基于VMD和IAO-SVM的电压暂降源识别方法

摘要：

针对支持向量机(support vector machine,SVM)的惩罚因子、核函数参数选择困难和天鹰优化(aquila optimizer,AO)算法在寻优时容易陷入局部最优解的问题,利用改进的天鹰优化(improved aquila optimizer,IAO)算法对SVM的惩罚因子和核函数参数进行寻优,构建IAO-SVM分类器,利用变分模态分解(variational mode decomposition,VMD)提取电压暂降源信号三相电压的特征向量,并进行归一化处理之后输入到构造好的IAO-SVM分类器中对样本进行训练与识别,并与K近邻、极限学习机、SVM和AO-SVM这4种分类器进行对比.仿真结果表明,在对8种电压暂降源信号分别加入0 dB、10 dB、20 dB、30 dB、40 dB、50 dB和60 dB的高斯白噪声情况下,IAO-SVM分类器识别的准确率分别为99.5％、94％、99.25％、100％、99.25％、98.5％和97.25％,其识别准确率最高,验证了在对信号加入不同的高斯白噪声时,IAO-SVM分类器均具有较高的识别准确率和抗噪声能力,有助于解决电压暂降源的分类问题.

关键词：变分模态分解、改进天鹰优化算法、支持向量机、电压暂降源识别、奇异值熵、近似熵

所属期刊栏目：36

分类号：TM712.2(输配电工程、电力网及电力系统)

资助基金：广东省基础与应用基础研究基金项目2019B1515120076

在线出版日期：2023-02-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：59-67