CN110648088A - 一种基于鸟群算法与svm的电能质量扰动源判断方法 - Google Patents

一种基于鸟群算法与svm的电能质量扰动源判断方法 Download PDF

Info

Publication number
CN110648088A
CN110648088A CN201911170297.5A CN201911170297A CN110648088A CN 110648088 A CN110648088 A CN 110648088A CN 201911170297 A CN201911170297 A CN 201911170297A CN 110648088 A CN110648088 A CN 110648088A
Authority
CN
China
Prior art keywords
load
value
common node
disturbance source
bird
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911170297.5A
Other languages
English (en)
Other versions
CN110648088B (zh
Inventor
王文彬
陈霖
周求宽
陈琛
蒙天骐
熊健豪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201911170297.5A priority Critical patent/CN110648088B/zh
Publication of CN110648088A publication Critical patent/CN110648088A/zh
Application granted granted Critical
Publication of CN110648088B publication Critical patent/CN110648088B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供了一种基于鸟群算法与SVM的电能质量扰动源判断方法，先采集系统中各负荷电流数据、公共节点电压数据，依据皮尔逊相关系数模型计算各负荷电流和公共节点电压波形的相关系数，建立非线性负荷与线性负荷辨别评价指标；依据功率增量模型，计算同一时段各负荷支路的功率增量序列及功率增量平均值，通过比较功率增量平均值建立动态负荷及静态负荷辨别评价指标；依据谐波责任指标模型，建立不同谐波责任下电能质量责任评价指标；建立分析支持向量机函数模型，并代入鸟群算法，输出最佳位置，求解最优函数，识别出配电网中电能质量扰动源。本发明能够为划分和评估各谐波源或闪变源责任提供重要前提条件，为用户侧电能质量治理工作提供技术保障。

Description

一种基于鸟群算法与SVM的电能质量扰动源判断方法
技术领域
本发明涉及电能质量监测领域，具体涉及一种基于鸟群算法与SVM的电能质量扰动源判断方法。
背景技术
电能作为一种清洁能源，广泛应用在各个领域。在我国进行电力体制市场化改革后，电能质量日益成为相关部门保证配电网安全、经济运行的重要关注方面。
随着电力电子技术的发展，用电负荷的日益复杂多样化。大量的非线性负荷存在于配电网中，使得配电网中出现高次谐波，造成谐波污染，对配电网的电能质量、安全运行造成影响。
许中等人发表的《不同电能质量等级下的谐波责任划分方法》文献中从不同电能质量等级进行考虑，提出了不同电能质量等级的谐波责任划分的方法。该方法首先计算公共节点的电压总谐波畸变率、对公共节点进行电能质量划分；其次，计算每段谐波责任。最后，通过加权求和获得最终的谐波责任。张建明发表的《电力系统谐波源识别及谐波责任划分的研究》文献中，提出了利用改进型偏最小二乘法对谐波阻抗进行估计，用估计值代替实际测量值，在结合阻抗法通过判断谐波电流从那一侧流出的较多来判断主要谐波源，进而达到识别谐波源的目的。强健发表的硕士论文《复杂电网谐波时频分析与谐波溯源技术研究》中采用傅里叶变换实现电压和电流的同步检测，实现谐波功率的快速检测计算。并建立了复杂配电网络下的谐波分析模型分析不同背景谐波和用户负荷性质下的谐波功率和谐波污染源关系。得到非线性负荷和线性负荷的谐波功率特征，提出基于谐波功率方向和谐波能量累积效应的谐波污染源辨识方法，并依据谐波能量在时频域内对谐波源的谐波污染责任进行量化评估。最后设计开发出一套具有网络通信功能的谐波监测系统。王凯等人发表的《用于电网谐波溯源的谐波功率快速检测方法》文献从电力用户和电网公司公共节点上的电压电流取样入手，分析了谐波功率的定义及其检测计算方法，提出了一种基于瞬时功率理论的谐波功率快速检测计算方法，对三相电压电流在谐波功率下进行d-q变换从而获得各次谐波的有功功率和无功功率的幅值及流向，根据谐波功率流向达到谐波溯源的目的。
基于上述背景，为了更加精确的找出配电网中的电能质量扰动源，亟需研究一种配电网电能质量扰动源识别方法，不仅能更精确地判断配电网中的电能质量扰动源，而且能确定电能质量扰动源类型，可以为划分和评估各谐波源或闪变源电能责任提供重要前提条件，为用户侧电能质量治理工作提供技术保障。
发明内容
为解决多类型非线性负载间的交互作用对配电网电能质量影响恶劣的情况，本发明提供了一种基于鸟群算法与SVM的电能质量扰动源判断方法，包括以下步骤：
一种基于鸟群算法与SVM的电能质量扰动源判断方法，包括以下步骤：
S1、采集初始数据，包括各负荷电流、公共节点电压数据；
S2、依据皮尔逊相关系数，建立线性、非线性负荷辨别评价指标；根据建立的线性、非线性负荷辨别评价指标，计算各负荷电流和公共节点电压波形的相关系数，确定各负荷电流与公共节点电压的相似程度，确定扰动源类别；
依据功率增量模型，建立动态负荷及静态负荷辨别评价指标；根据建立的动态负荷及静态负荷辨别评价指标，计算公共节点电压和各负荷电流的增量序列及功率增量平均值，确定扰动源类别；
利用快速傅里叶变换对采集到的负荷电流和公共节点电压信号进行分解、重构，提取公共节点电压、负荷电流信号的各次谐波频率分量；依据谐波阻抗、背景谐波电压模型，建立电能质量责任评价指标，确定电能质量责任；
S3、建立分析支持向量机函数模型，设定期望值，设定参数值；
S4、初始化鸟群算法参数，将步骤S3中的函数通过鸟群算法，输出最佳空间位置；
S5、根据步骤S2中的皮尔逊相关系数、功率增量平均值、电能质量责任评价指标以及步骤S4输出的最佳空间位置求解最优函数，根据最优函数值确定不同谐波频率下配电网中是否存在电能质量扰动源。
进一步地，所述步骤S1中，分别采集不同负荷电流数据、公共节点电压数据，得到不同负荷支路电流波形图及公共节点电压波形图。
进一步地，所述步骤S2中，皮尔逊相关系数模型表示为：
Figure 100002_DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE002
为负荷电流、公共节点电压的协方差；
Figure DEST_PATH_IMAGE003
、
Figure DEST_PATH_IMAGE004
为负荷电流、公共节点电压的方差；
Figure DEST_PATH_IMAGE005
、
Figure 744290DEST_PATH_IMAGE006
分别为负荷电流、公共节点电压第i个采样样本的取值；
Figure 100002_DEST_PATH_IMAGE007
和分别为负荷电流、公共节点电压的均值；
n为变量的样本值；
皮尔逊相关系数的绝对值大小和线性相关程度之间的关系为：
0.95＜∣r XY ∣≤1，线性相关为极强相关；
0.8＜∣r XY ∣≤0.95，线性相关为强相关；
0.6＜∣r XY ∣≤0.8，线性相关为中等程度相关；
0.2＜∣r XY ∣≤0.6，线性相关为弱相关；
0.0＜∣r XY ∣≤0.2，线性相关为极弱相关或无相关。
进一步地，所述步骤S2中建立的动态负荷及静态负荷辨别评价指标表示为：
Figure 100002_DEST_PATH_IMAGE009
Figure 752752DEST_PATH_IMAGE010
式中，
为某一负荷的功率增量序列平均值；
A n为该负荷支路的功率增量序列；
ΔU n 、ΔI n 分别为电压、电流增量，并且具体表示为
Figure 554486DEST_PATH_IMAGE012
、
Figure 100002_DEST_PATH_IMAGE013
， 其中U n+1 、U n 分别为n+1周期、n周期时的公共节点电压有效值，I n+1 、I n 分别为n+1周期、n周期 时的负荷电流有效值；
功率增量平均值的大小符号与负荷性质的关系为：为正号时，为静态负荷；
Figure 556433DEST_PATH_IMAGE011
为负号 时，为闪变负荷。
进一步地，所述步骤S2中，利用快速傅里叶变换提取公共节点电压、各负荷电流信号的各次谐波频率分量，得到不同谐波频率下的电流、电压具体值；电能质量责任评价指标表示为：
Figure 495570DEST_PATH_IMAGE014
式中，
μ pcc,i 为电能质量责任比重；
U pcc,i 为扰动源在公共节点产生的谐波电压；
U pcc 为公共节点电压；
Z pcc,i 为扰动源对公共节点产生的等效谐波阻抗；
I i 为负荷电流；
α i 为扰动源与公共节点电压相角差。
进一步地，所述步骤S3中，设定惩罚因子C和核函数参数g的搜寻范围；给定n组监测点采集数据构成训练集；
参数优化目标适应度函数为：
Figure 100002_DEST_PATH_IMAGE015
式中，
C为惩罚因子，C min 、C max 分别为惩罚因子的最小值、最大值；
g为核函数参数，g min 、g max 分别为核函数参数的最小值、最大值；
ε为不敏感损失系数，ε min 、ε max 分别为不敏感损失系数的最小值、最大值；
y i 为第i个样本的实际值；
Figure 100995DEST_PATH_IMAGE016
为总样本的模拟值。
进一步地，所述步骤S4具体包括以下步骤：
①初始化鸟群算法中各参数，初始化种群规模N、搜索空间维数d，最大迭代次数T、飞行 间隔FQ、觅食概率P以及其余常量；令t=0，随机初始化鸟群个体空间位置；
②根据步骤S3参数优化目标适应度函数计算个体适应度函数值，找到并保留当前鸟个体最好空间位置；判断算法终止条件是否满足，若满足则输出最佳空间位置，否则执行步骤③；
③基于觅食行为规则的随机策略在（0，1）内产生随机数，如果该随机数小于觅食概率，则进行觅食行为，并更新位置；否则保持警戒行为，并更新位置；
④将群体分为两个部分，即生产者和索取者；如果第i只鸟为生产者，则更新位置；否则作为索取者，更新位置；
⑤根据步骤S3参数优化目标适应度函数计算鸟个体适应度函数值，如果当前位置位于前次保留位置，则保留当前鸟个体位置为最佳位置；
⑥判断算法迭代终止条件是否满足，若满足则输出最佳空间位置即（C、g、ε）值，并将其作为最佳学习参数对样本进行评价和检验；否则令t=t+1，并重复执行步骤③-⑥。
进一步地，所述步骤S5还包括将步骤S2中皮尔逊相关系数、功率增量平均值、电能质量责任评价指标特征值进行归一化处理：
Figure 674933DEST_PATH_IMAGE018
式中，
Figure 100002_DEST_PATH_IMAGE019
为经过归一化后的数据；
x为各评价指标原始数据；
x max 为各评价指标的上限值；
x min 为各评价指标的下限值。
进一步地，所述步骤S5中的最优函数为：
Figure 74822DEST_PATH_IMAGE020
式中，x 1，x 2，x 3分别为皮尔逊相关系数、功率增量平均值、电能质量责任评价指标归一 化的数据；α 1、α2、α3为对应判据的权重系数；b为偏差量；α为多重判据权重向量，α、b为经过 SVM智能训练后得到的结果，根据步骤S4输出的最佳空间位置（C、g、ε）值即可得出α、b；
Figure 563572DEST_PATH_IMAGE021
为 多重判据向量。
进一步地，所述步骤S5中，当最优解y大于零时，则表明其所在负荷存在扰动源；当最优解y小于零时，则表明其所在负荷不存在扰动源。
本发明的有益效果：
在配电网中多种非线性负荷接入情况下，由于多类型非线性负载间的交互作用对配电网电能质量恶化影响十分严重，本发明提供的配电网电能质量扰动源判断方法通过多个指标评判馈线电能质量，定位电能质量扰动源并确定扰动源类别。本发明提供的方法能够有效区分线性负荷、谐波源、闪变源等不同负荷类型实现电能质量扰动源精确定位，为划分和评估各谐波源或闪变源责任提供重要前提条件，为用户侧电能质量治理工作提供技术保障。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式中需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对应本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于鸟群算法与SVM的电能质量扰动源判断方法的流程示意图；
图2为本发明实施例提供的一种基于鸟群算法与SVM的电能质量扰动源判断方法的系统拓扑结构示意图。
具体实施方式
以下是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
鸟群算法(Bird Swarm Algorithm，BSA)是由Xian-Bing Meng等于2015年提出的一种基于鸟群行为的群体智能优化算法。
SVM：支持向量机。
如图1所示，本发明提供了一种基于鸟群算法与SVM的电能质量扰动源判断方法，所述方法具体用于含分布式光伏发电系统的低压台区多电能质量扰动源判断，包括以下步骤：
S1、采集初始数据，包括各负荷电流、公共节点电压数据，得到不同负荷支路电流波形图及公共节点电压波形图。如图2所示，通过扰动源分析器采集和计算配电网低压台区PCC点的电压数据、各负荷点电流数据，并得到不同负荷支路电流波形图及公共节点电压波形图。
S2、依据皮尔逊相关系数，建立线性、非线性负荷辨别评价指标；根据建立的线性、非线性负荷辨别评价指标，计算各负荷电流和公共节点电压波形的相关系数，确定各负荷电流与公共节点电压的相似程度。
所述皮尔逊相关系数模型表示为：
Figure 972687DEST_PATH_IMAGE001
式中，
r XY 为负为荷电流与公共节点电压的相关系数；
Figure 100002_DEST_PATH_IMAGE022
为负荷电流、公共节点电压的协方差；
Figure 404062DEST_PATH_IMAGE003
、
Figure 568327DEST_PATH_IMAGE023
为负荷电流、公共节点电压的方差；
Figure 482057DEST_PATH_IMAGE005
、分别为负荷电流、公共节点电压第i个采样样本的取值；
Figure 305711DEST_PATH_IMAGE007
、
Figure 375298DEST_PATH_IMAGE008
分别为负荷电流、公共节点电压的均值；
n为变量的样本值。
皮尔逊相关系数的大小和线性相似程度之间的关系表如表1 所示：
表1 相关系数∣r XY ∣数值大小与相关性的关系
Figure 100002_DEST_PATH_IMAGE024
S3、依据功率增量模型，建立动态负荷及静态负荷辨别评价指标；根据建立的动态负荷及静态负荷辨别评价指标，计算公共节点电压和各负荷电流的增量序列及功率增量平均值。
动态负荷及静态负荷辨别评价指标表示为：
Figure 714007DEST_PATH_IMAGE009
Figure 527242DEST_PATH_IMAGE010
式中，
Figure 198788DEST_PATH_IMAGE025
为某一负荷的功率增量序列平均值；
A n为该负荷支路的功率增量序列；
ΔU n 、ΔI n 分别为电压、电流增量，并且具体表示为
Figure 704856DEST_PATH_IMAGE012
、， 其中U n+1 、U n 为n+1周期、n周期时的公共节点电压有效值，I n+1 、I n 为n+1周期、n周期时的负荷 电流有效值。
功率增量平均值的大小符号与负荷性质的关系如表2所示：
表2 功率增量平均值
Figure 944524DEST_PATH_IMAGE025
的符号与负荷性质的关系
Figure 100002_DEST_PATH_IMAGE026
S4、利用快速傅里叶变换对采集到的电流和电压信号进行分解、重构，提取电压、电流信号的各次谐波频率分量；依据谐波阻抗、背景谐波电压等模型，建立电能质量责任评价指标。
电能质量责任评价指标可以表示为：
Figure 703533DEST_PATH_IMAGE014
式中，
μ pcc,i 为电能质量责任比重；
U pcc,i 为扰动源在公共节点产生的谐波电压；
U pcc 为公共节点电压；
Z pcc,i 为扰动源对公共节点产生的等效谐波阻抗；
I i 为负荷电流；
α i 为扰动源与公共节点电压相角差。
根据上述公式计算的μ pcc,i 值越大，则表明电能质量责任越高。
S5、将线性相关系数、动态负荷及静态负荷辨别评价指标、电能质量责任评价指标特征值进行归一化，归一化的方法为：
Figure 816720DEST_PATH_IMAGE027
式中，
为经过归一化后的数据；
x为各评价指标原始数据；
x max 为各评价指标的上限值；
x min 为各评价指标的下限值。
S6、建立分析支持向量机函数模型，设定期望值，设定参数值，电能质量扰动源的判断方法，可理解为多维定位特征空间的分类，此步骤通过构造SVM模型训练及检验样本，设定惩罚因子C和核函数参数g的搜寻范围，给定n组监测点采集数据构成训练集。
SVM算法参数优化目标（适应度）函数为：
Figure 661179DEST_PATH_IMAGE015
式中，
C为惩罚因子，C min 、C max 分别为惩罚因子的最小值、最大值；
g为核函数参数，g min 、g max 分别为核函数参数的最小值、最大值；
ε为不敏感损失系数，ε min 、ε max 分别为不敏感损失系数的最小值、最大值；
y i 为第i个样本的实际值；
Figure 816217DEST_PATH_IMAGE016
为总样本的模拟值。
S7、通过鸟群算法，输出最佳空间位置即（C、g、ε）值，具体包括以下步骤：
①初始化鸟群算法中各参数，初始化种群规模N、搜索空间维数d，最大迭代次数T、飞行 间隔FQ、觅食概率P以及其余常量。令t=0，随机初始化鸟群个体空间位置
Figure 960891DEST_PATH_IMAGE017
。
②根据步骤S6参数优化目标（适应度）函数计算个体适应度函数值，找到并保留当前鸟个体最好空间位置。判断算法终止条件是否满足，若满足则输出最佳空间位置（C、g、ε）值，否则执行步骤③。
③基于觅食行为规则的随机策略在（0，1）内产生随机数，如果该随机数小于觅食概率，则进行觅食行为，并更新位置；否则保持警戒行为，并更新位置。
④将群体分为2部分，生产者和索取者。如果第i只鸟为生产者，则更新位置；否则作为索取者，更新位置。
⑤根据步骤S6参数优化目标（适应度）函数计算鸟个体适应度函数值，如果当前位置位于前次保留位置，则保留当前鸟个体位置为最佳位置。
⑥判断算法迭代终止条件是否满足，若满足则输出最佳空间位置即（C、g、ε）值并将其作为最佳学习参数对样本进行评价和检验。否则令t=t+1，并重复执行③-⑥。
S8、求解最优函数，根据该最优函数求解最优解y，即可根据皮尔逊相关系数、功率增量平均值、电能质量责任评价指标综合判断是否存在电能质量扰动源；
式中，
x 1，x 2，x 3分别为皮尔逊相关系数、功率增量平均值、电能质量责任评价经归一化后的数据；
α 1、α2、α3为对应判据的权重系数；
α、b为经过SVM智能训练后得到的结果；α为多重判据权重向量；b为偏差量；根据步骤S7输出的最佳空间位置（C、g、ε）值即可得出α、b；
Figure 907560DEST_PATH_IMAGE021
为多重判据向量。
最优解y与所在负荷是否存在扰动源的关系如表3所示：
表3 最优解y的符号与扰动源的关系
Figure 600710DEST_PATH_IMAGE029
因此，通过步骤S2、S3即可判断扰动源类型，即线性或非线性相关、静态负荷或闪变负荷；通过步骤S4即可判断电能质量责任；最后，根据线性相关系数、动态负荷及静态负荷辨别评价指标、电能质量责任评价这3个指标，经SVM、鸟群算法以及最优函数，即可综合判断是否存在电能质量扰动源。
以上实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都是属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，包括以下步骤：
S1、采集初始数据，包括各负荷电流、公共节点电压数据；
S2、依据皮尔逊相关系数，建立线性、非线性负荷辨别评价指标；根据建立的线性、非线性负荷辨别评价指标，计算各负荷电流和公共节点电压波形的相关系数，确定各负荷电流与公共节点电压的相似程度，确定扰动源类别；
依据功率增量模型，建立动态负荷及静态负荷辨别评价指标；根据建立的动态负荷及静态负荷辨别评价指标，计算公共节点电压和各负荷电流的增量序列及功率增量平均值，确定扰动源类别；
利用快速傅里叶变换对采集到的负荷电流和公共节点电压信号进行分解、重构，提取公共节点电压、负荷电流信号的各次谐波频率分量；依据谐波阻抗、背景谐波电压模型，建立电能质量责任评价指标，确定电能质量责任；
S3、建立分析支持向量机函数模型，设定期望值，设定参数值；
S4、初始化鸟群算法参数，将步骤S3中的函数通过鸟群算法，输出最佳空间位置；
S5、根据步骤S2中的皮尔逊相关系数、功率增量平均值、电能质量责任评价指标以及步骤S4输出的最佳空间位置求解最优函数，根据最优函数值确定不同谐波频率下配电网中是否存在电能质量扰动源。
2.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S1中，分别采集不同负荷电流数据、公共节点电压数据，得到不同负荷支路电流波形图及公共节点电压波形图。
3.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S2中，皮尔逊相关系数模型表示为：
Figure DEST_PATH_IMAGE001
式中，
Figure DEST_PATH_IMAGE003A
为负荷电流、公共节点电压的协方差；
Figure DEST_PATH_IMAGE005A
、为负荷电流、公共节点电压的方差；
Figure DEST_PATH_IMAGE009
、
Figure DEST_PATH_IMAGE011
分别为负荷电流、公共节点电压第i个采样样本的取值；
Figure DEST_PATH_IMAGE013
、
Figure DEST_PATH_IMAGE015
分别为负荷电流、公共节点电压的均值；
n为变量的样本值；
皮尔逊相关系数的绝对值大小和线性相关程度之间的关系为：
0.95＜∣r XY ∣≤1，线性相关为极强相关；
0.8＜∣r XY ∣≤0.95，线性相关为强相关；
0.6＜∣r XY ∣≤0.8，线性相关为中等程度相关；
0.2＜∣r XY ∣≤0.6，线性相关为弱相关；
0.0＜∣r XY ∣≤0.2，线性相关为极弱相关或无相关。
4.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S2中建立的动态负荷及静态负荷辨别评价指标表示为：
Figure DEST_PATH_IMAGE017
Figure DEST_PATH_IMAGE019
式中，
Figure DEST_PATH_IMAGE020
为某一负荷的功率增量序列平均值；
A n 为该负荷支路的功率增量序列；
ΔU n 、ΔI n 分别为电压、电流增量，并且具体表示为、
Figure DEST_PATH_IMAGE024
，其中U n+1 、U n 分别为n+1周期、n周期时的公共节点电压有效值，I n+1 、I n 分别为n+1周期、n周期时的负荷电流有效值；
功率增量平均值的大小符号与负荷性质的关系为： 为正号时，为静态负荷；
Figure DEST_PATH_IMAGE026
为负 号时，为闪变负荷。
5.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S2中，利用快速傅里叶变换提取公共节点电压、各负荷电流信号的各次谐波频率分量，得到不同谐波频率下的电流、电压具体值；电能质量责任评价指标表示为：
Figure DEST_PATH_IMAGE028
式中，
μ pcc,i 为电能质量责任比重；
U pcc,i 为扰动源在公共节点产生的谐波电压；
U pcc 为公共节点电压；
Z pcc,i 为扰动源对公共节点产生的等效谐波阻抗；
I i 为负荷电流；
α i 为扰动源与公共节点电压相角差。
6.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S3中，设定惩罚因子C和核函数参数g的搜寻范围；给定n组监测点采集数据构成训练集；
参数优化目标适应度函数为：
式中，
C为惩罚因子，C min 、C max 分别为惩罚因子的最小值、最大值；
g为核函数参数，g min 、g max 分别为核函数参数的最小值、最大值；
ε为不敏感损失系数，ε min 、ε max 分别为不敏感损失系数的最小值、最大值；
y i 为第i个样本的实际值；
Figure DEST_PATH_IMAGE032
为总样本的模拟值。
7.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S4具体包括以下步骤：
①初始化鸟群算法中各参数，初始化种群规模N、搜索空间维数d，最大迭代次数T、飞行间隔FQ、觅食概率P以及其余常量；令t=0，随机初始化鸟群个体空间位置
Figure DEST_PATH_IMAGE034
；
②根据步骤S3参数优化目标适应度函数计算个体适应度函数值，找到并保留当前鸟个体最好空间位置；判断算法终止条件是否满足，若满足则输出最佳空间位置，否则执行步骤③；
③基于觅食行为规则的随机策略在（0，1）内产生随机数，如果该随机数小于觅食概率，则进行觅食行为，并更新位置；否则保持警戒行为，并更新位置；
④将群体分为两个部分，即生产者和索取者；如果第i只鸟为生产者，则更新位置；否则作为索取者，更新位置；
⑤根据步骤S3参数优化目标适应度函数计算鸟个体适应度函数值，如果当前位置位于前次保留位置，则保留当前鸟个体位置为最佳位置；
⑥判断算法迭代终止条件是否满足，若满足则输出最佳空间位置即（C、g、ε）值，并将其作为最佳学习参数对样本进行评价和检验；否则令t=t+1，并重复执行步骤③-⑥。
8.根据权利要求1所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S5还包括将步骤S2中皮尔逊相关系数、功率增量平均值、电能质量责任评价指标特征值进行归一化处理：
Figure DEST_PATH_IMAGE036
式中，
Figure DEST_PATH_IMAGE038
为经过归一化后的数据；
x为各评价指标原始数据；
x max 为各评价指标的上限值；
x min 为各评价指标的下限值。
9.根据权利要求8所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S5中的最优函数为：
Figure DEST_PATH_IMAGE040
式中，x 1，x 2，x 3分别为皮尔逊相关系数、功率增量平均值、电能质量责任评价指标归一化的数据；α 1、α2、α3为对应判据的权重系数；b为偏差量；α为多重判据权重向量，α、b为经过SVM智能训练后得到的结果，根据步骤S4输出的最佳空间位置（C、g、ε）值即可得出α、b；
Figure DEST_PATH_IMAGE042
为多重判据向量。
10.根据权利要求9所述的一种基于鸟群算法与SVM的电能质量扰动源判断方法，其特征在于，所述步骤S5中，当最优解y大于零时，则表明其所在负荷存在扰动源；当最优解y小于零时，则表明其所在负荷不存在扰动源。
CN201911170297.5A 2019-11-26 2019-11-26 一种基于鸟群算法与svm的电能质量扰动源判断方法 Active CN110648088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911170297.5A CN110648088B (zh) 2019-11-26 2019-11-26 一种基于鸟群算法与svm的电能质量扰动源判断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911170297.5A CN110648088B (zh) 2019-11-26 2019-11-26 一种基于鸟群算法与svm的电能质量扰动源判断方法

Publications (2)

Publication Number Publication Date
CN110648088A true CN110648088A (zh) 2020-01-03
CN110648088B CN110648088B (zh) 2020-04-14

Family

ID=68995985

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911170297.5A Active CN110648088B (zh) 2019-11-26 2019-11-26 一种基于鸟群算法与svm的电能质量扰动源判断方法

Country Status (1)

Country Link
CN (1) CN110648088B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111539654A (zh) * 2020-05-26 2020-08-14 国网湖南省电力有限公司 一种基于大数据的冲击型电力大客户识别方法
CN111625773A (zh) * 2020-05-25 2020-09-04 国网江西省电力有限公司电力科学研究院 基于可信性测度的计量回路电流测量异常评估方法及装置
CN112259219A (zh) * 2020-09-30 2021-01-22 吾征智能技术(北京)有限公司 一种基于上消化道出血预测疾病的系统、设备、存储介质
CN113049919A (zh) * 2021-03-23 2021-06-29 绍兴大明电力设计院有限公司 一种中压馈线供电负荷特性的多样性识别方法及系统
CN113075497A (zh) * 2021-03-04 2021-07-06 江苏金碧田系统集成有限公司 一种电网复杂闪变源智能定位方法
CN114021632A (zh) * 2021-10-28 2022-02-08 国网安徽省电力有限公司营销服务中心 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质
CN114236281A (zh) * 2021-12-14 2022-03-25 福州大学 工业用户谐波污染分布情况辨识方法
CN114280405A (zh) * 2021-12-24 2022-04-05 国网江苏省电力有限公司盐城供电分公司 一种多种电源组合的电能供应质量检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750543A (zh) * 2012-05-31 2012-10-24 西南交通大学 一种基于bud谱峭度的暂态电能质量扰动分类识别方法
CN103593461A (zh) * 2013-11-25 2014-02-19 东南大学 一种基于典型预警事件波形库的扰动源识别方法
CN105447502A (zh) * 2015-11-05 2016-03-30 国家电网公司 一种基于s变换和改进svm算法的暂态电能扰动识别方法
US20160170429A1 (en) * 2014-12-15 2016-06-16 King Fahd University Of Petroleum And Minerals System and method for non-linear model predictive control of multi-machine power systems
CN108802535A (zh) * 2018-06-27 2018-11-13 全球能源互联网研究院有限公司 筛选方法、主干扰源识别方法及装置、服务器及存储介质
CN109061354A (zh) * 2018-09-10 2018-12-21 华南理工大学 一种基于改进pso和svm的电能质量扰动识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102750543A (zh) * 2012-05-31 2012-10-24 西南交通大学 一种基于bud谱峭度的暂态电能质量扰动分类识别方法
CN103593461A (zh) * 2013-11-25 2014-02-19 东南大学 一种基于典型预警事件波形库的扰动源识别方法
US20160170429A1 (en) * 2014-12-15 2016-06-16 King Fahd University Of Petroleum And Minerals System and method for non-linear model predictive control of multi-machine power systems
CN105447502A (zh) * 2015-11-05 2016-03-30 国家电网公司 一种基于s变换和改进svm算法的暂态电能扰动识别方法
CN108802535A (zh) * 2018-06-27 2018-11-13 全球能源互联网研究院有限公司 筛选方法、主干扰源识别方法及装置、服务器及存储介质
CN109061354A (zh) * 2018-09-10 2018-12-21 华南理工大学 一种基于改进pso和svm的电能质量扰动识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄飞腾 等: "计及监测可信度的扰动源定位粒子群算法", 《电工技术学报》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111625773A (zh) * 2020-05-25 2020-09-04 国网江西省电力有限公司电力科学研究院 基于可信性测度的计量回路电流测量异常评估方法及装置
CN111625773B (zh) * 2020-05-25 2023-06-16 国网江西省电力有限公司电力科学研究院 基于可信性测度的计量回路电流测量异常评估方法及装置
CN111539654A (zh) * 2020-05-26 2020-08-14 国网湖南省电力有限公司 一种基于大数据的冲击型电力大客户识别方法
CN111539654B (zh) * 2020-05-26 2023-04-25 国网湖南省电力有限公司 一种基于大数据的冲击型电力大客户识别方法
CN112259219A (zh) * 2020-09-30 2021-01-22 吾征智能技术(北京)有限公司 一种基于上消化道出血预测疾病的系统、设备、存储介质
CN112259219B (zh) * 2020-09-30 2024-02-02 吾征智能技术(北京)有限公司 一种基于上消化道出血预测疾病的系统、设备、存储介质
CN113075497A (zh) * 2021-03-04 2021-07-06 江苏金碧田系统集成有限公司 一种电网复杂闪变源智能定位方法
CN113049919A (zh) * 2021-03-23 2021-06-29 绍兴大明电力设计院有限公司 一种中压馈线供电负荷特性的多样性识别方法及系统
CN114021632A (zh) * 2021-10-28 2022-02-08 国网安徽省电力有限公司营销服务中心 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质
CN114021632B (zh) * 2021-10-28 2023-09-12 国网安徽省电力有限公司营销服务中心 一种基于马尔科夫链的实验室用电测量设备测试策略评价方法、电子设备及存储介质
CN114236281A (zh) * 2021-12-14 2022-03-25 福州大学 工业用户谐波污染分布情况辨识方法
CN114280405A (zh) * 2021-12-24 2022-04-05 国网江苏省电力有限公司盐城供电分公司 一种多种电源组合的电能供应质量检测方法

Also Published As

Publication number Publication date
CN110648088B (zh) 2020-04-14

Similar Documents

Publication Publication Date Title
CN110648088B (zh) 一种基于鸟群算法与svm的电能质量扰动源判断方法
Zhang et al. A real-time classification method of power quality disturbances
Chilukuri et al. Multiresolution S-transform-based fuzzy recognition system for power quality events
Yılmaz et al. A real-time UWT-based intelligent fault detection method for PV-based microgrids
Yao et al. Fast S-transform for time-varying voltage flicker analysis
Eghtedarpour et al. Intelligent identification of flicker source in distribution systems
CN109374997B (zh) 基于vmd初始化s变换的混合动力系统电能质量扰动检测与评估方法
Iksan et al. Appliances identification method of non-intrusive load monitoring based on load signature of VI trajectory
Ji et al. Disturbance detection, location and classification in phase space
CN109283389B (zh) 一种风电场谐波发射水平评估方法与系统
CN113011481A (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
Jopri et al. An accurate classification method of harmonic signals in power distribution system by utilising S-transform
CN111709350B (zh) 基于fcm聚类的低频振荡模态参数识别方法及系统
Sanabria-Villamizar et al. Characterization of household-consumption load profiles in the time and frequency domain
Liu et al. Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements
DEKHANDJI et al. Power quality detection, classification and monitoring using LABVIEW
ten Have et al. Waveform model to characterize time-domain pulses resulting in EMI on static energy meters
Jaramillo et al. Non-intrusive load monitoring algorithm for PV identification in the residential sector
Saikia et al. Detection and classification of power quality disturbances using wavelet transform, fuzzy logic and neural network
Li et al. Stacking ensemble learning-based load identification considering feature fusion by cyber-physical approach
Yau et al. Signal clustering of power disturbance by using chaos synchronization
CN113193654A (zh) 一种基于暂稳态组合特征的由事件驱动的非侵入式电力负荷监测方法
Bentley et al. Power quality disturbance source identification using self-organising maps
Samet et al. A two-level neural network approach for flicker source location
Thomas et al. Machine learning based detection and classification of power system events

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant