支持向量回歸機在間諧波參數(shù)估計中的應用研究.pdf

1、由于現(xiàn)代電力電子的發(fā)展，大量的非線性、沖擊性的負荷投入使用，使得電網(wǎng)的電能質量越來越差。電能質量的下降，不僅影響用戶設備的正常使用，同時也威脅著電網(wǎng)系統(tǒng)的安全運行。諧波問題是最為常見的電能質量之一?，F(xiàn)代電網(wǎng)中不僅存在著整數(shù)次諧波，還存在著非整數(shù)次的諧波-間諧波。間諧波造成的危害比諧波更大，不僅會引起照明設備閃變，更會影響各種設備的使用。對諧波和間諧波進行治理的前提是掌握其參數(shù)信息，因此，必須對電網(wǎng)中的間諧波進行認真的研究。
　　

2、 本文首先分析了一些傳統(tǒng)諧波分析方法以及其在分析間諧波方面的不足，然后將繼神經(jīng)網(wǎng)絡后的一個新的機器學習熱點-支持向量機(Support VectorMachine，簡稱SVM)應用到諧波和間諧波的參數(shù)估計中。
　　 在詳細研究了統(tǒng)計學習理論和支持向量機的相關知識以后，本文通過類似基于傅里葉展開的核函數(shù)將輸入的采樣信號映射到高維空間，使用支持向量機進行信號函數(shù)回歸能方便的估計出諧波和間諧波的幅值和相位信息。然而信號映射的前提是已知

3、諧波和間諧波的個數(shù)以及其頻率信息的，并且對頻率信息的準確度有較高的要求。文中采用求根多重信號分類(Root-MUSIC)算法對頻率信息進行估計，可以保證在低信噪比情況下得到的頻率估計的精度達到支持向量機使用的要求。
　　 針對傳統(tǒng)支持向量機在樣本數(shù)量增多的時候運算時間以指數(shù)關系增加的這一缺點，文章采用了基于Renyi熵的迭代最小二乘支持向量機算法來提高運算速度。由于在波形畸變嚴重情況下的參數(shù)估計誤差較大，文中提出了基于支持向量回