摘 要

随着科学技术的发展，各种精密复杂的、对电能质量敏感的现代用电设备的不断普及，人们对电能质量的要求及标准越来越高，同时由于各种拥有非线性、冲击性及不平衡用电特性的电力电子装置的使用，使电网的干扰性负荷日益增多，导致电能质量的下降，从而影响企业的正常工作，造成巨大经济损失。本文旨在研究讨论利用支持向量机对电能质量扰动信号进行检测分类。

本文所做的主要工作如下：

1．熟悉支持向量机的理论基础，了解并深入研究核心向量机的核心思想，以及应用范围。SVM将向量映射到一个更高维的空间里，在这个空间里建立一个最大间隔超平面。在分开数据的超平面的两边建两个互相平行的超平面。建立方向合适的分隔超平面使两个与之平行的超平面间的距离最大化。通过这种方法将数据按照指定的性质进行分类，以达到最终的分隔效果。

2.由于在电力系统装置上无法直接获取每种电能质量扰动信号波形数据，对于电能质量扰动信号波形数据需要利用仿真数据，本文利用了PSCAD\EMTDC和Matlab软件对电能质量扰动信号数据进行仿真。对仿真的数据利用支持向量机算法进行预处理以提取电能质量扰动信号数据中的重要信息。

3.将提取的电能质量扰动信号数据，使用支持向量机将数据合理分开，从而有效的提取稳定有用的电能信号，而排除不稳定的电能信号。

关键词：支持向量机；核心向量机；电能质量扰动；最优分类超平面；

Abstract

With the development of science and technology,and the growing popularity of a variety of modern electrical equipment that sophisticated and sensitive to power quality,people’s power quality requirements and standards are getting higher and higher. While with the use of a variety of nonlinear, shock, and unbalanced electrical characteristics of power electronic devices, it has been increasing the number of interference load of the grid and leading to the decline in the quality of electricity. Also it has been affecting the normal work of the enterprise,and resulting in huge economic losses. This article aims to discuss the inspection and classification of power quality disturbance by using the support vector machine.

The work of this paper is as follows:

1. Familiar with the theoretical basis of support vector machine, understand and in-depth study the core ideas as well as the range of applications of the core vector machines . Vector is mapped to a higher-dimensional space by the SVM, one of the largest interval hyperplane is to be created in this space. On both sides of the hyperplane that separated the data ,two parallel hyperplanes have been created. The right direction separated by the hyperplane to maximize the distance between two parallel hyperplanes. In this way, classificated by specific nature of the data , in order to achieve the ultimate separation.

2.Introduce the definition and classification of power quality disturbances, and all kinds of methods to analyze quality disturbances. Then Introduce and analyze the mathematical models of every kind of quality disturbances. Matlab2009R and power system simulation software PSCAD are used to simulate all sorts of waveform disturbance.

3. Separate the data which extracted power quality disturbance data by using support vector machine, in order to effectively extract stable and useful power signal and exclude of unstable electricity signal.

Key words: Support Vector Machine；Coret Vector Machine ；Power quality disturbances； Optimal separating hyperplane

目 录

摘 要 1

第一章 绪论 5

1.1引言 5

1.2 支持向量机的基本概念 5

1.3电能质量的基本概念 6

1.3.1电能质量问题的产生与危害 6

1.3.2电能质量扰动特点 7

1.3.3电能质量问题的研究意义 7

1.4电能质量扰动分类 8

1.5国内外研究现状 9

1.6本文内容安排 10

第二章 支持向量机 11

2.1最优分类超平面 11

2.2 构造最优超平面 12

2.2.1构造线性可分最优超平面 12

2.2.2构造线性不可分最优超平面 14

2.3 支持向量机的实现 14

2.3.1.高维空间中的推广能力 15

2.3.2 核函数 15

2.3.3 构造支持向量机 17

2.3.4 支持向量分类机 18

2.3.5 支持向量回归机 21

第三章 核心向量机 23

3.1 引言 23

3.2 核心向量机算法分析 24

3.3 最大向量夹角间隔分类器 25

3.3.1 数学形式 25

3.3.2 核化形式 27

3.3.3 决策函数 27

3.3.4 CVM的优势与计算复杂度分析 28

3.4 MEB和CC-MEB最小球问题 28

3.4.1 MEB最小球 28

3.4.2 中心约束CC-MEB最小球 29

第四章 电能质量扰动信号仿真与数据预处理 31

4.1 动态电能质量扰动信号及模型仿真 31

4.2 PSCAD/EMTDC系统仿真 33

4.3动态电能质量扰动信号数据的预处理方法 37

第五章 SVM及相关算法在电能质量扰动信号检测中的应用 39

5.1评价函数 39

5.1.1 常用的评价函数 39

5.1.2 Bhattacharyya距离，Chernoff距离 40

5.1.3 多类评价函数 41

5.2 浮动顺序搜索算法 42

5.3 支持向量机在电能扰动信号中的检测分类 42

5.3.1 特征选择性能评价分类算法 42

5.3.2 实验一 43

5.3.3 实验二 45

第六章 结束语 50

致谢 51

参考文献： 52

附录 A 53

第一章 绪论

1.1引言

随着国民经济的不断提高以及科学技术的不断进步，各种复杂的、精密的、对电能质量敏感的现代用电设备不断普及，如现代企业中常使用到的变频调速驱动器、可编程控制器、计算机信息系统等，对电能质量的要求及标准的要求越来越高。但是由于电网中拥有非线性、冲击性及不平衡用电特性的电力电子装置的非线性负荷的使用以及各种大型用电设备的停启等会造成电能质量下降，电网干扰性负荷日益增多导致电能质量受到多方面的影响^[1]。这些影响导致人们的生活诸多不便，在工业企业中更是会产生很大危害，即使只有几个周期的供电中断或者电压骤降，都会影响一些大型重要设备的正常工作，从而造成巨大的经济损失。国内外很多学者都对电能质量问题进行分析研究^[2] 。

电能质量监测与分析系统的建立，对电能质量扰动进行正确地检测、评估和分类十分必要。因为电力系统的电磁扰动现象非常庞杂对其类型进行准确地识别也十分困难，所以必须深入了解和研究电能质量问题。

1.2 支持向量机的基本概念

支持向量机(Support vector machines，SVM)是建立在统计学习理论的VC 维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以期获得最好的推广能力^[3]。其与神经网络类似，都是学习型的机制，但与神经网络不同的是SVM使用的是数学方法和优化技术。