基于PSO优化SVM分类器的配电网电压波动分析

陈宁钊

摘 要：为了进一步改善直流电能质量，需要提出一种基于PSO优化SVM分类器的配电网电压波动分析方法。在分析直流电压波动的基础上，设计了基于PSO优化的SVM分类器。通过仿真分析得到采在含有5各类簇的情况下，轮廓系数与1非常接近，可见采用特征集对各类直流电能质量扰动情况进行准确分析。测试发现，在30个测试样本内实现正确分类的是28，只出现了1 组电压波动以及1组电压纹波发生分类错误的情况，分类模型获得了高达92.1%的准确率。通过算法比较得到采用BP神经网络算法进行处理时形成了更低的分类准确率，相对于SVM需要更多的训练样本数。采用文中算法能够使分类过程达到更高的准确率，能够显著改善PSO优化效果，而在训练时间方面则比多分类SVM更弱。

关键词：配电网;电压波动;SVM分类器;准确率

中图分类号：TP 393

文献标志码：A

文章编号：1007-757X（2020）11-0174-03

Abstract：In order to further improve the DC energy quality， it is necessary to propose a PSO-based SVM classifier optimization method for distribution network voltage fluctuation analysis. Based on the analysis of DC voltage fluctuation， an SVM classifier based on PSO optimization is designed. The simulation analysis shows that in the case that there are 5 kinds of clusters， the contour coefficient is very close to 1， so it can be seen that the feature set is used to accurately analyze the mass disturbance of all kinds of dc energy. The test finds that 28 of the 30 test samples are correctly classified， only 1 set of voltage fluctuation and 1 set of voltage ripple are misclassified. The classification model achieves an accuracy rate of 92.1%. Through algorithm comparison， it can be concluded that the classification accuracy is lower when BP neural network algorithm is used for processing， and more training samples are required than SVM. The algorithm proposed in this paper can make the classification process achieve higher accuracy and significantly improve the optimization effect of PSO. However， it is weaker than multi-classification SVM in the term of training time.

Key words：distribution network;voltage fluctuation;SVM classifier;accuracy

0 引言

目前，多種电力电子技术呈现快速发展的趋势，由此产生了更明显的源储荷直流特征，这使得直流配用电技术也引起众多学者与企业的密切关注。根据前期相关研究资料可知，直流配电系统可以实现更强的输电性能，同时可以显著减小线路损耗，并表现出优异的新能源消纳能力，这使其成为了配电系统的一个重要发展方向[1-5]。由于直流配电网具备多源多变换的特征，因此在电能质量方面具有独特的性能，并且随着敏感负荷的占比增大，要求电网系统具备更高的电能质量，因此需在初期规划阶段对直流配电网电能质量进行深入分析[6-8]。为了快速发现电能质量的相关问题，需为直流配电网设置可靠的电能质量监测措施，同时对实际扰动情况精确辨识，根据扰动的具体特征设置针对性处理方案来实现对电能质量的综合改善[9-11]。由此可见，通过分析电能质量扰动数据并从中提取关键特征再实施分类处理，已经成为直流配电网电能质量监测的一项重要内容。

直流配用电技术不需要考虑相位、无功、频率因素的干扰，被广泛应用于船舶动力，航空设备等重要领域，，不过将其应用在大规模直流配电工程方面的报道还较少[12]。进入21世纪后，世界各国都开始重视对直流配用电技术开展研究与应用方面的工作，同时建立了许多示范性项目。到目前为止，大部分研究都是集中于故障测试、拓扑结构与系统运行调控的过程，还没有深入分析关于电能质量方面的问题[13-15]。现阶段，有文献报道电压波动等直流电能质量变化过程并提出了相应的治理方案，同时根据交流系统的评价标准构建了适合对直流电能质量进行评估的依据，但还没有对直流电能的质量扰动情况开展辨识研究方面的工作。由于交直流系统在电能质量方面存在一定的区别，因此不能将现有交流电能质量分析方法直接应用到直流系统中，这就要求开发一种能够对直流电能质量扰动性能进行分辨的技术。

对直流配电网进行电能质量分析时，本文先根据直流配电网组成结构对电压偏差情况进行了分析，重点研究了电压纹波、波动性与暂降现象的产生机理及其变化规律。

1 直流电能质量分析

1.1 直流电压偏差

可以将直流电压偏差分成比额定电压更高或更低两种类型，如果偏差不在允许值范围内，说明产生了过电压或者欠电压的情况，通常选择电压偏差的大小作为评价指标。

对于直流配电网来说，当配电系统的内阻有电流通过时便会形成压降，导致线路出现固有电压差，如式（1）。

式中，P表示电网有功功率。

直流配电网运行参数改变后，将会形成特定的潮流分布，使母线电压发生偏移。

在直流配电网发生电压偏差时形成的波形特征，如图1所示。

1.2 直流电压波动

直流电压通常以无规则的状态发生波动，呈现连续性的快速变化过程，并且幅值基本都在10%以内。直流配电网通常含有众多的接入端，可以利用直流母线的电容方程来求解不同接入端发生的功率交换情况。当储能与负荷等参数发生改变或者交流侧出现电网功率变化时都会使直流母线有功功率的波动性，使直流母线电压发生波动。直流母线发生电压波动的具体过程，如图2所示。

电压纹波形成过程受到多种因素的共同作用。当配电网的交流负荷以不对称方式运行时会使直流母线出现二次纹波，当交流电网内的n次谐波通过变流器完成传变后同样会使直流侧形成n+1次纹波，在不同的开关函数下，变流器会在直流侧形成基波频带与高频纹波。在直流母线上形成的多源纹波会发生叠加的状态，受到特定叠加影响后，将会极大损害电能质量。在不同的纹波注入源作用下，电压纹波也存在较大差异，因此表现出不同的大小與持续时间，但会形成特定交流分量。由于直流电能质量主要受到整数纹波的影响，因此本文只对整数纹波进行分析。

2 基于PSO优化的SVM分类器设计

SVM是通过统计学的方法完成机器学习的过程，能够对小样本数据进行高效学习，非常适合将其用于处理非线性的直流电能扰动情况。

PSO算法按照以下方式进行迭代。

以交叉测试形成的平均分类准确率设置成PSO适应度函数，如式（2）。

给出了优化PSO的具体流程，如图3所示。

3 算例分析

建立具有对称单极辐射特征的直流配电网仿真测试模型，如图4所示。

可以看到该模型的具体结构，如表1所示。

列出了各项参数，将采样频率设定为6.4 kHz。

按照上述机理仿真测试电压偏差、纹波、波动、故障暂降与暂降的情况，总共形成了150组扰动样本，其中各类扰动分别包含30条，如图5所示。

给出了数据处理的具体框图，各类电能质量特征，如表2所示。

采用k-means聚类方法对100条样本数据实施测试。显示了轮廓系数的改变过程，如图6所示。

可以看到，在各类簇的情况下，轮廓系数与0.85非常接近，由此可以推断可以采用特征集对各类直流电能质量扰动情况进行准确分析。

从中选择130组数据组成分类器训练和测试样本，并将样本分配，如表3所示。

通过测试发现，在30个测试样本内实现正确分类的是28，只出现了1 组电压波动以及1组电压纹波发生分类错误的情况。 含有较少训练样本时，分类模型获得了高达92.1%的准确率。

对不同方法形成的分类效果进行了比较，本文总共对150组样本进行了测试，结果如表4所示。

根据表4可知，采用BP神经网络算法进行处理时形成了更低的分类准确率，相对于SVM需要更多的训练样本数。这是由于建立在经验风险最小的神经网络算法基础上处于一定样本数量下不能获得最小的期望风险。而建立在结构风险最小基础上的SVM能够有效克服出现局部极值的问题，从而达到更高的准确率，这使得SVM更符合用于对小样本数据进行扰动分析。

通过对比本文算法和多分类SVM可知，采用本文算法能够使分类过程达到更高的准确率，能够显著改善PSO优化效果，而在训练时间方面则比多分类SVM更弱，这主要是因为进行参数优化后使模型需要花费更长时间进行训练，而模型训练可以通过离线方式进行，因此不会影响最终测试时间。

4 总结

1） 采在含有5各类簇的情况下，轮廓系数与1非常接近，可见采用特征集对各类直流电能质量扰动情况进行准确分析。测试发现，在30个测试样本内实现正确分类的是28，只出现了1 组电压波动以及1组电压纹波发生分类错误的情况，分类模型获得了高达92.1%的准确率。

2） 采用BP神经网络算法进行处理时形成了更低的分类准确率，相对于SVM需要更多的训练样本数。采用本文算法能够使分类过程达到更高的准确率，能够显著改善PSO优化效果，而在训练时间方面则比多分类SVM更弱。

参考文献

[1] 王志强，方正，刘文霞，等.基于概率多场景的柔性配电网鲁棒运行优化[J].电力自动化设备，2019，39（7）：37-44.

[2] 祖文静，李勇，谭益，等.高渗透率可再生能源配电网测试系统建模与有效性分析[J].电力自动化设备，2019，39（7）：45-50.

[3] 赖一峰.直流配电网的电压协同控制及稳定运行研究[J].电气技术，2019，20（7）：42-47.

[4] 于航，夏曼.含分布式光伏的配电网谐振与电压越限抑制策略[J].电气时代，2019（7）：32-35.

[5] 刘志虹，王金丽，盛万兴，等.农村有源配电网电压无功优化控制方法[J].农业机械学报，2019，50（S1）：318-323.

[6] 陈伟，吴建虎，裴喜平.基于谐波电压畸变率机会约束的光伏极限接入容量计算方法[J].电气应用，2019，38（7）：52-59.

[7] 滕德云，滕欢，刘鑫，等.考虑多个分布式电源接入配电网的多目标无功优化调度[J].电测与仪表，2019，56（13）：39-44.

[8] 张力，赵巧娥，段俐存，等.可控负荷对直流配电网的电压波动抑制策略[J].自动化与仪表，2019，34（7）：1-4.

[9] 程杉，倪凯旋，苏高参，等.基于DAPSO算法的含分布式电源的配电网重构[J].高压电器，2019，55（7）：195-202.

[10] Fernando M Camilo， Rui Castro， M E Almeida， et al. Probabilistic load elasticity analysis in low voltage distribution networks with high penetration of photovoltaic micro generation[J]. International Journal of Electrical Power and Energy Systems，2019， 113（66）：102-115.

[11] Darwin A. Quijano， Antonio Padilha-Feltrin. Optimal integration of distributed generation and conservation voltage reduction in active distribution networks[J]. International Journal of Electrical Power and Energy Systems， 2019，113（66）：36-42.

[12] Hasan Mehrjerdi. Simultaneous load leveling and voltage profile improvement in distribution networks by optimal battery storage planning[J]. Energy，2019，181.

[13] 謝荣斌，马春雷，李帮胜，等.配电网过电压在线监测装置布点问题研究[J].电力大数据，2019，22（7）：69-75.

[14] 朱建军.分布式光伏并网对配电变压器运行特性的影响研究[J].机电工程技术，2019（7）：177-179

[15] 王洪波，陈朔，丁亮，等.含分布式光伏的配电网电压协调控制实现策略[J].电子技术与软件工程，2019（14）：226-227.

（收稿日期：2020.03.13）