CN109524972B - 基于gso和svm算法的低频振荡参数估计方法 - Google Patents

Abstract

本发明公开了一种基于GSO和SVM算法的低频振荡参数估计方法，包括步骤：1)获取基础数据，包括电网电压信号、电流信号；2)采取数学形态法的开闭运算对电网电能信号预处理；3)利用支持向量机(SVM)确定低频振荡的模态数量；4)根据群优化算法(GSO)拟合得出各模态低频振荡的相关参数值；5)采用叠加计算得出当前低频振荡波形函数表达式，再根据表达式进行检验。本发明将SVM算法和GSO算法结合起来，通过基于信息的方法找出实时动态电能信号中的低频振荡分量及其参数特征，以便后续及时采取措施，降低低频振荡带来的潜在危险，为电力***的稳定性提供保障。

Description

基于GSO和SVM算法的低频振荡参数估计方法

技术领域

本发明涉及电力***低频振荡参数估计领域，尤其是指一种基于GSO和SVM算法的低频振荡参数估计方法。

背景技术

随着电力网络的不断发展，大规模电网之间互联越来越普遍。电力网络的互联会带来一系列新的动态问题，进而导致电力***稳定性受到考验。低频振荡是由于发电机并列运行时转子之间的相对摆动和缺乏阻尼引起的。另外线路故障和负载突变也是引起低频振荡的原因。因此识别出低频振荡的参数是维持***稳定的重要举措。

目前对于电力***中的低频振荡参数识别有以下两种形式:1)基于***模型的分析方法：包括小信号稳定性分析和线性处理方法。这类方法是通过求解线性方程特征值实现的。由于电力***常常是非线性***，计算的性能依赖于***模型搭建的准确性，而且高维度的***模型会会大大提高计算的复杂度，所以基于***模型的方法在实际应用中受限严重。2)基于信号的分析方法：醉着***识别技术、信号处理技术和WAMS的发展，基于信号的低频振荡实时分析方式，包括离散傅里叶变化(DFT)、Prony、小波变换等方法逐渐涌现。DFT未能反映出阻尼特性和振荡的瞬时频率；Prony算法对于噪声的敏感性较高，且不能处理非平稳信号。WT算法适用于识别时域和频域中的信号特征。然而，WT具有有限的分辨率，这意味着其有限的识别效果。总体而言，目前的低频振荡参数识别方法较为局限，对于***模型的精确度要求高、容错范围小、对于噪声干扰较敏感。而群优化算法(GSO)和支持向量机(SVM)的分析方法是基于历史故障信号的分析，算法通过自动调节参数来拟合出最优的参数，具有采样窗口小、计算时间短、拟合精度高等优点。

本发明提供一种基于GSO和SVM算法的低频振荡参数估计方法，将GSO和SVM两种机器学习方法结合起来，通过SVM来识别低频振荡的模态数量，然后利用GSO算法自动拟合估计每个模态低频振荡的参数，从而实现对电力***低频振荡故障的有效识别和检测。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于GSO和SVM算法的低频振荡参数估计方法，通过SVM来识别低频振荡的模态数量，然后利用GSO算法自动拟合估计每个模态低频振荡的参数，从而实现对电力***低频振荡故障的有效识别和检测。

为实现上述目的，本发明所提供的技术方案为：基于GSO和SVM算法的低频振荡参数估计方法，包括以下步骤：

1)获取基础数据，包括电网电压信号、电流信号；

2)采取数学形态法的开闭运算对电网电能信号预处理；

3)利用支持向量机(SVM)确定低频振荡的模态数量；

4)根据群优化算法(GSO)拟合得出各模态低频振荡的相关参数值；

5)采用叠加计算得出当前低频振荡波形函数表达式，再根据表达式进行检验。

在步骤1)中，所述电网电压信号和电流信号为低频振荡待估测点的电能信号，采集电能信号为特定时间长度内的瞬时标量值组成的时间序列。

在步骤2)中，对于原始电压信号进行基于数学形态法的中值双层滤波，得到滤波后的低频振荡信号，包括以下步骤：

2.1)数学形态法开运算O_C(f)和闭运算C_O(f)：

式中，f为一维原始电能信号，b为结构元素。

为了同时滤去正负脉冲噪声，采用基于数学形态法的中值双层滤波利用开运算及闭运算，得到过滤后的时间序列f’：

2.2)滤去原始电能时间序列中的直流分量:

式中

是原始电能时间序号的平均值，可以视作直流分量；y则为去除直流分量后的信号。

在步骤3)中，信号中包含的低频振荡通常包含若干个模态，采用支持向量机(SVM)来辨识低频振荡的模态数量，包括以下步骤：

3.1)在前向线性预测误差模型的基础上，定义一个对于下一时刻的电能表达式r(i,j)：

式中N是采样窗口的数量，p是采样矩阵的序号，i和j是分别表示当前时刻和下一时刻，n为信号采集点总数量，x代表所采集的电能信号类型，

为x的转置。

3.2)样本矩阵R可以基于样本函数得到：

p的尺寸应该尽可能大以保证获取更多的信息量，同时p应小于N/2。

3.3)运用标准化比率来计算当前信号包含的低频振荡模态数量。标准化比率v(k)定义为：

式中||R||_F是R的F范数，σ为矩阵的奇异值，p是采样矩阵的序号。v(k)是单调递增函数，当k接近于p时，v(k)接近于1。对应于信号子空间的奇异值远大于对噪声空间的奇异值。即使信号中存在有色噪声，当k等于信号阶数M时，v(k)仍然非常接近1.如果v(k)大于设定阈值，则k被认为是低频振荡模态数量估计值M，即低频振荡模态的数量。

在步骤4)中，粒子群优化算法(GSO)通过不断地试探和追寻在寻觅最优值，从而估计出低频振荡的具体参数，包括以下步骤：

4.1)假设低频振荡可以表示为如下模型：

式中M为模态，A_i为增益，

为起始角度，f为频率，σ为阻尼系数。由此可知，只要确定A_i、

f、σ，即可拟合出低频振荡的波形。

4.2)群优化算法(GSO)通过设生产者、搜寻者和流浪者三种搜索角色对低频振荡参数进行搜寻，从而寻找符合实际情况的最优解。

每种类型的搜索角色都有一个自己的当前位置，这个当前位置属于搜寻的n维空间中的任意位置。在这里由于要估计增益A_i、起始角度

频率f、阻尼系数σ四个标量值，所以是n＝4。每个搜索角色有自己的最大追寻角度和最大追寻距离。

生产者是每次迭代之后占据最优位置的点，再下一次迭代中，每个生产者产生三个新的点，分别以0°和左右对称的两个角度扫描。如果生产者找到了一个资源比当前位置更好的点，那么它将飞到新的位置。否则，它将保持在当前位置并将其转到新的扫描角度。

每次迭代还设置了一定数量的搜寻者，搜寻者会按照生产者的路径继续搜索该区域，它们追随生产者继续细化搜索。

除了生产者和搜寻者，GSO还增设了流浪者的角色，流浪者在n为搜索空间中随机游走，在每一次迭代中产生一个随机的移动角度和移动距离。如果所在点的拟合效果最好，则在下一次迭代转化为生产者。流浪者的存在增加了GSO逃离局部最优的机会；

根据计算得出的低频振荡估计表达式进行检验，如果估计值和原始信号值的均方根误差小于等于0.1，则认为低频振荡参数估计正确，参数估计流程结束；否则参数估计可能因陷入局部最优等问题导致估计错误，所以将从步骤3)开始重新进行预测估计，直至检验正确为止。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明首次提出了利用支持向量机(SVM)算法来获取低频振荡模态数量。

2、本发明首次提出了利用群优化(GSO)算法来估计低频振荡的表达式参数。

3、本发明在小于5秒的采样窗口中就可以估计出多模态的低频振荡的参数，可以快速地为电力补偿设备提供参考参数。

4、本发在真实测量环境和强噪声环境中都可以达到高精度估计，表明其对于噪声的敏感度低。

附图说明

图1为本发明逻辑流程示意图。

图2为本发明在实时仿真***中的应用流程图。

图3为本发明仿真结果图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

如图1至图3所示，本实施例所提供的基于GSO和SVM算法的低频振荡参数估计方法，使用了RTDS实时仿真设备、DSP阵列等辅助设备，其包括以下步骤：

1)在RTDS实时仿真***中获取基础数据，包括电力***的电压、电流信号等，其中这些信号都是直接测量得到一维时间序列，采样周期长度为5s，所述信号标记为f。

2)采取数学形态法的开闭运算对电网电能信号预处理。

2.1)为了同时滤去正负脉冲噪声，采用基于数学形态法的中值双层滤波利用开运算及闭运算，得到过滤后的时间序列f’：

2.1)滤去原始电能时间序列中的直流分量:

式中

是原始电能时间序号的平均值，可以视作直流分量；y则为去除直流分量后的信号。

3)利用支持向量机(SVM)确定低频振荡的模态数量。

3.1)在前向线性预测误差模型的基础上，定义一个对于下一时刻的电能表达式r(i,j)：

式中，N是采样窗口的数量，p是采样矩阵的序号，i和j是分别表示当前时刻和下一时刻，n为信号采集点总数量，x代表所采集的电能信号类型，

为x的转置；

3.2)样本矩阵R可以基于样本函数得到：

p的尺寸应该尽可能大以保证获取更多的信息量，同时p应小于N/2。

3.3)运用标准化比率来计算当前信号包含的低频振荡模态数量。标准化比率v(k)定义为：

式中||R||_F是R的F范数，σ为矩阵的奇异值，p是采样矩阵的序号。v(k)是单调递增函数，当k接近于p时，v(k)接近于1。对应于信号子空间的奇异值远大于对噪声空间的奇异值。即使信号中存在有色噪声，当k等于信号阶数M时，v(k)仍然非常接近1.如果v(k)大于设定阈值，则k被认为是低频振荡模态数量估计值M，即低频振荡模态的数量。在这里得到信号的低频振荡模态数量为2。

4)在DSP阵列中利用粒子群优化算法(GSO)通过不断地试探和追寻在寻觅最优值，从而估计出低频振荡的具体参数。

假设低频振荡可以表示为如下模型：

式中，M为模态，A_i为增益，

为起始角度，f为频率，σ为阻尼系数；由此可知，只要确定A_i、

f、σ，即可拟合出低频振荡的波形。

群优化算法(GSO)通过设生产者、搜寻者和流浪者三种搜索角色对低频振荡参数进行搜寻，从而寻找符合实际情况的最优解；

每种类型的搜索角色都有一个自己的当前位置，这个当前位置属于搜寻的n维空间中的任意位置；在这里由于要估计增益A_i、起始角度

频率f、阻尼系数σ四个标量值，所以是n＝4，每个搜索角色有自己的最大追寻角度和最大追寻距离；

生产者是每次迭代之后占据最优位置的点，再下一次迭代中，每个生产者产生三个新的点，分别以0°和左右对称的两个角度扫描，如果生产者找到了一个资源比当前位置更好的点，那么它将飞到新的位置，否则，它将保持在当前位置并将其转到新的扫描角度；

每次迭代还设置了预设数量的搜寻者，搜寻者会按照生产者的路径继续搜索该区域，它们追随生产者继续细化搜索；

除了生产者和搜寻者，GSO还增设了流浪者的角色，流浪者在n为搜索空间中随机游走，在每一次迭代中产生一个随机的移动角度和移动距离，如果所在点的拟合效果最好，则在下一次迭代转化为生产者，流浪者的存在增加了GSO逃离局部最优的机会。

根据计算得出的低频振荡估计表达式进行检验，如果估计值和原始信号值的均方根误差RMSE小于或等于0.1，则认为低频振荡参数估计正确，参数估计流程结束；否则参数估计可能因陷入局部最优等问题导致估计错误，所以将从步骤3)开始重新进行预测估计，直至检验正确为止。

粒子群优化算法设置了生产者、搜寻者和流浪者三种角色进行搜寻，在1s的处理时间内就能迭代收敛，得到两个模态的低频振荡参数分别为：

模态	A	f	σ
				1	8	0.8	-0.1
2	20	0.5	-0.3

检验得到低频振荡估计表达式的均方根误差RMSE＝0.092，则认为估计成功，检测完成。

综上所述，在采用以上方案后，本发明为电力***低频振荡的参数估计提供了一种手段，能够实时有效地估计出低频振荡的所有参数，在强噪声环境中依然有效，具有实际推广价值，值得推广。

以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.基于GSO和SVM算法的低频振荡参数估计方法，包括以下步骤：

1)获取基础数据，包括电网电压信号、电流信号；

2)采取数学形态法的开闭运算对电网电能信号预处理；

3)利用支持向量机SVM确定低频振荡的模态数量；

信号中包含的低频振荡通常包含若干个模态，采用支持向量机SVM来辨识低频振荡的模态数量，包括以下步骤：

3.1)在前向线性预测误差模型的基础上，定义一个对于下一时刻的电能表达式r(i,j)：

式中，N是采样窗口的数量，p是采样矩阵的序号，i和j是分别表示当前时刻和下一时刻，n为信号采集点总数量，x代表所采集的电能信号类型，

为x的转置；

3.2)样本矩阵R基于样本函数得到：

p的尺寸应该尽可能大，以保证获取更多的信息量，同时p应小于N/2；

3.3)运用标准化比率来计算当前信号包含的低频振荡模态数量，标准化比率v(k)定义为：

式中，||R||_F是R的F范数，σ为矩阵的奇异值，p是采样矩阵的序号，v(k)是单调递增函数，当k接近于p时，v(k)接近于1，对应于信号子空间的奇异值远大于对噪声空间的奇异值，即使信号中存在有色噪声，当k等于信号阶数M时，v(k)仍然非常接近1，如果v(k)大于设定阈值，则k被认为是低频振荡模态数量估计值M，即低频振荡模态的数量；

4)根据群优化算法GSO拟合得出各模态低频振荡的相关参数值；

5)采用叠加计算得出当前低频振荡波形函数表达式，再根据表达式进行检验。

2.根据权利要求1所述的基于GSO和SVM算法的低频振荡参数估计方法，其特征在于：在步骤1)中，所述电网电压信号和电流信号为低频振荡待估测点的电能信号，采集电能信号为特定时间长度内的瞬时标量值组成的时间序列。

3.根据权利要求1所述的基于GSO和SVM算法的低频振荡参数估计方法，其特征在于：在步骤2)中，对于原始电压信号进行基于数学形态法的中值双层滤波，得到滤波后的低频振荡信号，包括以下步骤：

2.1)数学形态法开运算O_C(f)和闭运算C_O(f)：

式中，f为一维原始电能信号，b为结构元素；

为了同时滤去正负脉冲噪声，采用基于数学形态法的中值双层滤波利用开运算及闭运算，得到过滤后的时间序列f’：

2.2)滤去原始电能时间序列中的直流分量：

式中，

是原始电能时间序号的平均值，能够视作直流分量；y则为去除直流分量后的信号。

4.根据权利要求1所述的基于GSO和SVM算法的低频振荡参数估计方法，其特征在于：在步骤4)中，粒子群优化算法GSO通过不断地试探和追寻在寻觅最优值，从而估计出低频振荡的具体参数，包括以下步骤：

4.1)假设低频振荡表示为如下模型：

式中，M为模态，A_i为增益，

为起始角度，f为频率，σ为阻尼系数；由此可知，只要确定A_i、

f、σ，即可拟合出低频振荡的波形；

4.2)群优化算法GSO通过设生产者、搜寻者和流浪者三种搜索角色对低频振荡参数进行搜寻，从而寻找符合实际情况的最优解；

每种类型的搜索角色都有一个自己的当前位置，这个当前位置属于搜寻的n维空间中的任意位置；在这里由于要估计增益A_i、起始角度

频率f、阻尼系数σ四个标量值，所以是n＝4，每个搜索角色有自己的最大追寻角度和最大追寻距离；

生产者是每次迭代之后占据最优位置的点，再下一次迭代中，每个生产者产生三个新的点，分别以0°和左右对称的两个角度扫描，如果生产者找到了一个资源比当前位置更好的点，那么它将飞到新的位置，否则，它将保持在当前位置并将其转到新的扫描角度；

每次迭代还设置了预设数量的搜寻者，搜寻者会按照生产者的路径继续搜索该区域，它们追随生产者继续细化搜索；

除了生产者和搜寻者，GSO还增设了流浪者的角色，流浪者在n为搜索空间中随机游走，在每一次迭代中产生一个随机的移动角度和移动距离，如果所在点的拟合效果最好，则在下一次迭代转化为生产者，流浪者的存在增加了GSO逃离局部最优的机会；

根据计算得出的低频振荡估计表达式进行检验，如果估计值和原始信号值的均方根误差RMSE小于或等于0.1，则认为低频振荡参数估计正确，参数估计流程结束；否则参数估计可能因陷入局部最优等问题导致估计错误，所以将从步骤3)开始重新进行预测估计，直至检验正确为止。

Images