基于EMD和IABC-SVM算法的复合电压暂降源辨识方法

• 作者: 陈晓华 吴杰康 陈盛语 王志平 蔡锦健 杨国荣 许海文 彭宇文
• 来源期刊: 广东电力
• 学科: 工学
• 关键词: 经验模态分解 改进人工蜂群算法 支持向量机 电压暂降源辨识 改进的IEEE33节点配电网系统
• 年，卷（期）: 2022,（2）
• 所属期刊栏目: 电力人工智能|Electric Artifical Intelligence
• 页码范围: 11-18
• 页数: 8页
• 分类号: TM76
• 语种: 中文
• DOI: 10.3969/j.issn.1007-290X.2022.002.002

摘要

针对配电网中线路短路故障、大型感应电动机启动以及变压器投切等单一电压暂降源和由单一电压暂降源组合而成的复合电压暂降源导致的电压暂降现象,在MATLAB/Simulink中搭建改进的IEEE 33节点配电网系统模型进行仿真分析和验证,提出一种先对电压暂降信号进行经验模态分解(empirical mode decomposition,EMD),得到一系列固有模态函数(intrinsic mode function,IMF)分量,然后分别计算三相电压的各相电压前3阶IMF的能量熵和样本熵,可得到各相电压的特征向量,最后把它们组合起来作为一组特征向量的方法.针对支持向量机(support vector machine,SVM)的惩罚因子和核函数参数在寻优过程中容易陷入局部最优解的问题,提出一种改进的人工蜂群(improved artificial bee colony,IABC)算法对SVM的惩罚因子和核函数参数进行寻优,构建IABC-SVM分类器,再把提取到的特征向量进行归一化处理之后输入到构造好的IABC-SVM分类器中对样本进行训练与识别,并与粒子群算法优化支持向量机、极限学习机、BP神经网络和人工蜂群算法优化支持向量机这4种分类器进行对比,仿真结果表明所提出方法具有准确性和快速性,能够准确实现对9种不同的电压暂降源信号的辨识,有利于解决实际的工程问题.