王新环 刘志超 卢彩霞

摘要：针对目前煤矿电力系统中对常见的暂态电能质量扰动识别精度不高的问题，提出基于粒子群优化最小二乘支持向量机（PSO-LSSVM）的扰动分类识别方法。介绍煤矿电力系统中常见的4种暂态扰动，利用广义S变换（GST）提取扰动中相空间时-频域的有用特征，然后利用PSO优化LSSVM分类器的惩罚因子c和参数σ，构建PSO-LSSVM分类器，最后将提取的特征量作为PSO-LSSVM分类器的样本进行训练、测试。MATALA仿真结果表明，该方法能够准确可靠地对煤矿电能质量扰动进行识别与分类，对于煤矿电能质量监测具有较高参考价值。

关键词：煤矿电能质量扰动；LSSVM；粒子群优化；GST

DOI：10.11907/rjdk.173002

中圖分类号：TP319

文献标识码：A文章编号：1672-7800（2018）007-0196-04

Abstract：Aimingatthelowidentificationaccuracyoftransientpowerqualitydisturbancecommonlyseenincoalminepowersystem，weproposedisturbanceclassificationrecognitionmethodbasedonparticleswarmoptimization（leastsquaressupportvectormachine（PSO-LSSVM）.Fourkindsofcommontransientdisturbanceincoalminepowersystemareintroduced.DisturbanceofgeneralizedStransform（GST）isutilizedtoextracttheusefulfeaturesoftime-frequencydomainphasespace，andPSOisusedtooptimizethepenaltyfactorcandtheparametersofLSSVMclassifiersigmasothatthePSO-LSSVMclassifierisbuilt.TheextractedcharacteristicsaretakenasPSO-LSSVMclassifiersamplestobetrainedandtested.MATALAresultsshowthatthemethodcanachievereliableandaccurateidentificationandclassificationofthedisturbanceofpowerqualityincoalmine，tanditisofhighreferencevalueforpowerqualitymonitoringincoalmines.

KeyWords：coalpowerqualitydisturbance；LSSVM；particleswarmoptimization；GST

0引言

随着煤矿电力系统自动化水平的不断提高，各种非线性、大功率用电设备大量增加，使煤矿电力系统遭受的电能质量污染日趋严重[1]，甚至导致重大经济损失和人员伤亡[2]。已发生的大量事故表明，煤矿电网中的电能质量是否合格，对煤矿企业安全生产和节能降耗将产生直接影响，在综合管理中扮演着越来越重要的角色。因此，为了保障煤矿电力系统的安全、稳定运行[3]，对煤矿电力系统电能质量扰动进行准确的识别分类尤为关键。

扰动信号特征提取与分类器选择是煤矿电能质量扰动识别分类研究中的关键问题。当前主要的电能质量扰动信号分析方法包括：短时傅里叶变换、小波变换及S变换等[4]。广义S变换（GST）具有时频聚焦性好、频率分辨率高的特点，且具有良好的抗噪能力，适用于煤矿电能质量非平稳突变扰动信号分析。对于电能质量扰动信号的模式识别方法有人工神经网络、决策树、支持向量机（SVM）、最小二乘支持向量机（LSSVM）等多种方法[5]。基于结构风险最小化的LSSVM算法是一种稳健的频谱估计方法，因其对异常值和脉冲性噪声不敏感，其分类器具有明显优势，但其参数选取具有一定随机性，将大大影响分类器的精度与泛化性。粒子群（PSO）算法具有搜索速度快的特点，并具有全局优化能力。对LSSVM分类器进行优化后，可使其精度更高、分类效果更好，从而满足煤矿复杂环境对电能质量的高要求。

针对目前煤矿电力系统中对于常见的暂态电能质量扰动识别精度不高的问题，提出基于粒子群优化最小二乘支持向量机（PSO-LSSVM）的电能质量扰动分类识别方法。MATALA仿真结果表明，该方法在样本集较小的情况下，仍能较为准确、可靠地对煤矿电能质量扰动进行识别与分类。

1煤矿电力系统中常见暂态扰动

煤矿电力系统中因非线性负载过多、供电设备水平参差不齐，导致运行环境恶劣且事故频发。在煤矿电能质量的众多暂态扰动中，电力谐波、电压波动、电压暂降、电压暂升是煤矿电能质量控制的重点[6]。影响煤矿电力系统电能质量的主要原因如表1所示。

但在煤矿暂态电能质量的扰动分析中，电压波动、暂升、暂降需要在低频处具有较高的时间分辨率，而谐波分析又需要具有较高的频率分辨率。为了将这4种扰动进行快速准确的识别分类，建立其分类识别框架如图1所示。

2煤矿电能质量扰动特征提取

2.1广义S变换原理

广义S变换是指通过引入调节因子对s变换的窗函数进行改进，其在分析不同频率扰动信号时选用不同的窗宽因子，因而具有优良的特征表现能力，可以获得较高的时频分辨率。

GST连续表达式如式（1）所示。

由式（3）可知，GST结果为一两维的复时频矩阵，包含相位信息和模值信息。将复时频矩阵求模，得到GST的模时-频矩阵，该矩阵的行向量描述了特定频率下信号的时域分布情况，其列向量反映了某时刻信号的幅频特性。

2.2GST特征量提取

GST模时频矩阵中隐藏着大量时频信息，若将模时频矩阵中的所有信息输入分类器，数据结构庞杂，则会造成分类器学习缓慢。因此，在特征值输入分类器之前，需要有针对性地进行特征提取。以低频段的电压暂降为例，其主要特征量包括时域中扰动信号的幅值变化与持续时间，而高频段的谐波又需在频域中分辨出对应的频率分量。因而针对煤矿电力系统4种暂态扰动的特征，通过高频幅值曲线与基频幅值曲线提取时域持续时间和幅值，通过最大频率幅值曲线与频谱标准差曲线提取频域频率分量，具体曲线定义参见文献[7]。

以图2所示的电压暂降GST结果为例，基频幅值曲线、高频幅值曲线、最大频率幅值曲线、频谱标准差曲线都有尖峰，可以用其极值分别作为扰动特征；为了分析扰动在高频与基频的整体情况，取高频和基频的平均值，因为平均值可大致看出所求对象的整体水平；频谱标准差可以反映扰动离散程度，也作为特征值。

因此，分别从每种电能质量扰动信号的GST变换中提取相空间中频域和时域的有用特征，作为识别分类基础。GST中提取的特征量如表2所示。

3.1PSO算法

粒子群算法由Kennedy和Eherhart[8]于1995年提出，该思想受鸟群觅食行为的启发，鸟之间通过集体协作使群体达到最优，是一种全局智能优化方法。在PSO中，每一个优化问题的解都对应着搜索空间中的一只鸟，称为“粒子”。在寻优空间中，各个粒子以一定速度v飞行，而v决定了粒子运动的方向和距离，并且能够根据自身及同伴经验不断调整。所有粒子均有一个初始速度和位置，一个由适应度函数决定的适应值。每个粒子都有记忆功能，能够记忆搜寻到的最优位置。每个粒子也知道群体中其它粒子发现的最优位置，称之为同伴经验。根据自身和同伴经验，这些粒子可以确定有最优适应度值的粒子，并在其解空间中继续搜索。

在迭代寻优过程中，粒子通过对比两个极值和适应度值从而更新自己的速度和位置。通过持续迭代更新，直到搜索到全局最优解为止。其中，在N维空间里，粒子群迭代更新的速度vkid与位置xkid如式（4）、式（5）所示。

3.2PSO-LSSVM算法实现

最小二乘支持向量机（LSSVM）是由Suykens[9]建立的一种支持向量机扩展算法，它将传统支持向量机的二次规划求解问题转化成用最小二乘法求解的线性方程组求解。LSSVM具有速度快、泛化能力强等优点，在解决小样本、高维数等非线性问题中具有极好的性能。在LSSVM分类器中，核函数的选择至关重要，它能代替高维特征空间中的内积运算，避免复杂的高维运算。本文选择的是RBF函数，惩罚因子c和参数σ的取值对LSSVM的分类准确率起着决定性作用。c控制模型复杂度，逼近误差σ值太大或太小会对样本数据造成过拟合或欠拟合现象。为提高煤矿电能质量，本文利用PSO优化LSSVM算法，得到最优的c和σ，从而大大提高了分类器性能。具体PSO-LSSVM算法步骤如图3所示。

按照上述步骤，确定c=7.3258，σ=12.5614，建立优化后的LSSVM。

4仿真分析

根据国际电气与电子工程师协会（IEEE）对电压暂降、暂升、波动、谐波的定义，用MATALAB对煤矿中常见的4种扰动建立信号数学模型如表3所示。其中k为暂降、暂升幅度，t1、t2分别为暂降、暂升起止时刻；电压波动模型中α为幅度，β为波动频率系数。

为获取分类的特征数据而达到较高的识别精度，在MATALAB2012软件中用for循环进行100次特征提取，每个扰动信号得到100组特征数据，4个扰动信号共得到400组特征数据作为分类样本。将样本集分为训练集和测试集，训练集样本为360组，测试集样本为40组，对煤矿中常见的4种暂态扰动信号进行试验。其中，PSO-LSSVM的训练、预测准确率分别高达95.8333%和95.5%。仿真结果如图4、图5所示。

同时本文还进行了未经优化的LSSVM识别分类实验作为对比。在同样的噪声环境下，采用同样的分类数据样本，LSSVM的分类准确率分别为93.8889%和92.5%。仿真结果如图6、图7所示。

由图4-图7得知，PSO-LSSVM对于煤矿电力系统中4种常见电能质量扰动的识别分类效果明显优于LSSVM分类器。

5结语

本文提出基于PSO-LSSVM的煤矿电能质量扰动识别分类方法，利用GST对煤矿中常见的4种暂态扰动信号进行特征量提取，利用PSO优化算法寻找最优的惩罚因子c和参数σ，构建PSO-LSSVM分类器，并用特征数据集进行训练、测试分类识别。通过仿真实验与未优化前的LSSVM方法的比较，验证了该方法在样本集较小的情况下，仍能较為准确、可靠地实现对煤矿电能质量扰动的识别与分类。

参考文献：

[1]王升花.煤矿供电系统电能质量综合评价[J].工矿自动化，2017（2）：86-89.

[2]刘伟.矿用电网电能质量分析系统设计[J].中国矿业，2016（12）：143-147.

[3]郭松梅.煤矿电能质量综合治理研究[J].工矿自动化，2016（9）：60-64.

[4]陈华丰，杨志刚.基于S变换和规则基的复合电能质量扰动识别[J].电测与仪表，2015，52（12）：122-128.

[5]储茂祥，王安娜.一种改进的最小二乘孪生支持向量机分类算法[J].电子学报，2014（5）：998-1003.

[6]王书姝.矿用10kV配电网电能质量分析与治理研究[D].太原：太原理工大学，2016.

[7]王新环，武雪峥.基于GST的煤矿电能质量扰动特性分析[J].测控技术，2017，36（9）：11-17.

[8]毕艳兰，任小娜，彭丹，等.粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别[J].分析化学，2013（9）：1366-1372.

[9]万辉，魏延.一种改进的最小二乘支持向量机算法[J].重庆师范大学学报：自然科学版，2010，27（4）：69-72.

（责任编辑：黄健）