平滑、斜率小。

4)信号恢复时间

信号恢复时间指从电压最深点恢复到正常值90%的所需时间，从基频幅值曲线上求得。

5)暂降持续时间

暂降持续时间定义为信号最低幅值持续时间与总暂降持续时间之比。故障暂降在最低电压点附近持续时间较长，而变压器投入和电机启动暂降在下降到一定深度后缓慢恢复，持续时间较短。

6)暂降深度

暂降深度指发生电压暂降时有效值曲线上最小电压幅值。

7)恢复电压

恢复电压指电压暂降结束后的各相电压幅值。

8)不平衡度

电动机和三相短路故障引起的电压暂降信号是对称的，而变压器投运和其它短路故障产生的电压暂降一般不对称。根据对称分量法可求得出三相不平衡度ε1，即

(2)

式中，U1、U2分别为基波正序和负序的均方根值。

通过程序自动提取到22个特征，包括各相的谐波增量、幅值突变次数、恢复斜率、恢复时间、暂降持续时间、暂降深度、恢复电压及三相不平衡度。

(a) 短路故障

(b) 变压器投运

(c) 电动机启动

2 基于GA-SVM的电压暂降信号识别

特征选取是从总特征集合中选出对识别具有重要贡献的特征子集，其目的在于降低原有特征维数，提高识别正确率及速度。遗传算法是一种具有很强全局搜索能力的随机优化算法,而支持向量机在小样本和非线性识别方面具有特定优势。首先利用遗传算法从总特征集合中搜索得到一组特征样本，然后用多分类支持向量机进行训练及测试，将分类正确率作为遗传算法的进化依据，进行重复交叉搜索得到最优特征，其算法流程如图2所示。

图2 基于GA-SVM电压暂降信号识别流程

1)基因编码及种群初始化

22个特征按采用二进制数0和1进行编码，得到长度为22的染色体，0表示对应的特征不选取，1为选取。如染色体{1000010001000000100100}，表示选中原始特征集中的第1、6、10、17、20个特征，其余的特征不选中。设置种群数为40，运用随机函数产生40个染色体组成的初始种群。

2)SVM分类

按照编码值对原特征集样本进行筛选操作，得到降维后的特征样本，然后将特征样本分为训练样本和测试样本，运用多分类支持向量机对训练样本和测试样本进行操作得到识别正确率。

3)适应度函数

适应度函数是评价个体优劣的标准，是遗传算法进化搜索的依据。适应度函数的好坏直接关系到遗传算法收敛速度及能否找到最优特征。本文综合选用识别正确率和被选中特征个数作为构造适应度函数依据。设多分类支持向量机的正确率为Ac，被选中特征个数为nT，GA搜索目标是寻求最大正确率及减少特征个数，故适应度函数定义为

(3)

式中，k为正确率的权值，取为100，以提高正确率在适应度函数中的比重。个体的适应度函数值越低，则代表该个体更优。

4)交叉与变异

遗传算法经过交叉操作产生新个体，它按交叉概率随机对个体进行两两交叉，产生新种群。变异操作则使交叉后种群产生突变，跳出局部极值，它通过随机对某一位或几位基因进行变异操作，即按位取反。按交叉、变异后的新种群，选取相应特征量，重构特征子集。

5)结束条件

遗传算法结束搜索的条件为：达到初始设定的最大进化代数和适应度函数值变化过小。如果满足以上两个条件之一就停止搜索，得到优化特征；否则继续搜索。

3 算例仿真与分析

由Simulink仿真产生各种电压暂降信号，经信号处理提取出各信号的22种特征。设置遗传算法的种群数为40，交叉概率为0.85，变异概率为0.1，进化代数为100。设置多分类支持向量机中的正则化参数C和径向基核函数参数都为1。表1给出基于GA-SVM法搜索得到的部分优秀特征样本及其对应结果，其中nT为选中特征个数，f(x)为适应度，Ac为分类正确率，tr为运行时间。

表1 基于GA-SVM电压暂降识别结果

由表1结果可发现，经GA-SVM法后可将初始特征维数从22降为8、7，甚至降为4，有效地降低了特征样本的维数。用SVM对原来22维特征样本进行识别，其识别正确率为81.33%，运行时间为0.017 s。而本法在降低特征样本维数的同时，在一定程序上提高电压暂降识别正确率和减少运行时间，识别精度达97.33%，运行时间为0.008 s，特征维数为4。另外还可发现，染色体中的第5、6、7、17个基因出现频率较高，说明对应的特征量对电压暂降信号的正确识别贡献较大，为优秀特征量，GA有效完成特征选取。

4 结论

由于目前很多电压暂降信号识别中特征选择缺乏有效的理论指导，一定程度上降低了识别算法的可靠性并限制了其应用范畴。本文运用S变换对三种典型电压暂降信号进行时频分析，结果数据处理后提取得到由22个特征量构成的暂降信号识别可能需要的特征集，然后用遗传算法对特征集进行优化搜索，选出优秀特征量，最后通过多分类支持向量机实现了电压暂降信号的识别并验证特征选取的有效性。经仿真验证，该方法能快速、有效识别出电压暂降源，优秀特征的有效选取一定程度上改善提高了电压暂降信号识别的速度和精度。该方法具有一定的通用性，也能用于电力扰动信号的识别系统中。

[1] Zhang Lidong, Bollen M H J. Characteristic of voltage dips in power systems [J]. IEEE Trans on Power Delivery, 2000, 15(2): 827-832.

[2] Melhorn C J, Davis T D, Beam G E. Voltage sags: their impact on the utility and industrial customers[J]. IEEE Trans on Industry Applications, 1998, 34(3): 549-558.

[3] McGranaghan M, Roettger B. Economic evaluation of power quality[J]. IEEE Power Engineering Review, 2002, 22(2): 8-12.

[4] Ahn Seon-Ju, Won Dong-Jun, Chung Il-Yop,etal. Determination of the relative location of voltage sag source according to event cause[C]∥IEEE Power Engineering Society General Meeting. Denver, USA: 2004.

[5] 王克星, 宋政湘, 陈德桂(Wang Kexing, Song Zhengxiang, Chen Degui). 基于小波变换的配电网电压暂降的干扰源辨识(Interference source identification of voltage sag in distribution system based on wavelet transform)[J]. 中国电机工程学报(Proceedings of the CSEE), 2003, 23(6): 29-34,54.

[6] 张波(Zhang Bo). 电压暂降特征提取与扰动原因分析(Extraction the Voltage Sag Characters and Identification Voltage Sags Cause)[D]. 北京: 中国电力科学研究院(Beijing: China Electric Power Research Institute), 2005.

[7] 杨洪耕，刘守亮，肖先勇(Yang Honggeng, Liu Shouliang, Xiao Xianyong). 利用S变换时频等值线图与幅值包络向量实现电压凹陷的分类(Classification of voltage dips using time-frequency contour and amplitude envelope vectors by S-transform)[J]. 电工技术学报(Transactions of China Electrotechnical Society), 2006, 21(8): 75-79,126.

[8] 刘云潺, 黄纯, 欧立权, 等 (Liu Yunchan, Huang Chun, Ou Liquan,etal). 基于dq变换的三相不平衡电压暂降检测方法(Method for unbalanced voltage sags detection based ondqtransform)[J]. 电力系统及其自动化学报(Proceedings of the CSU-EPSA), 2007, 19(3): 72-76.

[9] Stockwell R G, Mansinha L, Lowe R P. Localization of the complex spectrum: The S transform[J]. IEEE Trans on Signal Processing, 1996, 44(4): 998-1001.

朱苏航(1967-)，女，讲师，主要从事智能信号处理研究。Email:stmc17@sina.com

吕干云(1976-)，男，副教授，博士，研究方向为电能质量及人工智能电力系统应用等。Email:ganyun_lv@ zjnu.cn

VoltageSagSignalIdentificationwithGA-SVM

ZHU Su-hang1， LÜ Gan-yun2

(1.Department of Information Science and Engineering, Jinhua College of Profession and Technology, Jinhua 321004， China；2.Department of Information, Zhejiang Normal University, Jinhua 321004, China)

In order to reduce the randomness of feature selection in the traditional power signal identification algorithm, a new approach for identification of voltage sag signal is proposed based on genetic algorithm optimized support vector machine (GA-SVM). First, the initial feature set is extracted with S-transform time-frequency method, which is probably used for identification of voltage sag signal. Then the GA is used for search of the key features from the feature set. Finally, the multi-classification SVM is applied for identification of voltage sags signal and prove of the validity of the selected features. The simulation results show that the approach could identify the voltage sags signal effectively and quickly.

voltage sag signal； genetic algorithm； support vector machine； feature selection; identification

TM711

A

1003-8930(2012)01-0084-04

2011-06-14；

2011-07-26

国家自然科学基金资助项目(51107120)；浙江省自然科学基金资助项目(Y1090182)；浙江省教育厅科研项目(Y201120550)