支持向量回归机在间谐波参数估计中的应用研究

由于现代电力电子的发展，大量的非线性、冲击性的负荷投入使用，使得电网的电能质量越来越差。电能质量的下降，不仅影响用户设备的正常使用，同时也威胁着电网系统的安全运行。谐波问题是最为常见的电能质量之一。现代电网中不仅存在着整数次谐波，还存在着非整数次的谐波——间谐波。间谐波造成的危害比谐波更大，不仅会引起照明设备闪变，更会影响各种设备的使用。对谐波和间谐波进行治理的前提是掌握其参数信息，因此，必须对电网中的间谐波进行认真的研究。 本文首先分析了一些传统谐波分析方法以及其在分析间谐波方面的不足，然后将继神经网络后的一个新的机器学习热点——支持向量机（Support VectorMachine，简称SVM）应用到谐波和间谐波的参数估计中。 在详细研究了统计学习理论和支持向量机的相关知识以后，本文通过类似基于傅里叶展开的核函数将输入的采样信号映射到高维空间，使用支持向量机进行信号函数回归能方便的估计出谐波和间谐波的幅值和相位信息。然而信号映射的前提是已知谐波和间谐波的个数以及其频率信息的，并且对频率信息的准确度有较高的要求。文中采用求根多重信号分类（Root-MUSIC）算法对频率信息进行估计，可以保证在低信噪比情况下得到的频率估计的精度达到支持向量机使用的要求。 针对传统支持向量机在样本数量增多的时候运算时间以指数关系增加的这一缺点，文章采用了基于Renyi熵的迭代最小二乘支持向量机算法来提高运算速度。由于在波形畸变严重情况下的参数估计误差较大，文中提出了基于支持向量回归机的降噪方法，和基于统计随机误差理论的降低误差的方法。两种方法互有优缺点，通过仿真分析都验证了其降低幅值和相位估计误差的有效性。