陳曉華,王志平,吳杰康,陳盛語,許海文,孫中海,楊國榮,江劍民,陳錦濤
(1.東莞理工學(xué)院 電子工程與智能化學(xué)院,廣東 東莞 523808;2.廣東工業(yè)大學(xué) 自動化學(xué)院,廣東 廣州 510006)
隨著電力電子設(shè)備和敏感負(fù)荷的不斷增加,工業(yè)用戶對電能質(zhì)量提出了更高的要求。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(fù)到額定電壓附近的電能質(zhì)量問題[1-2]。電力系統(tǒng)中的電壓暫降源有可能是單一的電壓暫降源,也可能是復(fù)合的電壓暫降源,它們都會給敏感設(shè)備帶來嚴(yán)重的影響,因此,準(zhǔn)確識別出電壓暫降擾動源的類型有助于電壓暫降的防范和治理。
現(xiàn)有的研究對于電壓暫降源識別主要分為2個步驟:特征提取和分類方法的選擇。對電壓暫降源進(jìn)行特征提取的方法主要有傅里葉變換[3]、小波變換[4]、S變換[5-6]、希爾伯特-黃變換[7]、經(jīng)驗?zāi)B(tài)分解[2,8]等。傅里葉變換會出現(xiàn)頻譜泄露和柵欄效應(yīng);小波變換存在選取小波基函數(shù)困難并且分解層數(shù)不容易確定等問題;S變換存在時間窗固定且計算量大的問題;希爾伯特-黃變換會出現(xiàn)模態(tài)混疊現(xiàn)象;經(jīng)驗?zāi)B(tài)分解會出現(xiàn)虛假模態(tài)問題等。常見的分類方法有神經(jīng)網(wǎng)絡(luò)[9-11]、K-近鄰圖[12]、相似度匹配[13]、模糊綜合評價[14]、支持向量機(jī)(support vector machine,SVM)[15]等,其中神經(jīng)網(wǎng)絡(luò)存在需要大量樣本和訓(xùn)練時間比較長等問題,K-近鄰圖存在樣本的近鄰個數(shù)K難以確定等問題。對于小樣本的識別,有學(xué)者利用SVM對電壓暫降源進(jìn)行分類,但不同的懲罰因子和核函數(shù)參數(shù)的取值會影響分類效果[15]。有些學(xué)者僅考慮單一的電壓暫降源識別[14-22],然而實際的電力系統(tǒng)中可能存在復(fù)合的電壓暫降源。文獻(xiàn)[11]僅考慮復(fù)合的電壓暫降源,對單相接地短路、感應(yīng)電動機(jī)啟動和變壓器投切等大概率發(fā)生的單一電壓暫降源并沒有進(jìn)行研究分析,方法缺少普遍適用性。有些研究沒有考慮高斯白噪聲對電壓暫降源信號的影響[2-3,7,10-14,17-19,21-22],所提出的方法對信號含有不同高斯白噪聲情況下的分類準(zhǔn)確率有待研究。
針對以往研究方法存在的不足,本文考慮單一和復(fù)合的電壓暫降源信號,利用變分模態(tài)分解(variational mode decomposition,VMD)方法分解電壓暫降源信號的三相電壓,分別得到6階固有模態(tài)函數(shù)分量,然后分別計算6階固有模態(tài)函數(shù)分量的奇異值熵和近似熵,將它們組合起來作為1組特征向量。針對SVM的懲罰因子、核函數(shù)參數(shù)選擇困難和天鷹優(yōu)化(aquila optimizer,AO)算法在尋優(yōu)時容易陷入局部最優(yōu)解的問題,利用改進(jìn)的天鷹優(yōu)化(improved aquila optimizer,IAO)算法對SVM的懲罰因子和核函數(shù)參數(shù)進(jìn)行尋優(yōu),構(gòu)建IAO-SVM分類器,再將提取到的特征向量進(jìn)行歸一化處理之后輸入到構(gòu)造好的IAO-SVM分類器中對樣本進(jìn)行訓(xùn)練與識別,并與K近鄰(K-nearest neighbor,KNN)、極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)、SVM和AO-SVM這4種分類器進(jìn)行對比。仿真結(jié)果表明:對信號分別加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪聲,IAO-SVM分類器的識別準(zhǔn)確率在5種分類器中最高,有助于解決電壓暫降源的分類問題。
VMD是由Dragomiretskiy等人在2014年提出的一種信號處理方法[23]。與經(jīng)驗?zāi)B(tài)分解相比,它在處理端點(diǎn)效應(yīng)以及模態(tài)混疊問題方面更具優(yōu)勢,具體分解方法參考文獻(xiàn)[23-24]。
a)在奇異值的理論中,任何一個l×y階的矩陣C可以分解為:
C=OVGT,
(1)
(2)
式中:O為l×l階的正交矩陣;V為l×y階的矩陣;G為y×y階的正交矩陣;Λ=diag(δ1,δ2,…,δn)為對角矩陣,且n=min(l,y),對角元素δ1,δ2,…,δn均為矩陣C的奇異值,滿足δ1≥δ2≥…≥δn≥0;令Q=OVGT,可以求得矩陣V,進(jìn)而得到矩陣Q的奇異值δ1,δ2,…,δn。
(3)
(4)
c)根據(jù)信息熵的定義可得出奇異值熵
(5)
通過VMD對電壓暫降信號的一相電壓進(jìn)行分解得到n個IMF分量,假設(shè)每個IMF分量均為N維的時間序列{s(1),s(2),…,s(N)},每個IMF分量近似熵[26]的計算方法如下:
a)將時間序列{s(1),s(2),…,s(N)}按照序號次序組成N-m+1組m維向量,第e組m維向量
S(e)=[s(e)s(e+1) …s(e+m-1)].
(6)
式中:e=1,2,…,N-m+1;m為選定的模式維數(shù)。
b)定義S(e)和S(w)兩者的距離ζ[S(e),S(w)]表示兩者對應(yīng)的元素中差值最大的一個,即有
(7)
式中:w=1,2,…,N-m+1,且e≠w。
c)對于每一個e值,統(tǒng)計ζ[S(e),S(w)] (8) 式中r為選定的相似容限。 d)計算N-m+1個Ce,m(r)的對數(shù)平均值 (9) e)將m加1,重復(fù)步驟a)、b)、c)、d)計算Cm+1(r)的值。 f)第p個IMF分量近似熵 Ap=Cm(r)-Cm+1(r). (10) 式中:p=1,2,…,n。本文取m=2,r取原始時間序列標(biāo)準(zhǔn)差的0.2倍。將計算得到的n個IMF分量的近似熵A=[A1A2…An]作為特征向量。 對電壓暫降擾動源信號的A相、B相和C相電壓分別通過VMD獲得6階IMF分量,計算得到它們的奇異值熵HA、HB和HC,以及近似熵AA=[AA1AA2…AA6]、AB=[AB1AB2…AB6]和AC=[AC1AC2…AC6],將各相電壓的奇異值熵和近似熵組合起來作為1組特征向量Θ=[HAAAHBABHCAC],在將特征向量Θ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(biāo)數(shù)據(jù)進(jìn)行歸一化處理,將其規(guī)整到[0,1]范圍之內(nèi): (11) 式中:ρnorm為歸一化后的數(shù)據(jù);ρ為原始數(shù)據(jù);ρmin為原始數(shù)據(jù)的最小值,ρmax為原始數(shù)據(jù)的最大值。 SVM[24]可以用來實現(xiàn)對小樣本數(shù)據(jù)的模式識別,SVM的相關(guān)理論可參考文獻(xiàn)[24]。 AO算法[27-28]是Abualigah等人在2021年提出的智能優(yōu)化算法,其靈感來源于模擬自然界中天鷹捕捉獵物的行為,獵物的位置就是算法的最優(yōu)解,通過仿生天鷹捕捉獵物來達(dá)到算法尋優(yōu)的目的,該算法具有尋優(yōu)能力強(qiáng),收斂速度快等優(yōu)點(diǎn)。AO算法的主要步驟如下。 a)按照式(12)初始化種群個體: (12) 對種群個體進(jìn)行初始化之后可得天鷹種群的初始位置為: (13) b) 在AO算法優(yōu)化的過程中,如果t≤2T/3(其中,t和T分別為算法當(dāng)前迭代次數(shù)和最大迭代次數(shù)),那么執(zhí)行探索步驟;否則,將執(zhí)行開發(fā)步驟。AO算法的實現(xiàn)主要通過以下4個方法。 方法1,擴(kuò)展探索。在方法1中,高空瀚翔的天鷹確定獵物所在的位置。該行為的計算表達(dá)式為: (Xmean(t)-Xbest(t)·η1), (14) (15) 方法2,縮小探索。在方法2中,當(dāng)在高空瀚翔的天鷹發(fā)現(xiàn)獵物區(qū)域時,它會在目標(biāo)獵物上方盤旋,準(zhǔn)備著陸然后攻擊獵物。該行為的計算表達(dá)式為: X2(t+1)=Xbest(t)·fLevy(d)+Xrand(t)+ (?-χ)·η2. (16) (17) (18) ?=?·cos(θ), (19) χ=?·sin(θ), (20) (21) θ=-ω·γ1+Δ. (22) 式(19)—(22)中:?1為每一個元素都在[1,20]范圍的1行d列的矩陣,本文取d=2,?1=[10 10];ψ和ω均為常數(shù);本文取γ1=[1 2];Δ為1行d列的矩陣,本文取Δ=[1.5π 1.5π]。 方法3,擴(kuò)大開發(fā)。在方法3中,天鷹鎖定獵物的區(qū)域之后會試探獵物的反應(yīng)。該行為的計算表達(dá)式為 X3(t+1)=(Xbest(t)-Xmean(t))·α- (23) 方法4,縮小開發(fā)。在方法4中,當(dāng)天鷹接近獵物時,天鷹會根據(jù)獵物的移動攻擊獵物。該行為的計算表達(dá)式為: (24) (25) G1=2·η4-1, (26) (27) 為了避免AO算法容易陷入局部最優(yōu)的情況,本文對其進(jìn)行改進(jìn),方法如下。 使用Tent混沌映射可以使得種群具有多樣性和提高算法全局搜索能力,計算表達(dá)式為: (28) 式中η5為[0,1]范圍內(nèi)的隨機(jī)數(shù)。 使用混沌映射產(chǎn)生的混沌數(shù)值替換隨機(jī)參數(shù)可以使得算法在搜索空間中生成分布均勻和多樣性的初始解[29],初始化種群個體的計算表達(dá)式可改寫為 (29) 從圖1可以看出,與隨機(jī)序列相比較,利用Tent混沌序列生成的初始種群在搜索空間中分布更加均勻,使得算法易于跳出局部最優(yōu)解,驗證了利用式(29)初始化天鷹種群的合理性和優(yōu)越性。 圖1 不同方法初始化種群的分布圖Fig.1 Initialized population distribution diagram of different methods 利用IAO算法對SVM的參數(shù)進(jìn)行優(yōu)化的步驟如下: a)設(shè)置天鷹種群U=30、最大迭代次數(shù)T=3、ψ=0.005 65、ω=0.005、α=0.1;ζ=0.1等參數(shù),并利用式(28)、(29)初始化種群。 b)由于優(yōu)化SVM的主要目的是獲得最高的分類正確率,因此第i只天鷹的適應(yīng)度函數(shù)值 φi=1-εa. (30) 式中εa為SVM的分類準(zhǔn)確率。 以式(30)計算得到的分類誤差率最小作為適應(yīng)度函數(shù),所以對于最小化問題,以適應(yīng)度函數(shù)值較小的解作為當(dāng)前最優(yōu)解。更新?、χ、G1、G2(t)、QF(t)等數(shù)值。 c)如果t≤2T/3,執(zhí)行探索步驟;算法中生成一個隨機(jī)數(shù)κ,如果κ≤0.5,則進(jìn)行擴(kuò)展探索,按照式(14)和式(15)更新當(dāng)前解,并且計算適應(yīng)度函數(shù)值,保留當(dāng)前最優(yōu)解;如果κ>0.5,則縮小探索,按照式(16)—(22)更新當(dāng)前解,并且計算適應(yīng)度函數(shù)值,保留當(dāng)前最優(yōu)解。 d)如果t>2T/3,執(zhí)行開發(fā)步驟;算法中生成一個隨機(jī)數(shù)λ,如果λ≤0.5,則進(jìn)行擴(kuò)大開發(fā),按照式(23)更新當(dāng)前解,并且計算適應(yīng)度函數(shù)值,保留當(dāng)前最優(yōu)解;如果λ>0.5,則縮小開發(fā),按照式(24)—(27)更新當(dāng)前解,并且計算適應(yīng)度函數(shù)值,保留當(dāng)前最優(yōu)解。 e)判斷算法是否達(dá)到最大的迭代次數(shù)。如果已達(dá)到,那么輸出懲罰因子和核函數(shù)參數(shù)的最優(yōu)解;否則迭代次數(shù)加1,并跳至步驟b)繼續(xù)尋優(yōu)。 利用IAO算法優(yōu)化SVM參數(shù)得到IAO-SVM分類器的流程如圖2所示。 圖2 獲得IAO-SVM分類器的流程Fig.2 Flowchart of obtaining IAO-SVM classifier 本文研究的單一電壓暫降源和復(fù)合電壓暫降源參考文獻(xiàn)[2]的方法,基于MATLAB/Simulink搭建如圖3所示的改進(jìn)IEEE 33節(jié)點(diǎn)配電網(wǎng)系統(tǒng)模型,研究單相接地短路(M1)、兩相短路(M2)、三相短路(M3)、感應(yīng)電動機(jī)的啟動(M4)和變壓器帶負(fù)載的投入(M5)、感應(yīng)電動機(jī)的啟動和變壓器帶負(fù)載的投入同時發(fā)生(M6)、單相接地短路和變壓器帶負(fù)載的投入同時發(fā)生(M7)、單相接地短路和感應(yīng)電動機(jī)啟動同時發(fā)生(M8)這8種電壓暫降擾動源。 圖3 改進(jìn)IEEE 33節(jié)點(diǎn)配電網(wǎng)系統(tǒng)仿真模型Fig.3 Simulation model of improved IEEE 33-buses distribution system 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(fù)合電壓暫降源,統(tǒng)一在圖3中的A3側(cè)測量電壓值;變壓器的投切在圖3中的A1側(cè)測量電壓值;感應(yīng)電動機(jī)的啟動在圖3中的A2側(cè)測量電壓值;對于同時發(fā)生感應(yīng)電動機(jī)的啟動和變壓器的投入運(yùn)行,在圖3中的A2側(cè)測量電壓值。 不同的電壓暫降源的樣本數(shù)據(jù)可以由以下的方式獲得: 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(diǎn)的位置和線路負(fù)荷的大??; b)對于變壓器帶負(fù)載的投入運(yùn)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,變壓器帶負(fù)載投入的時間,發(fā)生變壓器帶負(fù)載投入的節(jié)點(diǎn)位置以及線路負(fù)荷的大??; c)對于感應(yīng)電動機(jī)的啟動,改變感應(yīng)電動機(jī)的容量、電動機(jī)的類型、發(fā)生感應(yīng)電動機(jī)啟動節(jié)點(diǎn)的位置以及電動機(jī)啟動的時間; d)對于同時發(fā)生感應(yīng)電動機(jī)的啟動和變壓器帶負(fù)載的投入運(yùn)行,改變同時發(fā)生變壓器帶負(fù)載的投入和電動機(jī)啟動的時間,改變發(fā)生的節(jié)點(diǎn)位置以及線路負(fù)荷的大??; e)對于含單相接地短路的復(fù)合電壓暫降源,改變同時發(fā)生短路故障、變壓器帶負(fù)載的投入和電動機(jī)啟動的時間,改變發(fā)生的節(jié)點(diǎn)位置以及線路負(fù)荷的大小。 通過以上不同的仿真方式獲得M1—M8這8種電壓暫降源類型各100組樣本數(shù)據(jù),每種電壓暫降源類型的訓(xùn)練樣本與測試樣本的比例為1∶1。 在對信號分別加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪聲情況下,分別對信號進(jìn)行特征提取,將特征向量歸一化處理之后輸入到構(gòu)建好的AO-SVM分類器和IAO-SVM分類器中進(jìn)行分類識別,基于AO算法優(yōu)化SVM的分類結(jié)果和基于IAO算法優(yōu)化SVM的分類結(jié)果見表1,表1中0 dB—60 dB表示加入0~60 dB高斯白噪聲的信號。 表1 AO-SVM分類器和IAO-SVM分類器的分類結(jié)果Tab.1 Classification results of AO-SVM classifier and IAO-SVM classifier 由表1可以看出,在對8種電壓暫降源信號加入不同的高斯白噪聲情況下,IAO-SVM分類器的總體分類效果都優(yōu)于AO-SVM分類器。 為驗證所提IAO-SVM分類器識別準(zhǔn)確率的優(yōu)越性,在保證每種類型電壓暫降源的訓(xùn)練樣本量均為50組和測試樣本量均為50組的前提下,設(shè)置對照實驗,將它與KNN、ELM、SVM和AO-SVM這4種分類器進(jìn)行對比,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。 從表2中的數(shù)據(jù)對比可以看出,在對信號分別加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪聲下,IAO-SVM分類器對8種電壓暫降源的識別準(zhǔn)確率都要比其他4種分類器高。 表2 5種不同分類器的識別正確率Tab.2 Recognition accuracy of five different classifiers 雖然KNN、ELM和SVM這3種分類器的耗時比AO-SVM分類器和IAO-SVM分類器都要少,但是在加入不同高斯白噪聲的情況下,識別準(zhǔn)確率均有較大幅度下降,并且均比IAO-SVM分類器低。 綜上所述,在對信號分別加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪聲下,IAO-SVM分類器的分類準(zhǔn)確率和快速性都優(yōu)于AO-SVM分類器,此外,IAO-SVM分類器的用時雖然比KNN、ELM和SVM分類器多,但在加入不同高斯白噪聲的情況下,其分類精度比這3種分類器高得多,因此,IAO-SVM分類器對8種電壓暫降源信號具有高效的識別能力和抗噪聲能力。 本文提出一種基于VMD和IAO-SVM算法的電壓暫降源辨識方法,為了更加科學(xué)和有效地提取電壓暫降擾動源信號的特征,首先對電壓暫降擾動源信號的A相、B相和C相電壓分別通過VMD獲得6階IMF分量,計算它們的奇異值熵和近似熵,將它們組合起來作為1組特征向量;然后通過IAO算法對SVM的核函數(shù)和懲罰因子參數(shù)進(jìn)行尋優(yōu)得到IAO-SVM分類器;最后將特征向量輸入到分類器中進(jìn)行分類識別。為了驗證所提方法的準(zhǔn)確性和抗噪聲能力,在對M1—M8這8種電壓暫降源信號分別加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪聲情況下,將IAO-SVM分類器與其他4種分類器進(jìn)行對比分析,結(jié)果表明在兼顧識別準(zhǔn)確率和抗噪聲能力的情況下,IAO-SVM分類器是最優(yōu)的選擇。1.4 構(gòu)建特征向量
2 IAO算法優(yōu)化SVM參數(shù)的分類模型
2.1 SVM機(jī)的原理
2.2 AO算法
2.3 IAO算法
2.4 IAO算法優(yōu)化SVM參數(shù)
3 仿真分析
4 結(jié)束語