基于改进SVM模型的电能质量扰动分类.pdf

《基于改进SVM模型的电能质量扰动分类.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第38卷第3期电力系统保护与控制volI38NO．32010年2月1目PowerSystemProtectionandControlFeb．1．2010基于改进SVM模型的电能质量扰动分类俞晓冬，周栾爱(1．山东轻工业学院，山东济南250353；2．青岛港湾职业技术学院，山东青岛266404)摘要：提出一种改进的支持向量机模型，对电能质量扰动进行分类。支持向量机(SVM)在对大规模样本集的训练和分类时，需要占用大量内存，时耗过高，运算速度缓慢。针对这种情况提出一种改进的SVM模型：将原始切】练样本集应用粗糙集

2、理论(RS)去除冗余信息，然后在SVM中引入概率分布函数，用一个小规模的样本集训练得到一个初始的分类器，用这个初始分类器对大规模训练集进行修剪，修剪后得到一个规模很小的约减集，再用这个约减集进行训练得到最终的分类器。实验表明：这种改进的SVM模型有效降低了训练样本集的规模．提高了分类能力。关键词：电能质量；支持向量机；粗糙集；缩减训练集；小波变换Classificationmethodofpowerqualitydisturbancesbased011improvedSVMmodelYUXiao．dong，Z

3、HOULuan．ai(1．ShandongInstituteofLightIndustry，Jinan250353，China；2．QingdaoHarbourVocationalandTechnicalCollege，Qingdao266404，China)Abstract：Anewsupponvectormachine(SVM)modelisproposedtoclassifypowerqualitydisturbances．TheimprovedSVMmethodimprovesthespeedofcl

4、assificationwhenSVMtreatsthelargetrainingset．Firstly，usingrou曲set(RS)theorytoeliminateredundantinforlnationofthelargeinitialtrainingset．Secondly，utilizingaprobabilitiesfunctioninSVM，traininganinitia1classifierwithasmalltrainingsetandpruningthelargetrainings

5、etwiththeinitialclassifiertoobtainasmallreductionset．Then，trainingwiththereductionset．finalclassifieriSobtained．Experimentsshowthatthismethodeffectivelyreducesthetrainingsetandimprovestheclassificationability．Keywords：powerquality：SVM：RS；reducedtrainingset；

6、wavelettransfclrlTl中图分类号：TM714文献标识码：A文章编号：1674—3415(2010)03，0015—05方法的泛化能力。0引言传统SVM方法对大规模样本集的训练比较困近几年来，电能质量问题引起的矛盾越来越凸难，会导致系统资源占用过高、训练时间迅速增长、现一I。随着电网中非线性负载的大量增加和敏感分类处理速度下降，该文针对该问题提出了一种改电子设备的推广应用，电能质量问题日益严重，如进的SVM方法进行电能质量的分类，有效删减训练以电力电子装置为代表的非线性负荷的使用、冲击集中的非有

7、效样本，取得了更优的分类效果。性负荷的大量使用以及各种大型用电设备的起停等，1支持向量机使电网中的谐波污染、三相电压的不对称性以及电压波动和闪变目趋严重，而各种复杂的、精密的、支持向量机是近年来刚刚发展起来的一种新对电能质量敏感的用电设备的不断普及，对电能质的机器学习方法[5】，支持向量机算法最终将转化为量的要求也比以前高得多。近年来，基于各种人工一个二次型寻优问题，从理论上讲得到的将是全局智能技术进行电能质量的分析研究qJ，取得了一定最优点，SVM的最优求解基于结构风险最小化思想，的效果。其中支持向量机(S

8、upportVectorMachines，因此比其他非线性函数逼近方法具有更强的泛化能SVM)是以统计学习理论为基础发展起来的一种新力，基于此，使得SVM迅速发展和完善。目前，支持向的通用学习方法，有效地解决了小样本、高维数、非量机已经广泛用于解决分类、回归、异常值检测以线性等实际问题。并克服了人工神经网络学习结构及时间序列预测等问题，表现出独特的优势和良好不确定和存在局部最优等缺点，大大地提高了学