改進粒子群算法在電能質量信號去噪中的應用

桑 博，劉洪文，尹志勇

（軍械工程學院 車輛與電氣工程系，河北 石家莊 050003）

改進粒子群算法在電能質量信號去噪中的應用

桑 博，劉洪文，尹志勇

（軍械工程學院 車輛與電氣工程系，河北 石家莊 050003）

針對暫態電能質量擾動信號閾值去噪方法的缺陷及不足，提出了基于改進粒子群的最優閾值法，采用基于SURE無偏估計的自適應最優閾值選擇方法對閾值進行選取。在引入粒子群進化速度因子、聚集度因子的基礎上加入參數修正因子對粒子群迭代函數的慣性權重進行改進，解決了粒子群算法在后期易陷入局部最優的問題，閾值自適應性及閾值求解精度得到提升。最后通過對兩類常見電能質量擾動信號進行去噪仿真驗證，結果表明該方法較傳統粒子群閾值去噪方法的去噪效果更為明顯，具有更好的應用前景。

暫態電能質量；閾值去噪；粒子群算法；慣性權重

隨著現代電力系統的飛速發展，越來越多的電力電子設備等非線性負載投入使用，給被測電能質量擾動信號注入了大量的噪聲，不能準確獲得檢測信號的真實信息，為后續研究帶來了不便，因此需要在最大程度保留原始信號的基礎上去除噪聲。傳統的傅里葉變換[1]只能獲取檢測信號的頻域信息，而小波變換為時頻域分析方法且具有多分辨率特性，在非線性信號研究領域中優勢明顯。暫態電能質量擾動信號的小波閾值去噪法關鍵在于閾值的量化選取，文獻[2]中Donoho教授最先提出了閾值去噪法，并且給出了相關的閾值選取標準。文獻[3]通過采用連續可導的閾值函數，提出了基于SURE標準的梯度自適應去噪方法，該方法可以尋找出最優閾值，相比于文獻[2]中的方法去噪效果明顯改善，但該算法迭代時間較長，且不易收斂。文獻[4]提出了基于粒子群最優閾值選取方法，采用garrote閾值函數，對電能質量擾動信號進行消噪。運用粒子群優化全局優化算法來確定最優分層閾值，避免了計算含噪信號的噪聲方差，提升了去噪效果。但粒子群算法在尋優過程中容易陷入局部最優，算法精度不能保證的問題[5-8]。Shi.Y最先將慣性權重ω引入粒子群優化算法中，并指出較大的慣性權值有利于全局搜索，較小的慣性權值有利于局部搜索[9]。文獻[10]提出基于SURE無偏估計的最優閾值選取辦法，但對于非平穩噪聲信號可能出現難以收斂的現象。文獻[11]提出通過引入粒子群進化速度因子和聚集度因子來動態改變慣性權，提高粒子群算法的自適應性，提高了閾值選取精度，解決PSO后期已陷入局部最優的問題，改善去噪效果。

文中總結了現有去噪方法的不足，提出了基于改進粒子群的最優閾值去噪法，通過在影響慣性權重的速度因子和聚集度因子基礎上引入修正參數因子，并將慣性因子表示為粒子群進化速度因子、聚集度因子和修正參數因子的函數，提升算法的自適應性，解決了傳統粒子群算法易陷入局部最優、不易收斂的問題，進而在閾值選取精度上有所提高，去噪效果有所提高，并通過仿真驗證了方法的正確性。

1 自適應性閾值去噪法的基本理論

基于SURE無偏估計的自適應閾值選取辦法電能質量擾動含噪信號表達式：

式中Y=（y0+y1+…+yN-1）、s=（s0+s1+…+sN-1）、ni分別表示含噪信號的預測值、真實值、高斯白噪聲。

對式（1）采用SURE無偏估計，設：

式中S0（Y）估計信號，Y表示實測信號，SURE無偏估計為：

自適應閾值小波梯度下降法為：

式中λ（m）、μ、Δλ（m）分別表示第m次迭代時的閾值、步長、均方根誤差ε（λ）的梯度函數。由于文獻[2]中提出的閾值函數的導函數不連續，無法自適應迭代，故本文采用文獻[3]中的閾值函數：

本文中取β=2.5。

2 改進粒子群最優閾值去噪法

2.1 粒子群算法基本原理

粒子群優化算法[4]（Particle Swarm Optimization，PSO）最早由Kennedy和Eberhart在1995年提出用于求解最優化問題的。

假設在一個D維的搜索空間中，由n個粒子組成的種群其中第i個粒子表示為一個D維的向量X=（Xi1，Xi2，…XiD）T，代表第i個粒子在D維搜索空間中的位置，也代表問題的一個潛在解。根據目標函數即可計算出每個粒子位置xi對應的適應度值。第i個粒子的速度為V=（Vi1，Vi2，…ViD）T，其個體極值為P=（Pi1，Pi2，…PiD）T，種群的個體極值為P=（Pg1，Pg2，…PgD）T。每次迭代過程中，粒子通過個體極值和群體極值更新自身的速度和位置，即：

其中，ω為慣性權重；d=1，2，…，D；i=1，2，…，n；k為當前迭代次數，c1，c2為非負常數，稱為加速因子，通常取c1=c2=2； r1，r2是分布于[0，1]區間的隨機數。

2.2 慣性權重的選擇對收斂精度的影響

由于閾值的選取對小波去噪的效果至關重要，所以在運用粒子群最優算法選取閾值時必須要考慮所選閾值是否最優，精度是否可靠，以避免在后期迭代過程中陷入局部最優，影響閾值選取。文獻[13]中提出了線性遞減慣性權重，即：

式中 ωstart為初始慣性權重；ωend為迭代至最大次數時的慣性權重；k為當前迭代次數；Tmax為最大迭代次數。

一般來說，ωstart=0.9，ωend=0.4時算法性能最好，前期較大的慣性權重值有利于全局搜索，后期較小的慣性權重值有利于算法進行更為精確地局部搜索。但由于噪聲多為非線性的復雜信號，PSO在實際搜索中也是非線性的，文獻[13]中提出的線性遞減慣性權重并不能反映實際最優搜索過程。

2.3 修正參數因子

修正參數因子作為修正速度進化因子與聚集度因子的變量，當粒子群進化速度因子較大、聚集度因子較小時，通過增加迭代次數加強全區搜索能力；但過分加強全局搜索能力又容易使迭代時間過長，所以當粒子群進化速度因子較小、聚集度因子較大時，通過減小迭代次數來加快收斂速度。因此通過修正參數因子有效地解決了粒子群算法易陷入局部最優，不易收斂的問題，提升了收斂速度。定義修正參數因子γ,如式（11）所示：

式中T為當前迭代次數，Tmax為最大迭代次數。

2.4 改進慣性權重的粒子群優化算法

通過以上分析可知，進化速度因子、聚集度因子、修正參數因子可以影響慣性權重的變化，即將ω表示成u,v,T的函數：

當粒子進化速度較快時，有利于PSO在較大的范圍搜索全局最優，當速度減慢時，通過減小ω,使粒子在小范圍搜索最優值；另外當粒子分散范圍較大時,PSO不易陷入局部最優。綜上所述,ω與粒子的聚集度成正相關,與進化速度成反相關,表達式如式（13）:

式中：ω0為ω初始值，由于0＜u≤1，0＜v≤1，所以ω0-ωv＜ω≤ω0+ωu，本文設定ωu=0.05，ωv=0.5。

在初始條件下,設v=0,u=0,c1=c2=2，種群數量為40，最多迭代300次，取q分別為0.1、1，由式（12）得λmax、λmin，

粒子最大速度Vmax=0.2λmax，改進PSO迭代步驟見圖1。

3 仿真驗證及結果分析

3.1 慣性權重參數對PSO算法性能的分析

PSO參數設置：種群規模40，每個粒子維數為2，最大迭代次數為300次。將每個實驗運行200次，取200次的平均值作為最優閾值結果。運用本文所采用ω的選取辦法與文獻[14]中傳統粒子群ω的選取辦法分別對本文閾值函數式（7）求解，計算結果如表1所示:

圖1 改進粒子群算法搜索最優閾值流程圖

表1 不同慣性權重閾值計算結果

3.2 去噪仿真驗證及分析

為驗證所提方法有效性，本文將電壓暫降與振蕩暫態作為研究對象,具體波形見參考文獻[15]。

3.2.1 信號去噪評估指標

本文將幅值誤差ε與信噪比σ作為去噪效果的評估指標，分別定義如下：

式中:AO為原始信號幅值,AD為去噪后信號幅值。

式中:AS為擾動信號幅值，AN為高斯白噪聲的幅值。

3.2.2 仿真分析

采用Meyer基小波對兩種暫態擾動信號進行分解，最大分解層數為6，分別給兩類信號波形加入信噪比為20 dB的高斯白噪聲,電壓暫降與振蕩暫態波形如圖2所示。

采用傳統粒子群去噪法 （PSO）與改進粒子群去噪法（IPSO）對電壓暫降擾動波形去噪,去噪后波形如圖3所示。

采用傳統粒子群去噪法 （PSO）與改進粒子群去噪法（IPSO）對振蕩暫態擾動波形去噪，去噪后波形如圖4所示。

采用幅值誤差與信噪比作為去噪效果評價指標，對兩種方法的去噪效果在不同的信噪比環境下進行比較，電壓暫降與振蕩暫態的幅值誤差的計算結果如圖5所示。

圖2 電壓暫降與振蕩暫態加噪20 db波形

圖3 電壓暫降PSO與IPSO去噪后波形圖

圖4 振蕩暫態PSO與IPSO去噪后波形圖

圖5 電壓暫降與振蕩暫態去噪后的幅值誤差圖

從仿真波形及評價指標可以看出，在不同的信噪比環境下，采用IPSO去噪后幅值誤差和畸變率明顯小于PSO，因此IPSO具有更好的去噪效果，在噪聲污染較為嚴重時，IPOS雖然去噪效果要好于PSO，但仍有繼續提升改進的空間。

4 結論

本文通過粒子群算法的尋優特性，將其運用到閾值去噪中，并采用garrote函數進行信號去噪，解決了傳統閾值函數不連續，自適應性差的問題，另外在運用粒子群算法尋找最優閾值時，引入了修正參數因子對粒子群算法慣性權重進行改進，解決了粒子群算法在處理非穩定信號時產生的難以收斂、易陷入局部最優的問題，提升了閾值選取精度，較傳統的粒子群算法去噪效果更好，并通過仿真驗證了該方法正確性。后續工作將對噪聲污染較為嚴重的情況進行研究，提升該方法在噪聲污染較為嚴重情況下的去噪效果，減小幅值誤差與波形畸變率，更好的保留原始信號信息。

[1]肖湘寧，韓民曉，徐永海，等.電能質量分析與控制[M].北京：中國電力出版社，2006.

[2]Donoho D L.De-noising by Soft-thresholding[J].IEEE Trans on IT，1995，41（3）:613-627.

[3]Zhang X P，Desai M D.Adaptive denoising based on sure risk［J］.IEEE Signal Processing Letters，1998，5（10）:265-267.

[4]郭曉霞，楊慧中．基于粒子群優化算法的小波閾值去噪方法研究［J］.計算機工程與應用，2009，45（31）:122-124．

[5]姚建紅，林娜，付強.基于多目標函數的粒子群算法優化小波閾值的去噪方法研究［J］.化工自動化及儀表，2013，2（40）：154-157.

[6]吳雅靜，馬琣.基于提升小波與粒子群相結合的混沌信號降噪［J］.電子器件，2014，37（6）：1093-1097.

[7]林杰，孫淑霞，文武.基于粒子群算法優化算法的圖像小波閾值去噪研究 ［J］.計算機應用與發展，2007，17（4）：204-207.

[8]趙嘉，孫輝，等.基于粒子群算法優的Shearlet自適應圖像去噪［J］.小型微型計算機系統，2011，6（6）：1147-1150.

[9]Shi Y H，Eberhart R C.A modified particle swarm optimizer [A].Proceedings of the IEEE Congress on Evolutionary Computation [C]//.Piscataway，USA:IEEE Service Center，1998：69-73.

[10]江天炎，李劍，杜林，等.粒子群優化小波自適應閾值法用于局部放電去噪[J].電工技術學報，2012，27（5）:77-83．

[11]張選平，杜玉平，秦國強.一種動態改變慣性權的自適應粒子群算法[J].西安交通大學學報，2005，39（10）：1039-1042.

[12]韓江洪，李正榮，魏振春.一種自適應粒子群優化算法及其仿真研究[J].系統仿真學報，2006，18（10）：2969-2971.

[13]Shi Y H，Eberhart R C.A modified particle swarm optimizer[A].Proceedings of the IEEE Congress on Evolutionary Computation [C]//.Piscataway，USA:IEEE Service Center，1998：69-73.

[14]吳炬卓，牛海清，葉開發.基于粒子群優化的最佳閾值法在局部放電信號去噪中應用 [J].電測與儀表，2015，52（10）:100-104.

[15]方國志.暫態電能質量檢測方法的研究與實現[D].哈爾濱：哈爾濱理工大學，2013.

The application of improved particle swarm optimization in the signal de-noising of power quality

SANG Bo，LIU Hong-wen，YIN Zhi-yong
（Department of Vehicle and Electrical Engineering，Ordnance Engineering College，Shijiazhuang 050003，China）

For the defects and deficiencies in thresholding method of transient power quality disturbances signal，this paper is proposed a thresholding method based on improved PSO（Particle Swarm Optimal），used SURE unbiased estimate of adaptive optimal threshold selection method to select threshold，Introduce the correction parameter factor to improve inertia weight of PSO iteration function based on introduction of particle evolution speed factor and aggregation degree factor，which addresses the problem that PSO falls into local optimum in the late time，the threshold is more adaptive and the accuracy of optimal solution is improved，and the effect of de-noise is more obvious.Finally through simulation of de-noising，the result shows that the method proposed in this paper has better effect on de-noising than traditional Particle Swarm Optimal thresholding method，and has a better prospect.

transient power quality；thresholding；PSO；inertia weight

TN701

A

1674－6236（2016）15-0131-04

2016-01-29 稿件編號：201601279

國家自然科學基金資助項目（51307184）

桑 博（1990—），男，遼寧撫順人，碩士研究生。研究方向:電能質量檢測與分析。