摘　要：当前电力系统中的谐波问题日益严重,对谐波的准确检测和分析是抑制谐波畸变的重要依据.将基于改进的SMO算法的支持向量回归模型应用于电力系统谐波的检测,该算法克服了常规算法计算规模大和建模复杂的困难,通过引入一个中间因子,将原来问题的计算规模减半,并利用迭代算法求解中间因子,使得该算法简单可行.对三相桥式整流电路交流侧产生的特征谐波和非特征谐波电流进行了分析,仿真结果通过与FFT算法和ADALINE神经网络的检测分析结果对比,表明该方法无论是在理想情况下还是在考虑了各种影响因素的情况下,都具有很高的检测精度,可以满足电力系统的谐波分析的要求.该方法的不足之处是计算量会随着输入量分辨率的提高而增大.
关键词：谐波分析;支持向量回归;结构风险最小化;泛化能力;序列最小最优化算法
分类号：TM930.12 　文献标识码：A
文章编号：1004-9649(2007)06-0032-04

New approach of power system harmonic analysis based on support vector regression with simplified SMO algorithm

LIU Shang-wei　 WU Ling　

作者简介：刘尚伟(1976-),男,山东潍坊人,博士研究生,从事电力系统电能质量检测和智能化治理研究.E-mail: shangweiliu@126.com
作者单位：刘尚伟（天津大学,电气与自动化工程学院,天津,300072）　
　　　　　 吴玲（天津科技大学,电子信息与自动化学院,天津,300222）　

参考文献：

[1]薛惠,杨仁刚.基于FFT的高精度谐波检测算法[J].中国电机工程学报,2002,22(12):106-110.XUE Hui,YANG Ren-gang.Precise algorithms for harmonic analysis based on FFT algorithm[J].Proceedings of the CESS,2002,22 (12):106-110.
[2]王群,吴宁,谢品芳.一种基于神经元的自适应谐波电流检测法[J].电力系统自动化,1997,21(10):13-16.WANG Qun,WU Ning,XIE Pin-fang.A neuron-based adaptive approach to detection of the harmonic currents[J].Automation of Electric Power Systems,1997,21 (10):13-16.
[3]RECHKA S,NGANDUI E,XU J,et al.A comparative study of harmonic detection algorithms for active filters and hybrid active filters[C]//PESC Record-IEEE Annual Power Electronics Specialists Conference,2002,1:357-363.
[4]杨桦,任震,唐卓尧.基于小波变换检测谐波的新方法[J].电力系统自动化,1997,21(10):39-42.YANG Hua,REN Zhen,TANG Zhuo-yao.A new method for harmonics detection based on wavelets transform[J].Automation of Electric Power Systems,1997,21 (10):39-42.
[5]VAZQUEZ J R,SALMERON P.Active power filter control using neural networktechnologies[J].Electric Power Applications,IEE Proceedings-Electr,2003,150 (2):139-145.
[6]VAPNIK V N.Statistical learning theory[M].New York:Springer,1995.
[7]SMOLA A J,SCHOLKOPF B.A tutorial on support vector regression[R].NeuroCOLT Tech Rep.TR 1998-030.London (U.K.):Royal Holloway College,1998.
[8]SHEVADE S K,KEERTHI S S,BHATTACHARYY C,et al.Improvements to SMO algorithm for SVM regression[J].IEEE Trans.on Neural Network,2000,11 (5):1188-1193.
[9]杜树新,吴铁军.用于回归估计的支持向量机方法[J].系统仿真学报,2003,15(11):1580-1585,1633.DU Shu-xin,WU Tie-jun.Support vector machines for regression[J].Journal of System Simulation,2003,15 (11):1580-1585,1633.
[10]FLAKE G W,LAWRENCE S.Efficient SVM regression training with SMO[J].Machine Learning,2002,41 (1):271-290.