本發(fā)明涉及電能質量識別領域，具體涉及一種基于在線訓練加權svm的電能質量擾動識別方法。

背景技術：

我國電力系統(tǒng)已經(jīng)發(fā)展成為一個多變量、多目標的時變系統(tǒng)。近年來，由于電力系統(tǒng)的電源、電網(wǎng)和負荷正發(fā)生著深刻變化,越來越多的非線性、沖擊性和不平衡負荷在電力系統(tǒng)中投入使用,如煉鋼電弧爐、電氣化鐵路、電力電子裝置等,導致電網(wǎng)發(fā)生諸如電壓波動和閃變、諧波、系統(tǒng)頻率波動等一系列電能質量擾動問題。因而，電能質量問題已經(jīng)引起了廣泛的關注。為了達到控制擾動的發(fā)生、提高電能質量，準確檢測、識別電能質量擾動的類型是近年來電力系統(tǒng)研究的重要課題。

支持向量機(supportvectormachines,svm)是以統(tǒng)計學習理論為基礎發(fā)展起來的一種新的通用學習方法,有效地解決了小樣本、高維數(shù)、非線性等實際問題,并克服了人工神經(jīng)網(wǎng)絡學習結構不確定和存在局部最優(yōu)等缺點,大大地提高了學習方法的泛化能力。但目前文獻對電能質量擾動進行特征提取后訓練支持向量機，對新的擾動進行識別和歸類，而新的擾動數(shù)據(jù)沒有及時加入到機器訓練和學習中，即沒有在線訓練和檢測，影響訓練速度和檢測精度。同時，越近的電能質量擾動信號的特征數(shù)據(jù)對機器的訓練越重要，所以要按出現(xiàn)的先后順序對擾動信號設置由小到大的權重，構造加權支持向量機對電能質量擾動進行檢測與識別會更加符合工程實際情況。本文針對該問題，綜合各家方法所長，首先構造自適應lms算法的廣義形態(tài)濾波器，對含有噪聲的擾動信號進行消噪預處理；其次采用復小波變換和分形理論分別提取信號不同頻段的能量分布和局部分形維數(shù)，結合能量分布和分形維數(shù)等特征量表征不同電能質量擾動信號，按出現(xiàn)的先后順序對擾動信號設置由小到大的權重，構造在線訓練加權支持向量機對電能質量擾動進行檢測與識別，提高識別精度。

電能質量即電力系統(tǒng)中電能的質量。理想的電能應該是完美對稱的正弦波。一些因素會使波形偏離對稱正弦，由此便產(chǎn)生了電能質量問題。從嚴格意思上講，衡量電能質量的主要指標有電壓、頻率和波形。從普遍意義上講電能質量是指優(yōu)質供電，包括電壓質量、電流質量、供電質量和用電質量。其可以定義為：導致用電設備故障或不能正常工作的電壓、電流或頻率的偏差，其內容包括頻率偏差、電壓偏差、電壓波動與閃變、三相不平衡、瞬時或暫態(tài)過電壓、波形畸變(諧波)、電壓暫降、中斷、暫升以及供電連續(xù)性等。

(1)電能質量問題

電能質量問題包括電壓質量問題和電流質量問題。電能質量按波形畸變?yōu)樘卣鞣诸愔饕ㄖC波、次諧波、波形下陷以及噪聲等；按頻譜和暫態(tài)持續(xù)時間為特征分類包括脈沖暫態(tài)和振蕩暫態(tài)兩大類。動態(tài)電能質量問題主要體現(xiàn)為電壓質量問題。

①電壓偏差

電壓偏差是電壓下跌(電壓跌落)和電壓上升(電壓隆起)的總稱。

②頻率偏差

對頻率質量的要求全網(wǎng)相同,不因用戶而異,各國對于該項偏差標準都有相關規(guī)定。

③電壓三相不平衡

電壓三相不平衡表現(xiàn)為電壓的最大偏移與三相電壓的平均值超過規(guī)定的標準。

④諧波和間諧波

含有基波整數(shù)倍頻率的正弦電壓或電流稱為諧波。含有基波非整數(shù)倍頻率的正弦電壓或電流稱為間諧波,小于基波頻率的分數(shù)次諧波也屬于間諧波。

⑤電壓波動和閃變

電壓波動是指在包絡線內的電壓的有規(guī)則變動,或是幅值通常不超出0.9～1.1倍電壓范圍的一系列電壓隨機變化。閃變則是指電壓波動對照明燈的視覺影響。

引起上述電能質量問題的因素有下列三個方面：

①電力系統(tǒng)元件存在的非線性問題

電力系統(tǒng)元件的非線性問題主要包括：發(fā)電機產(chǎn)生的諧波；變壓器產(chǎn)生的諧波；直流輸電產(chǎn)生的諧波；輸電線路(特別是超高壓輸電線路)對諧波的放大作用。此外，還有變電站并聯(lián)電容器補償裝置等因素對諧波的影響。

②非線性負荷

在工業(yè)和生活用電負載中，非線性負載占很大比例，這是電力系統(tǒng)諧波問題的主要來源。整流器、調壓及變頻裝置、電弧爐、電氣化鐵道等大量非線性、波動性、沖擊性和不平衡性負荷的廣泛使用，使電網(wǎng)的電壓、電流波形發(fā)生畸變或引起電壓波動和閃變以及三相不平衡等，甚至引起系統(tǒng)頻率波動、電壓中斷、電壓暫變、和電壓瞬變，從而導致電能質量下降并對電網(wǎng)的電能質量造成嚴重干擾和污染。

③電力系統(tǒng)故障與動態(tài)運行

電力系統(tǒng)運行的故障與動態(tài)運行也會造成電能質量問題，如各種短路故障、閃電電擊線路、人為誤操作、電網(wǎng)故障時發(fā)電機及勵磁系統(tǒng)的工作狀態(tài)的改變、故障保護裝置中的電力電子設備的啟動以及電力系統(tǒng)的動態(tài)運行等都將造成電網(wǎng)的電壓、電流波形發(fā)生畸變或引起電壓波動和閃變等各種電能質量問題。

(2)電能質量管理現(xiàn)狀分析

隨著電網(wǎng)智能化改造的不斷深入以及新技術的應用，我國的電網(wǎng)結構日益完善，電網(wǎng)性能不斷優(yōu)化，已經(jīng)能滿足電網(wǎng)用戶的基本需求。但是，在電能質量管理方面還存在不足，據(jù)統(tǒng)計，由于電能質量管理的問題導致的電能質量不達標的比例超過了60％。電能質量管理存在的主要問題有下列5點。

①未建立起及時的變電站母線電壓自動化調控機制。母線調控不及時是造成電壓越限的主要原因。

②小水電上網(wǎng)管理制度缺失。小水電的不規(guī)范上網(wǎng)會導致變電站35kv和10kv母線電壓越限。

③電網(wǎng)配置不合理。例如近幾年城鎮(zhèn)化發(fā)展較快，原先的郊區(qū)已經(jīng)迅速發(fā)展成為城市新中心，但電網(wǎng)供電設施跟不上，導致線路供電半徑過大，直接影響了供電的可靠性和穩(wěn)定性。

④電網(wǎng)基層管理水平低下。有數(shù)據(jù)表明，縣級或縣級以下電壓越限的時長遠遠大于上級母公司。

⑤電網(wǎng)污染治理缺乏。電網(wǎng)本身存在大量的非線性負荷、沖擊負荷以及不平衡負荷接入系統(tǒng)等，對電能質量形成嚴重威脅，而現(xiàn)階段對這些污染的治理還未得到充分重視。

技術實現(xiàn)要素：

為解決上述問題，本發(fā)明提供了一種基于在線訓練加權svm的電能質量擾動識別方法。

為實現(xiàn)上述目的，本發(fā)明采取的技術方案為：

基于在線訓練加權svm的電能質量擾動識別方法，包括如下步驟：

s1、針對常見電能質量擾動信號的不同特點，建立擾動信號的數(shù)學模型；

s2、基于數(shù)學形態(tài)學構造自適應lms算法的廣義形態(tài)濾波器，對電能質量擾動信號進行去噪處理；

s3、通過小波變換提取電能質量擾動信號不同頻段的能量分布；依據(jù)分形理論提取電能質量擾動信號的分形維數(shù)，能量分布和分形維數(shù)共同構成擾動信號的量化特導征指標；

s4、根據(jù)電能質量擾動發(fā)生的時間賦予擾動數(shù)據(jù)不同的權重，實現(xiàn)在線訓練和檢測，對電能質量擾動進行識別分類。

其中，所述步驟s1的擾動信號的數(shù)學模型包括

①電壓暫降(voltagesag)

其中，0.1＜a＜0.9為暫降幅度，t＜t2-t1＜8t為暫降持續(xù)時間，t1為開始發(fā)生時刻，t2為結束時刻，t為周期；

②電壓暫升(voltageswell)

其中，1.1<a<1.8為暫升幅度，t<t2-t1<8t為暫升持續(xù)時間，t1為開始發(fā)生時刻，t2為結束時刻；

③電壓中斷(interruption)

其中，0<a<0.1為中斷幅度，t<t2-t1<8t為中斷持續(xù)時間，t1為開始發(fā)生時刻，t2為結束時刻；

④振蕩暫態(tài)(oscillatorytransients)

其中，0.1＜a＜0.8為振蕩最大幅度，5<λ<15為波動頻率相對系數(shù)，10<p<100為振蕩衰減系數(shù)，t＜t2-t1＜8t為振蕩持續(xù)時間，t1為開始發(fā)生時刻，t2為結束時刻；

⑤諧波(harmonics)

其中，0.05＜a3＜1，0.05＜a5＜1，0.05＜a7＜1為3次、5次及7次諧波幅值，對于其它次諧波含量一般比較小，不影響分析結果；

⑥電壓波動(voltagefluctuation)

其中，um為工頻載波電壓幅值，aumcosλωt為調頻波正弦電壓波形，ω為工頻載波電壓角頻率,0.1＜a＜0.5，0.1<λ<0.5。

其中，所述自適應lms算法的廣義形態(tài)濾波器為：

定義輸入信號x(n)為一維時間序列，g(n)為結構元素，結構元素g(n)的長度小于信號x(n)的長度。對于兩個結構元素g1(n)和g2(n)，且g1(n)的長度小于g2(n)的長度，則構成廣義形態(tài)開-閉、閉-開運算；

其中，o代表開運算，·代表閉運算。那么廣義形態(tài)濾波器的輸出表達式如下：

y(n)＝αy1(x)+βy2(x)(9)

式中：α和β是加權系數(shù)，且α+β＝1

假設無噪聲信號為q，則最小均方誤差為：

本發(fā)明具有以下有益效果：

(1)本具體實施依據(jù)數(shù)學形態(tài)學構造基于自適應lms算法的廣義形態(tài)濾波器，對電能質量擾動信號進行去噪處理，可以提高電能質量擾動識別的速度和精度。

(2)利用小波的多尺度分析處理奇異信號時表現(xiàn)出特定的時頻優(yōu)勢，對電能質量擾動信號進行處理，提取擾動信號的能量分布。同時，基于分形幾何學理論，將電能質量擾動提取局部方差維數(shù)。將二者結合共同構成電能質量擾動信號的特征矢量，加快支持向量機的擾動識別速度。

(3)根據(jù)電能質量擾動發(fā)生的時間賦予擾動數(shù)據(jù)不同的權重，同時，對新的擾動不僅進行識別，而且將其充實到訓練集繼續(xù)訓練支持向量機，利用增量算法,可以極大的減少在線訓練加權支持向量算法對系統(tǒng)內存的需求，減少訓練時間，增強算法建模的實時性。

附圖說明

圖1為電壓閃變原信號(上)及降噪信號(下)。

圖2為諧波電流原信號(上)及降噪信號(下)。

圖3為電壓暫升原信號(上)及降噪信號(下)。

圖4為電壓暫降原信號(上)及降噪信號(下)。

圖5為電壓中斷原信號(上)及降噪信號(下)。

圖6為暫態(tài)振蕩原信號(上)及降噪信號(下)。

圖7為基于滑窗迭代dft方法檢測的仿真波形。

圖8為整個檢測和分類識別系統(tǒng)軟件流程。

圖9為系統(tǒng)總體框圖。

圖10為無線通訊流程圖。

具體實施方式

為了使本發(fā)明的目的及優(yōu)點更加清楚明白，以下結合實施例對本發(fā)明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

采用基于最小均方誤差算法的自適應技術，通過逐步修正權系數(shù)，追蹤輸入信號，一旦輸入信號的統(tǒng)計特性發(fā)生變化，它能自動調整參數(shù),使該濾波器具有更好的消噪能力，而且更多地保持了邊緣信息和有用信息。

定義輸入信號x(n)為一維時間序列，g(n)為結構元素，結構元素g(n)的長度小于信號x(n)的長度。對于兩個結構元素g1(n)和g2(n)，且g1(n)的長度小于g2(n)的長度，則構成廣義形態(tài)開-閉、閉-開運算。

其中o代表開運算，·代表閉運算。那么廣義形態(tài)濾波器的輸出表達式如下：

y(n)＝αy1(x)+βy2(x)(9)

式中：α和β是加權系數(shù)，且α+β＝1

假設無噪聲信號為q，則最小均方誤差為：

圖1-圖6是電壓暫降、電壓暫升、電壓中斷、振蕩暫態(tài)、諧波及電壓波動的擾動信號經(jīng)自適應lms算法的廣義形態(tài)濾波器的仿真結果。從這些結果來看，基于自適應lms算法的廣義形態(tài)濾波器的去噪效果良好。

采用小波變換和分形理論共同對電能質量擾動信號進行特征提取,可以用較少的特征量來表征不同故障類型，加快支持向量機的擾動識別速度。

基于頻域的諧波及無功電流檢測

對于周期t＝2π/ω的非正弦電流信號i(ωt)，若滿足狄里赫利的三個條件，那么i(ωt)便可以分解成如式(11)所示的傅里葉級數(shù)形式：

其中：

又由歐拉公式e^jnωt＝cos(nωt)+jsin(nωt)和e-^jnωt＝cos(nωt)-jsin(nωt)，結合式(11)，可得到如式(12)所示：

同時將n的取值范圍擴大到整個實數(shù)域，那么sin(nωt)和cos(nωt)分別為n的奇函數(shù)和偶函數(shù)，得到a0如式(13)所示：

結合式(12)和式(13)，得出傅里葉級數(shù)的指數(shù)形式如式(14)所示：

假設則可知，n次諧波的幅值為幅角為又因為和為共軛復數(shù)，當將n從-∞到+∞展開時，可得到n次諧波如式(15)所示：

但具體到電氣化鐵道的工程實踐中，電網(wǎng)中的畸變的電流波形是未知的，故無法將它事先與某個函數(shù)解析式相等后，再進行傅里葉級數(shù)進行計算。因此，常用的手段是對時間連續(xù)的周期電流波形在周期t內插入n個等間隔的采樣點進行間隔采樣，然后將采樣值轉變成一系列數(shù)字信號，利用計算機進行快速的傅里葉分析。那么對于上述的連續(xù)函數(shù)的傅里葉級數(shù)必須轉化為相應的離散序列的近似傅里葉級數(shù)，由此連續(xù)函數(shù)i(t)轉化為離散序列{ik}。并且dt＝δt＝τ＝t/n。再結合可得：

其中n＝1,2,.....n-1；

其中n＝1,2,.....n-1；

可得離散傅里葉變換式如式(16)所示：

其中n＝1,2,.....n-1(16)

為提高檢測的實時性，引入滑窗迭代思想。目的是使得an和bn計算不必從(k＝0)那一點開始算起，而是從最新采樣的數(shù)據(jù)點開始進行計算。這樣加快了數(shù)據(jù)的更新速度，也使得計算量大大減少。改進的an和bn如式(17)和式(18)所示：

式中，ncurrent表示最新的采樣數(shù)據(jù)點；i(kτ)表示采樣點ncurrent之前k個周期的采樣值。

根據(jù)上述，假設基波電流分量i1(tτ)＝a1cos(ωtτ)+b1sin(ωtτ)，a1和b1的求和計算可以簡化為如式(19)和式(20)所示：

式(19)和式(20)表明t時刻對應的基波電流含量為采樣點ncurrent之前k個周期的采樣值之和減去ncurrent的前一個值，再加上ncurrent當前的值。計算后的新采樣值之和代替舊的采樣值之和，完成迭代。這樣提高了數(shù)據(jù)的更新速度，使得跟蹤電流變化的能力增強。

以電氣化鐵道為例：電氣化鐵道中3次、5次和7次的諧波含量較高。將電力機車模型中的畸變電流數(shù)值送入workspace中。基于滑窗迭代的dft的數(shù)學推導的(19)和(20)，考慮能夠分別同時的檢測出3次，5次和7次諧波。規(guī)定基波的采樣頻率為6400hz,可知n次諧波的采樣頻率采樣點數(shù)為

所得到仿真試驗波形如圖7所示，從圖7中得出結論：⒈基于滑窗迭代的dft檢測方法，完整和準確的檢測出了畸變電流中的3次、5次和7次諧波分量；⒉優(yōu)點在于：檢測出的諧波誤差小、實時性好；整體的運算量小。⒊缺點在于：無法檢測出變化的無功電流量。故采用這種檢測方法的結果是無法產(chǎn)生無功補償?shù)闹噶铍娏?，使得逆變器只能補償電網(wǎng)中諧波，卻不可以對電網(wǎng)中變化的無功進行補償。

能量分布特征的提取

對于任意信號x(t)∈l²(r)，其多分辨率為：

其中：j表示分解的層數(shù)；c0(k)為尺度系數(shù)；dj(k)為小波系數(shù)；

采用濾波器形式的雙尺度方程表示如下：

其中：h(k)、g(k)分別為低通濾波器和高通濾波器系數(shù)，且滿足：

g(k)＝(-1)^kh(1-k)(24)

以不同尺度下的能量分布作為樣本的特征矢量。每個分解尺度下的能量采用下式計算：

其中：i是小波分解的尺度；n是細節(jié)信號和逼近信號的系數(shù)總數(shù)；為逼近信號在不同尺度上的能量分布；為細節(jié)信號在不同尺度上的能量分布；

若擾動信號經(jīng)過l層小波分解，可以得到一個(l+1)維的特征向量，即：

feature＝[ed1,ed2,···,edl,ecl](27)

因此，6層小波分解可得7維能量特征向量。

分形維數(shù)的提取

對于點集如果可由n(r)個邊長為r的n維超立方體覆蓋，則點集ω的盒維數(shù)為：

由于盒維數(shù)沒有反映幾何對象的不均勻性，含有一個或多個點的盒子在上式中具有同樣的權重，信息維數(shù)對此有所改進。記點集ω落入邊長r的第k個超立方體的概率為pk(r)，系統(tǒng)狀態(tài)精確至r量級所需要的信息量定義為熵，則：

則點集ω的信息維數(shù)為：

在實時實現(xiàn)中，可以計算方差維數(shù)，信號x(t)是離散的，在時間δt內幅值增量的方差按照σ²按照下面的冪律方程與時間增量聯(lián)系：

var[x(t2)-x(t1)]～|t2-t1^2h|(31)

其中：h是hurst指數(shù)。為了使點等間隔的分布在對數(shù)圖上，通常選擇序列以及方差以b為底的對數(shù)，即：

xk＝logb(δtk)，yk＝logbvar(δxk)(32)

一個多項式線性擬合方法來決定這些點的斜率s，這個斜率計算式如下。

若被分析的電能質量擾動信號以12800sps采樣率采樣4096個點，其中計算局部方差分維數(shù)的窗寬取為256點，每次移位128點。這樣由局部方差分維數(shù)構成的電能質量擾動信號的特征矢量維數(shù)為30。組合小波變換提取的能量分布特征矢量的7維，則對于同一擾動信號可以用37維的特征矢量表征其特性，這是svm訓練和測試的數(shù)據(jù)來源。

傅里葉變換、小波變換及分形維數(shù)共同提取特征量

上述7維小波變換能量和30維局部方差維數(shù)組成的37維特征矢量，特征量太多，增加了計算的復雜性。采用傅里葉變換、小波變換及分形維數(shù)共同提取特征量，可以簡化計算。通過matlab程序對采樣后的擾動波形進行傅里葉變換，提取基波分量、相角偏移、總諧波畸變率、低頻諧波畸變率的特征向量；采用小波對擾動信號進行兩尺度小波變換提取小波系數(shù)能量；采用分形理論提取擾動時刻的盒維數(shù)組成6維擾動信號的特征量。

上式中：|vⁿ[1]|是樣本信號的傅立葉變換；wcⁿ為采樣信號每周波的小波系數(shù)；le為wcⁿ的長度。

歸一化處理

為提高模型的泛化能力、減少程序訓練的時間，將數(shù)據(jù)進行了歸一化處理。本具體實施將所有數(shù)據(jù)映射到[-1，1]區(qū)間，歸一化公式為：

式中，xi'為歸一化后的值，xmax和xmin分別為原始數(shù)據(jù)xi的最大值和最小值。采用matlab中mapminmax函數(shù)對樣本數(shù)據(jù)進行了歸一化處理，避免數(shù)據(jù)范圍大引起過訓練,提高擾動分類的正確率。

加權支持向量機在線訓練算法

由于電力系統(tǒng)是一個時變系統(tǒng)，新的輸入輸出數(shù)據(jù)不斷得到,為了使模型能準確地反映系統(tǒng)的當前狀態(tài)，就要用新的數(shù)據(jù)描述模型，而與當前時刻相關性變小的舊數(shù)據(jù)可以忽略或在建模中所占的比重應降低，因此,建立一個隨時間滾動的建模數(shù)據(jù)區(qū)間,并保持該區(qū)間的長度l不變。隨著系統(tǒng)的運行,數(shù)據(jù)區(qū)間的數(shù)據(jù)區(qū)隨時間變化,近期數(shù)據(jù)的重要性要遠遠高于早期數(shù)據(jù)的重要性。因此，采用加權支持向量機，對每個樣本賦予不同的誤差懲罰系數(shù)，提高擾動識別精度。

(1)加權支持向量機的數(shù)學模型

設給定訓練集(xi,yi),xi∈rn，yi∈{-1,1},i＝1,2,…,1。以訓練集為基礎尋找一決策函數(shù)f(x)＝<w·x>+b,一方面要使2類樣本點之間的間隔盡可能大，它等價于最小化||w||²/2，另一方面使錯分程度盡可能小，那么該問題轉化為求解下列凸二次規(guī)劃問題。

其中：ξ為損失函數(shù)，c為某個事先取定的懲罰參數(shù)，它體現(xiàn)著對樣本錯劃的重視程度。在標準支持向量機(c-svm)中對于不同的樣本懲罰是相同的。但在實際應用中常常發(fā)現(xiàn)某些樣本重要性大,要求小的訓練誤差；而有些樣本的重要性相對低一些,容許一定大小的訓練誤差。即，每個樣本應具有不同的誤差懲罰系數(shù),才能得到更準確的預測效果。根據(jù)實際情況對每個訓練樣本xi賦予一個權值ri,對每類樣本賦予一個權值cy,那么加權支持向量機(w-svm)可以描述為：

其lagrange函數(shù)為：

其中，ai,βi分別為約束yi(<w,g(xi)>+b)≥1-ξi的lagrange乘子。

通過構成lagrange函數(shù)，然后根據(jù)kkt條件，便可以得到上式的對偶問題。

求解上述對偶問題,得到w-svm的回歸估計函數(shù)為：

式中：αi、是拉格朗日乘子；

k(xi,x)是核函數(shù)；

b是函數(shù)模型的偏值項。

(2)增量式在線smv訓練算法

定義誤差函數(shù)：h(xi)＝f(xi)-yi，根據(jù)每個樣本的h(xi)與參數(shù)θi的值，將訓練樣本分成3個子集：錯誤支持向量集合e、邊緣支持向量集合s以及保留樣本集合r，分別定義如下：

e＝{i|θi＝-c∧h(xi)≥+ε)∨(θi＝+c∧h(xi)≤-ε)}(41)

s＝{i|θi∈[-c,0]∧h(xi)＝+ε)∨(θi∈[0,+c]∧h(xi)＝-ε)}(42)

r＝{i|θi＝0∧|h(xi)|≤ε}(43)

其中，參數(shù)c,ε分別為支持向量機優(yōu)化問題中的懲罰因子和允許誤差。

模型的訓練目標是將新樣本{xc,yc}加入上述3個集合之一，同時使所有樣本仍滿足kkt條件。其方法為：當|h(xc)|<ε時，新樣本加入r集，原有訓練樣本集與θi值無須改變；當|h(xc)|≥ε時，新樣本加入s集或e集，加入前須保證新樣本引起的θi和h(xi)值的變化不會影響原有3個集合的組成，否則必須先對原有集合組成進行調整，即樣本移動。樣本移動可分為3種情況：從s集移動到r集或e集；從e集移動到s集；從r集移動到s集。移動的對象和方式取決于移動造成的新樣本θc的變化量(δθc值)。每次迭代選擇使δθc最小的方向進行樣本移動，直至新樣本加入s集或e集。

(3)算法特性分析

算法的時間復雜度主要取決于樣本移動的次數(shù)和樣本移動后參數(shù)的更新。參數(shù)更新的時間復雜度為o(n×ls)×o(kernel)，其中，n為訓練樣本總數(shù)；ls為支持向量數(shù)目；kernel表示svm核函數(shù)。本具體實施算法在最壞情況下的時間復雜度為o(n³)×o(kernel)。

計算核函數(shù)的計算復雜度o(kernel)可以通過緩存核矩陣去除，代價是增加o(n²)的空間復雜度。因此，盡管本具體實施算法在最壞情況下o(n³)的時間復雜度較高，但考慮到樣本移動次數(shù)的可變性，在平均情況下，算法的時間復雜度為o(cn²)。在本具體實施算法中，新樣本加入時每個原樣本的每種移動至多進行一次，因此，樣本的移動總次數(shù)為o(n×3)。

算法的可信度隨著ε的變化而變化，如果當ε相對比較小時，可信度還很高的話，說明數(shù)據(jù)中幾乎沒有噪聲，相反，可信度比較小的話，說明數(shù)據(jù)中可能含有一定的噪聲。從直觀上講，ε和可信度之間的關系能夠反映數(shù)據(jù)中含噪聲的多少。當然，可信度的大小還和支持向量機損失函數(shù)中的ε值有關，ε值越小，可信度應該越大?？傊?，通過對各參變量的調整，能夠在一定程度上辨別出數(shù)據(jù)中噪聲的含量。

仿真實驗

諧波電壓、電壓暫升、電壓暫降、電壓中斷、瞬時振蕩及電壓閃變等6種類型的電能質量信號依次用c1-c6表示，電能質量信號總產(chǎn)生600組樣本，每種電能質量擾動分別為100組，其中40組用于訓練，另外60組用于檢測。為了更好的仿真實際系統(tǒng)電能質量的擾動情況，在電壓擾動中加入信噪比為15db的高斯白噪聲。

選用db4小波作為mallat分解的基小波。所有信號都以相同采樣率(256點/周期)采樣，總共采樣點數(shù)為4096。利用mallat算法對信號進行6尺度分解，并將不同尺度下的能量分布作為擾動的第一部分特征矢量。采用加窗移位法提取擾動信號方差分維數(shù)并將其作為擾動的第二部分特征矢量。擾動信號的長度為16個周期，每次移位半個周期，因此可形成30個方差維數(shù)，加上第一部分7個特征矢量共37維。選擇高斯徑向基作為核函數(shù)，利用基于二分類法的多分類支持向量機算法對特征矢量進行在線訓練和識別，其識別結果如下表1所示。為了比較，實驗條件不變，擇高斯徑向基作為核函數(shù)，利用基于標準支持向量機進行訓練和識別，其識別結果如下表2所示。

表1:m-svm識別結果

表1:c-svm識別結果

從上表可以看出，c-svm對擾動識別平均正確率為96.67％，m-svm對擾動識別平均正確率為97.5％。因此在線m-svm可以很好的識別不同類型的電能擾動，具有較好的識別精度。

電能質量監(jiān)測系統(tǒng)

由電力系統(tǒng)的運行環(huán)境和特點，檢測到電能質量擾動信號不可避免地會包含一些噪聲信號。噪聲信號的存在會降低檢測的準確性，在噪聲信號強的場合，甚至會造成檢測的失效。為此，需要對電能質量擾動信號進行先去噪再分類。系統(tǒng)總體設計思路是將數(shù)據(jù)采集單元采集到的數(shù)據(jù)歸一化后，經(jīng)基于自適應lms算法的廣義形態(tài)濾波器去噪處理。去噪處理的擾動數(shù)據(jù)同時送入小波特征提取模塊和方差分形維數(shù)提取模塊。二者提取的特征矢量送入在線訓練的加權支持向量機模塊實現(xiàn)電能質量擾動分類識別。整個檢測和分類識別系統(tǒng)軟件流程如圖8所示。

總系統(tǒng)采用arm+dsp的主從式并行處理系統(tǒng)，把基于支持向量機的擾動類型識別和人機交互功能集中在arm子系統(tǒng)中，由主機完成對一切外設的控制。利用dsp的快速數(shù)據(jù)處理能力完成對三相電壓信號、三相電流信號的采集、去噪、小波變換及分形提取特征向量。arm和dsp之間的數(shù)據(jù)通信通過一個雙口ram來實現(xiàn)。如圖9所示。

(1)系統(tǒng)硬件設計

①dsp和arm核心電路設計

本具體實施采用arm+dsp的主從式并行處理系統(tǒng)，把基于支持向量機的擾動類型識別、人機交互功能和無線通信功能集中在arm子系統(tǒng)中，由主機完成對一切外設的控制。利用dsp的快速數(shù)據(jù)處理能力完成對電壓信號、電流信號的采集、去噪以及提取特征向量。arm和dsp之間的數(shù)據(jù)通信通過一個雙口ram來實現(xiàn)。dsp芯片選用tms320vc5402芯片,該芯片是ti公司針對低功耗、高性能需要而專門設計的定點dsp芯片；arm芯片選擇samsung公司的arm9系列芯片s3c2420，結合相應的外設構成一個完整的arm應用系統(tǒng)，具有體積小、功耗低、相對處理能力強等特點，能夠裝載和運行操作系統(tǒng)，實現(xiàn)了多任務調度，提高了pqd識別、無線通信的可靠性和快速性。

②數(shù)據(jù)采集單元設計

數(shù)據(jù)采集單元設計方案是:采用小型交流互感器，將100v、5a的一次電壓、電流信號轉換成+5vˉ-5v之間的弱電信號，并通過高精度的運算放大器進行信號調理，經(jīng)過低通濾波后，傳送給a/d轉換電路。為了準確快速地反映出電網(wǎng)的電能質量，要求該部分電路必須保證很高的線性度。本裝置選用了東升公司的超小型、高精密電流和電壓變換器。這種變換器線性度為0.1％補償后相移小于70’，隔離電壓高達2500v，并且體積小、重量輕，可直接焊在印刷線路板上。選用ads8346芯片完成模擬量到數(shù)字量的轉換。ads8346是ti公司專為高速同步數(shù)據(jù)采集設計的一款16位a/d轉換芯片，由3個轉換速率為250ks/s的adc構成，每個adc有2個模擬輸入通道，可同時實現(xiàn)6個通道的模擬量轉換。

③無線收發(fā)模塊設計

zigbee采用ieee802.15.4標準，利用全球共用的公共頻率2.4ghz，應用于監(jiān)視、控制網(wǎng)絡時，其具有非常顯著的低成本、低耗電、網(wǎng)絡節(jié)點多、傳輸距離遠等優(yōu)勢，目前被視為替代有線監(jiān)視和控制網(wǎng)絡領域最有前景的技術之一。目前市場上支持2.4ghz的無線射頻芯片的種類和數(shù)量比較多,主要有ap1110、nrf24l01、cc1100、cc2420、cc2430等芯片。cc2430芯片以強大的集成開發(fā)環(huán)境作為支持，內部線路的交互式調試以遵從ide的iar工業(yè)標準為支持，得到嵌入式機構的高度認可。本課題選擇高集成、低功耗、支持zigbee協(xié)議的芯片

cc2430完成無線收發(fā)電路的設計。

(2)系統(tǒng)軟件設計

①嵌入式操作系統(tǒng)tinyos

國內現(xiàn)有的電能質量檢測系統(tǒng)，其數(shù)據(jù)采集單元同控制中心之間的數(shù)據(jù)通信大都是通過有線方式進行的，底層通信大都采用現(xiàn)場總線(如rs485、can總線等)，遠程通信方式有光纖、電力載波、公網(wǎng)、有線電纜等，給線路鋪設、設備檢修等工作帶來很大不便，建設成本和工程居高不下。無線傳感網(wǎng)絡的出現(xiàn)很好地解決了有線網(wǎng)絡存在的問題，它具有很大的靈活性，只需要在電力檢測區(qū)域合理地放置無線傳感器節(jié)點即可檢測電力運行狀態(tài),省去了布線環(huán)節(jié),節(jié)約大量的成本和精力。

無線傳感網(wǎng)絡節(jié)點具有能量有限、計算能力有限、分布范圍廣、網(wǎng)絡動態(tài)性能強以及網(wǎng)絡中數(shù)據(jù)量大等特點，決定了網(wǎng)絡節(jié)點的操作系統(tǒng)應滿足小代碼量、模塊化、低功耗、并發(fā)操作性和健壯性等要求，這是傳統(tǒng)的操作系統(tǒng)無法滿足的，如μcos-ii、vx-works等。本具體實施選用專為無線嵌入式傳感網(wǎng)絡定制的嵌入式操作系統(tǒng)tinyos，力圖用最少的硬件支持網(wǎng)絡傳感器的并發(fā)密集型操作。tinyos在任務調度上采用了非剝奪的先來先服務fcfs(firstcomefirstserved)調度策略，一個任務一旦獲得cpu使用權就不會被除了中斷之外的其他任務打斷。這樣在建立任務時，就不用為每個任務都分配一個堆?？臻g，所有的任務共用一個堆?？臻g，節(jié)約了操作系統(tǒng)的內存空間，且在任務上下文切換時也節(jié)約了切換時間。

②系統(tǒng)軟件流程

在系統(tǒng)軟件設計中，無線傳感網(wǎng)絡節(jié)點間的通信機制是重點，如何合理設計節(jié)點間的收發(fā)數(shù)據(jù)機制是整個設計方案必須要解決的關鍵問題。軟件功能主要包括數(shù)據(jù)采集和去噪、路由算法的實施以及無線傳輸?，F(xiàn)以無線通信為例說明系統(tǒng)軟件流程，見圖10。傳感器網(wǎng)絡采用廣播通信方式，每一個節(jié)點都被分配一個唯一id，當節(jié)點收到一個數(shù)據(jù)包時，先取出該數(shù)據(jù)包包頭的id與自己的id相比較，若一致，則接收數(shù)據(jù)，否則丟棄。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出，對于本技術領域的普通技術人員來說，在不脫離本發(fā)明原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。