美国，加利福尼亚州，圣何塞，国际联席会议神经网络7月31日的会议记录-2011年8月5日

基于独立成分分析和支持向量机的嵌入式电能质量监测系统

Marta Ruiz-Llata, Guillermo Guarnizo, and Carlos Boya

摘要—在电能质量监测和电源保护系统中，在线识别、电压的分类和电流干扰是电力系统中的重要任务。一些电能质量扰动都是不稳定和暂时的，而其他稳定状态的变化会扭曲电压信号。一个、两个或更多个不同的功率质量扰动可能会出现在同一时间。这篇论文提出了一种采用独立成分分析算法的电能质量监测系统，该算法能够分离多个同时电能质量干扰和支持向量机识别干扰的发生。我们还向在网上的FPGA中嵌入该电能质量监测系统踏出了第一步。

1.介绍

电能质量是指在电力系统中各种各样的表征电压电磁现象和特定时间特定位置的电流。电子设备越来越普遍的应用会导致电磁干扰，或者说它对这些现象很敏感，这提高了近几年电能质量的利润。根据[1]，电源质量扰动被归类为：是易变的（冲动或振荡），短期均方根（RMS）的变化（下垂，膨胀或中断），长期均方根变化（持续中断，欠压，过压或电流过载），例如不平衡和波形畸变（偏移，谐波陷波和噪声）的稳定状态变化。其他电能质量现象有电压波动和电源频率变化。在新兴的电力系统中，要通过一个工具为客户估算电能服务质量，并沿着传输分配链制定合适的纠正预防措施，要求对电能质量扰动有高效的检测和分类技术。对于提出的在电能质量事件中采用人工智能，广泛的研究工作已经在电能质量领域和许多自动分类技术中展开[2][3]。这些技术包括对分类的统计方法，主要是神经网络[4] [5] [6]和支持向量机[7]，模糊逻辑[8]和用于特征提取等不同的方法，例如小波变换[4] [9]和高级指令统计[5]。

这项工作是由国家秘书处科学支持，巴拿马共和国（SENACYT）的技术和创新，由马德里自治区和卡洛斯三世大学马德里资助。CCG10 UC3M/ TIC-5584

作者是卡洛斯三世大学的电子技术系，马德里，卡莱Butarque15，28911，莱加内斯。

马德里，西班牙人（电子邮件：marta.ruiz-llata@ing.uc3m.es）。

一个典型的电力监控系统会定期收集电源电压的样本和/或电流波形并将它们数字化。接着将所得到的数据发送到中央站，存储在大容量存储装置中，然后巨量的数据必须在电能质量的监控下被进行处理。为了在线进程[9]、实时检测和分类电能质量扰动[2]，一个大的研究工作正在紧张进行中。它的目标是能够对分布在电网上的事件例如配电线路的故障定位等执行在线分析。在必须立即采取行动时在线分析结果是很有帮助的。它在数据传输中的重要存储也是很有用的，因为鉴定干扰会导致数据的权证实际转移到中央系统[2]。

最近，嵌入式在线分析和电能质量干扰分类系统的使用已经被提出。里亚兹等[8]结合三个独立的技术提出了一个分类：离散小波：变换特征的提取，优化神经网络的分类和模糊逻辑的决策。他们使用超高速集成电路硬件说明（VHDL）来描述系统和展示，然后进行综合分析仿真，与C语言和Matlab系统相比，它较慢的处理速度令人印象深刻。卡德纳斯等[10]表明FPGA实现电能质量监测系统建立在快速傅立叶变换（FFT）和一个自适应线性神经元（ADALINE）算法的基础上。他们的系统为两个测量信号的实时谐波估计及一些电力质量的实时评估指标提供了可能性。

在本篇论文中，我们提出了在FPGA中实现电能质量监测系统。我们选择FPGA上的嵌入式系统，因为这些设备提供许多优点（固体开发工具，方便可编程性和快速发展时期），且不会失去了对于全定制系统的设计性能。此外，高度的并行处理可以与其他类似微控制器和DSP等的嵌入式平台相比实现。我们系统主要贡献在提供了多种干扰检测和在线电能质量监测的分类。大多数在文献中描写的自动分类技术已经被设计为单一障碍，但在电力系统中相同的时间间隔里出现多个扰动是一个普遍的局面。在电压信号里对可能同时发生的多个障碍的分类能力是由一个独立的分量分析（ICA）预处理[11]来提供的，然后一组支持向量机（SVM）被训练来多等分类识别电能质量扰动。

2.嵌入式电能质量的ICA

独立分量分析（ICA）是一种统计的基础算法，其目的是找到一个线性非高斯数据的表示，以使各部件在统计上是独立的，或尽可能独立[12]。这种方法对信号的分离很有用，即是我们对不同的电能质量扰动进行分离的目标。

ICA [12]的基本定义可以被表示为：

（1）

其中是随时间变化信号的已知数据矢量，是与组件相互独立的矢量，A是混合矩阵的一个标量。

在模型中和A是未知的，ICA的技术使我们能够根据已知数据估算。通过ICA用估算的可以被表示为：

（2）

其中W是一个分离基质，使结果独立成为可能。在该方法中，W被假定为一个方阵，这意味着独立的组件的数量等于已知混合物（M= N）的数量。该模型还假设独立组件在统计上是独立的且具有非高斯分布。

ICA是一个通用的统计技术，它已经展示出了在许多应用中的用处，包括电源质量监测[13]。ICA中最流行的练习算法是FastICA[12]，但其他的算法已经被提出适合嵌入在FPGA上[14] [15]。

在嵌入式电源质量的应用中，通常只有一个监测点可用。在M =1的情况下，

使用以前的算法会造成一个问题。为了解决这个问题费雷拉等人[11]提出了一个方法：输入数据矢量，用N个组件，从一个时间输入数据。被监视的电压信号由基本构件（50赫兹或60赫兹），噪声和电源质量

干扰组成。该方法假设原始干扰在每一个t时刻，统计学上独立，这意味着一个特定的扰动对其他干扰不会造成影响。基于这些假设，ICA算法中的输入矢量所估计输入信号的N个独立组件是第一原始误差信号，第二相同误差信号转移一个样本，直到转移完N个样本。对电能质量的误差信号测量是无基本组成部分电路中的一个电压样品。消除电源电压信号基波分量的一个典型方法是一个陷波滤波器[2]。

3.嵌入式SVM的电能质量

支持向量机（SVM）是一种基于统计的算法，最初是为了二元分类问题[16]而开发的，这也延展了复原和多等分类。SVM在电力系统扰动分类[16][18]中是一个更好的方法来区分人工神经网络。

在我们的应用中，我们专注于电能质量事件的分类，这代表了其主要任务之一是为了检测和识别多种扰动。相比于神经网络[16][18]SVM算法已经展现出以下优点：误差更一般化，这允许分类问题有一个优良的性能，比较简单的公式和低计算需求开启了机器实施和在线应用的大门。

SVM最初是为二元分类而开发的[16]。几种方法已经被提出，其中多级分类是通过结合几个二元分类而构造的。我们选择了“一对一”训练策略，这意味着，假设q类（q不同的电能质量扰动），我们需要将所有可能的分类配对，结果即为q（q-1）/ 2。相比于另一个典型的策略，如“一对全部”培养q二分类，我们的方法提供了更高的二进制分类，但更简单，因此更适合以模块化方式于有限的硬件资源。在前馈阶段的分类策略是多数表决的。

对于一个二元问题，给出一组l数据元素和它们的对应类。当，，计算步骤包括解决一个线性限制的二次规划问题。计算结束后，前馈分类得到一个新的，未知的向量x的函数为：

（3）

其中参数和b为已知项，大多数作为结果等于0。这些计算方式在支持向量（SV）中其对应参数不等于0，因此方程求和（3）仅适用于支持向量的个数（NSV）。SVM的基本理论是基于内核的方法[16]，其中典型核函数展示于表I中。我们选择了硬件友好核函数，这大大简化了硬件中SVM前馈相位计算，同时保持了良好的分类性能相对于传统的高斯核[19]。

SVM分类已经在FPGA中实现了[20]。其基本结构如图1中表示。它可以由和平行SV_blocks一样多由此而来的支持向量个数（NSV），一个数状态机控制器和一个判定框构成。每个SV_block_i都与支持向量，输入向量x和输出相关。判决模块执行所有SV_blocks结果的加法，并输出该符号应用到方程（1）中。SVM架构已经显示出图像和回归问题的多类分类[20]。对电能质量扰动的分类应用是直线前进的，并展现出了优点即硬件支持向量机的输入信号必须是一个时间信号，在电能质量监测中获取错误的电压信号是很正常的。

图1 SV估计函数结构

1. 系统设计和方法

在第一步骤中，我们将测试和评价所提出的技术，将ICA与SVM相结合，在嵌入式系统中在线测量电能质量。我们会通过使用在[1]中得到的精确值合成产生的电压信号来仿真这两种技术。

A.电压信号

图2展示了具有多种扰动的电压信号的两个例子。图2.A中呈现的信号失真是由谐波，一种稳定状态的干扰造成的，它也包含了低频振荡瞬间。谐波是由连接到电力系统的电力移相设备产生的，振荡瞬间可由电力系统中的电容器开关产生。在图2.B呈现的信号失真是由谐波和陷波造成的，它们都是稳态的干扰。陷波是由电源的正常操作当电流从一阶段切换到另一阶段时引起的。在图2中的电压信号的基波分量是50赫兹，我们得到的每基本周期有256个样本（相当于12.8千赫取样频率）。

图2.A 带谐波振荡的电压信号

图2.B 带谐波陷波的电压信号

B.拟议的电能质量监测系统

图3展示了拟议的电能质量测量系统在一个嵌入式平台上实现。该系统的输入是一个采样电压或电流信号，它可能会被电能质量扰动所扭曲。它的基波分量是使用陷波滤波器除去得，然后根据在部分II和[11]中描述的方法获得该组的输入数据到ICA模块。第三模块执行ICA算法，分离电源电压信号的独立扰动。第四模块是多级分类支持向量机，能识别输入信号中的电能质量扰动。图4展示的是图2中的信号经过了陷波滤波器。

图3 嵌入式电能质量监测系统框图

图4.A 带谐波和振荡的过滤电压信号

图4.B 带谐波和陷波的过滤电压信号

C. ICA预处理

电压信号作为一项呈现在图2中是为了从其他干扰中分离谐波，成为两个独立的部分。在这种假设下输入ICA的是两个信号：经滤波的电压信号（图4）和被第二节中所描述的一个样品延迟的相同的信号。

输入数据首先被过滤和漂白预处理。对于在Matlab中ICA的模拟，我们使用了FastICA算法[12]采用双曲正切作为非二次函数的导数。仿真结果表明，该基于ICA的方法能够分离多个电能质量扰动，如同在接下来的例子里所展示的那样。

1. A图显示了ICA算法的两个独立输出带谐波和暂态振荡的电压信号（图2.A）。可以看出，上波形包含小暂态振荡谐波成分的残基。图5.B显示了ICA算法的两个独立输出电压带谐波和陷波的电压信号（图2.B）。下波形主要包含陷波。这些结果表明，ICA能够分离这里考虑的多个PQ扰动的发生。它能够从瞬变（振荡事件）以及其他稳定状态变化（陷波）里解耦一个稳定的状态变化（谐波）。我们已验证了四个基本周期足够ICA处理。

图5.a 带谐波振荡的电压信号通过ICA解耦部件

图5.b 带谐波陷波的电压信号通过ICA解耦部件

D. SVM教学

将测试SVM算法的有效性作为电能质量扰动的分类，根据定义[1]我们已经创建了一个不同的电能质量扰动综合数据库。正如在上一节我们考虑的暂态振荡和陷波。数据库由干扰的150种模式组成，每个干扰由256个假设采样频率等于12.8千赫的样本组成，这等同于一个周期为50赫兹的基本部件。对于暂态振荡，我们随机变化振幅，频率，衰减和振荡位置。对于陷波我们随机变化缺口区域，宽度和幅度。

使用SVM对扰动识别进行分类的的主要思路是通过FPGA来利用并行处理的一个在线处理的可能性[20]。为此目的，我们测试了硬件友好内核的性能并与传统的高斯核进行比较（表Ⅰ）。

为了教学和超参数搜索（校正高斯核的参数C和sigma;及硬件友好内核的gamma;），我们使用每100模式的干扰。基于迭代的10倍交叉应用我们获得最佳超参数，支持向量和alpha;、b参数（方程（3））。

这种教学方法已被用于带暂态振荡的信号对比干净的电压信号（无故障），带陷波的信号对比干净的电压信号，带暂态振荡的信号对比带陷波的信号。在所有情况下，我们都可以使用两者，高斯核和硬件友好内核。

5.分类结果

SVM分类与ICA预处理步骤的输出信号已经被测试，采取了一个基本周期。图6展示了三个测试信号的实例。

图6 测试信号的实例：（a）和（b）两个具有不同的频率和振动位置

的暂态振荡以及（c）陷波

分类错误的结果和所得的支持向量个数如表II（使用高斯内核）和III（使用硬件友好内核）所示。该结果表明，硬件友好内核与广泛使用的高斯内核相比呈现出更良好的性能。在支持向量个数递增的成本下能得到相似的分类误差，但就FPGA上实现硬件资源和处理速度而言，硬件友好内核计算相比于高斯内核有很多的优点。

就使用硬件友好内核的检测能力方面而言并尽可能的考虑到暂态振荡和陷波电能质

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[147203]，资料为PDF文档或Word文档，PDF文档可免费转换为Word