摘要：传统谐波分析方法中，窄带滤波器选频法对元件参数十分敏感，受外界环境影响较大，且精度难以保证；快速傅里叶分解法会产生频谱泄漏误差，不同频率谐波之间也有干扰；神经网络分析方法检测精度高，但其基于大样本的学习方法，受样本及训练初始值影响较大，有时会导致训练不成功。为减小外界环境影响，提高检测精度和降低噪声影响，提出基于支持向量回归机的谐波分析方法，它是基于统计学习理论，以结构风险最小化为原则的机器学习，通过引入松弛变量和损失函数提高算法泛化能力和减小误差，该算法最终转化为标准二次规划问题，有全局最优解。通过算例分析，并与傅里叶检测方法相比较，可知该算法具有稳定性好、检测精度高、对噪声不敏感等优点。

关键词：支持向量回归机 核函数 谐波分析 二次规划 

单位：重庆大学电气工程学院高电压与电工新技术教育部重点实验室 重庆400044