论文部分内容阅读
IEEE 1159标准中定义的电能质量扰动事件表征的是电力系统电压和电流信号中存在的暂升、暂降、中断、谐波、暂态振荡、暂态冲击、闪变、陷波、噪声等各类电磁现象。随着工业技术的进步,电力用户对电能质量的要求也在不断提高。不合格的电能质量会给用户带来不良的影响,严重时还会造成不可估量的经济损失。为了降低这些负面影响,电力供应公司在消除这些扰动现象前,需要迅速地判断出当前电能质量扰动所属的类别,以便采取相应的措施。因此,准确迅速地识别电能质量扰动事件对于提升电能质量有着十分重要的意义。本课题在两项国家自然科学基金的支持下,对电能质量扰动事件分类过程中涉及的特征提取、特征优化、分类器设计以及多分类器组合技术等方面进行深入研究,旨在提升电能质量扰动分类器的各项分类性能。本文的主要研究内容和所取得的主要成果如下:(1)特征提取:本文对现有的快速S变换特征提取技术作了进一步地改进。通过对不同窗口参数下S矩阵各频率行的筛选,提出了一种针对复杂电能质量扰动信号的快速特征提取方案。该方案在减少计算量的同时,还保证了电能质量扰动特征的完整性。本文还总结了几种关于电能质量扰动特征值的数值构造方法,将以矩阵和向量形式存在的特征参数转化为能被分类算法识别的实数形式。同时,针对特征值在监督学习分类器中训练样本内存占用量大、分类算法训练时间长的不足,提出了一种特征值的概率分布表示方法,为电能质量扰动提供了一种新的分类思路。(2)分类器设计:为了尽可能多地利用与复杂电能质量扰动事件相关的观测证据,本文提出了一种基于贝叶斯网络的多标签分类模型。该分类模型将信号提取的特征值、本地的历史记录数据以及监测点周边的环境状况等因素与各电能质量扰动进行概率上的关联。当这些概率量化模型被确立后,贝叶斯网络分类器就可以用数学的方法,通过各个观测证据的状态计算出复杂电能质量扰动信号各标签的后验概率,进而实现对各标签的分类判断。与此同时,本文通过深入地挖掘标签之间的相关性来对贝叶斯网络模型进行简化,进而降低算法的计算复杂度。(3)特征优化:为了进一步地提升分类精度,本文根据贝叶斯网络分类器的特性提出了四类优化模型,用来寻找最优的特征组合。每类优化模型均能规避相关程度高的特征以满足贝叶斯网络分类器的条件独立假设。本文还提出了几类降低适应度函数计算时间的方法。适应度函数计算时间的减少使得优化算法能够设置更多的种群个体数量以及更高的迭代次数上限,从而提高算法的优化性能。(4)多分类器组合技术:本文首次将多分类器组合技术应用到了复杂电能质量扰动的分类之中,并提出了一种基于贝叶斯网络的“上层决策机”。利用贝叶斯网络的“软证据”输入特性,将多个多标签分类器的输出结果进行整合,通过保留各子分类器的排位输出特性来获得更准确的分类器组合结果。为了降低“上层决策机”的计算复杂度,本文还提出了一种基于前向搜索的分类器选择方法,旨在以更少的分类器数量获得更高的分类精度。