CN105786903B - 一种对电能质量扰动事件分类的方法 - Google Patents

Abstract

本发明提出一种对电能质量扰动事件分类的方法，本发明将基于随机梯度下降算法的SVM分类器应用到电能质量扰动事件的分类识别中，可以有效解决电力大数据有线样本、非线性及高维模式的分类问题。本发明采用线性SVM逼近χ²核SVM，使得分类器同时具有线性核的高计算效率，又兼备非线性核函数的高分类准确率。本发明只需利用投影后数据的符号即可进行分类，因此数据保存时，只需存储预处理后数据的符号，大大缓解了现如今日益增长的电网数据量给存储带来挑战。本发明为准确、实时的分析电力大数据提供了可能。

Description

一种对电能质量扰动事件分类的方法

技术领域

本发明涉及一种分类方法，具体讲涉及一种对电能质量扰动事件分类的方法。

背景技术

在电力行业中，数字化技术近年来得到广泛的应用，各系统每天采集和实时记录的电网信息量呈爆炸式增长，许多大型电网系统单日数据量已达到几十GB，甚至几百GB左右，因此如何充分利用数据，快速有效的分析、加工、提炼，以发掘有用知识，已成为电力行业所面临的关键问题之一。

电力系统运行的基本要求是：(1)保证安全可靠的供电；(2)要有合格的电能质量；(3)要有良好的经济性。其中，良好的电能质量是对人们的生产生活有着重要影响，健全的电网应保证电压、频率和波形等变化不得超出允许范围。一般分析电能质量的方法是：从电能质量检测系统中提取出用户电压波形，可以利用数据挖掘技术的分类功能自动识别电能扰动事件并进行分类，然后以此为依据开展电能质量的治理工作。最早应用于电能质量分类的方法是人工神经网络(ANN)，然而传统的ANN存在收敛性较差、训练时间较长、可靠性有限的问题，无法满足现如今对电力大数据的实时在线分类问题的要求。基于核的SVM分类器可以有效解决有限样本、非线性及高维模式的分类问题，现已成为机器学习和数据挖掘领域的标准工具。其有效性的关键之一在于所选取的核函数的拟合性能，传统的做法一般是选取计算量较小的线性核函数，但对于电网扰动数据而言，绝大部分情况下各种扰动类型并不是线性可分的，因此线性核函数并不能达到很好的分类效果。而如果采用非线性核函数来进行分类，虽然能够取得较高的分类准确率，但随着电力数据量日益增长，非线性核庞大的计算量使得数据实时处理成为另外一个难以攻克的问题。因此需要提供一种技术方案来解决现有技术存在的问题。

发明内容

针对现有技术的不足，本发明提出一种对电能质量扰动事件分类的方法，在保证分类准确率的前提下，将原始的非线性SVM问题转化为一个逼近的线性SVM问题，从而可以有效处理电力大数据中的分类问题。设u,ν∈T^D是来自电网的两个高维向量，χ²核函数定义为：本发明中，我们将其表示为线性组合的形式：ρx²(u，v)＝(1-γ)cos²(πP_2，1)+γcos(πP_2，1)。其中P_2，1＝Pe(sign(x)≠sign(y))，x＝G·u^1/2，y＝G·v^1/2，G是高斯随机矩阵。即χ²核函数可以用原始数据投影后的符号不一致的概率来表示，这里的符号就是指数学上的正负号。很显然，本发明有两个突出优点：一是用线性表示代替非线性表示，计算量大大降低；二是只需保存数据预处理后的符号，比如负数用0表示，正数用1表示，大大降低了数据的存储量。本发明主要有以下几个步骤：(1)生成稀疏随机投影矩阵T∈R^D×k。(2)对电网扰动数据矩阵A∈R^D×k(每行是一个概率分布向量)，计算投影向量X＝A^1/2T(A^1/2表示A的每个元素取平方根后的矩阵)，保留其符号矩阵S＝sign(X)。(3)以S作为数据特征，训练线性SVMs。(4)在待分类电网扰动事件集合上使用相同的投影方法提取符号特征进行SVMs分类。可以看出算法的计算量主要来自步骤(2)的投影运算量O(nD+nks)和步骤(3)的线性SVMs训练运算量O(nk)，相比于直接利用非线性核函数(运算量O(n²k))，计算速度会大大加快。

本发明的目的采用下述技术方案实现的：

一种对电能质量扰动事件分类的方法，其改进之处在于，所述方法包括

(1)针对电能质量扰动事件分类识别的目标，收集数据并构建相应的数据库；

(2)确定目标数据，根据从原始数据库中选取的相关数据和样本，获取电力数据特征矩阵A；

(3)随机生成高斯稀疏随机投影矩阵T，通过该矩阵将所获取的电网数据投影到新的特征空间X＝A^1/2T，保留该特征空间中数据矩阵X的符号矩阵S＝sign(X)；

(4)以符号矩阵S代替电力数据的特征矩阵A，训练线性SVMs分类器；对一个正在进行的未知电网扰动事件，以与步骤(1)中同样的采样频率将其离散化，得到特征向量记为u，通过步骤(3)中得到的高斯稀疏随机投影矩阵T将其映射到新的特征空间ν＝u^1/2T，利用SVMs分类器已训练好的模型进行分类。

优选的，所述步骤(1)包括根据相关背景知识做标注，即将八种电能质量扰动分别用数字1～8做标记，得到标签向量记为Y＝{y_i}，y_i指第i个样本的类别。

优选的，所述步骤(1)中构建数据库的数据包括断电、频率偏差、电压下降、电压上升、瞬时脉冲或突破、电压波动、电压切痕和谐波。

优选的，所述步骤(2)包括利用相空间重构PSR进行电能扰动特性提取，采集的电能扰动信号以时间序列的形式进行记录，特征矩阵A＝{a_i}。

优选的，所述步骤(3)包括生成稀疏随机投影矩阵T∈R，A^1/2表示A的每个元素取平方根后的矩阵。

优选的，所述步骤(4)中采用Libsvm工具箱来进行分类识别；Libsvm工具箱为SVM模式识别与回归的软件包，进行分类工作时，通过已有样本得到训练模型svmtrain(Y,A)，其中，Y为标签向量。

优选的，步骤(4)后调度人员根据分类结果排查原因，以保证电网的正常运行。

与现有技术比，本发明的有益效果为：

1)将基于随机梯度下降算法的SVM分类器应用到电能质量扰动事件的分类识别中，可以有效解决电力大数据有线样本、非线性及高维模式的分类问题。

2)χ²相似度在很多机器学习问题中得到广泛应用。特别是在支持向量机SVMs学习中，其识别精度相比其它一些度量方式具有较显著的优势。然而，基于χ²核的非线性SVMs在大规模数据集上存在计算效率低下的问题。本发明采用线性SVM逼近χ²核SVM，使得分类器同时具有线性核的高计算效率，又兼备非线性核函数的高分类准确率。

3)本发明只需利用投影后数据的符号即可进行分类，因此数据保存时，只需存储预处理后数据的符号，大大缓解了现如今日益增长的电网数据量给存储带来挑战。

本发明为准确、实时的分析电力大数据提供了可能。

附图说明

图1为本发明提供的一种对电能质量扰动事件分类的方法示意图。

图2为本发明提供的基于随机投影的电力大数据SVM分类系统示意图。

图3为本发明提供的传统χ²核矩阵与本发明逼近核矩阵分布比较示意图。

图4为本发明提供的本方法与χ²核函数最终得到的分类准确率比较示意图。

图5为本发明提供的本方法和χ²核函数训练时间的比较示意图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

本发明提供一种对电能质量扰动事件分类的方法，在保证分类准确率的前提下，使得电力大数据的实时在线处理成为可能。

如图1所示，本发明一种对电能质量扰动事件分类的方法具体流程如下：

a)针对电能质量扰动事件分类识别的目标，收集数据构建相应的数据库。本发明中，我们主要采集了常见的八种电能质量扰动：断电，频率偏差，电压下降，电压上升，瞬时脉冲或突破，电压波动，电压切痕和谐波。然后根据相关背景知识做标注，即将八种电能质量扰动分别用数字1～8做标记，得到标签向量记为Y＝{y_i}，y_i指第i个样本的类别。

b)确定目标数据，根据需要从原始数据库中选取相关数据和样本，采用一些常见的电能特性提取方法获取电力数据特征矩阵。本发明利用相空间重构(PSR)进行电能扰动特性提取，首先采集的电能扰动信号以时间序列的形式进行记录，比如对50Hz标准正弦波以4.8kHz采样频率将其离散化，每个周波获得96点时间序列，将其归一化至[-1,1]，则a_i＝[0,0.065,0.013,...,0.998,1,0.998,...,-0.013,-0.065]。特征矩阵A＝{a_i}。

c)随机生成高斯稀疏随机投影矩阵R，然后通过该矩阵将所获取的电网数据投影到新的特征空间X＝A^1/2T，保留该特征空间中数据矩阵X的符号矩阵S＝sign(X)。

d)以符号矩阵S代替原始直接从电网扰动事件中提取的特征矩阵A，训练线性SVMs分类器。这一步骤中，我们直接采用Libsvm工具箱来进行分类识别。Libsvm工具箱是一个简单、易于使用和快速有效的SVM模式识别与回归的软件包，进行分类工作时，首先通过已有样本要训练模型svmtrain(Y,A)；

e)对一个正在进行的未知电网扰动事件，以与a)中同样的采样频率将其离散化，得到特征向量记为u，通过c)中得到的高斯稀疏随机投影矩阵R将其映射到新的特征空间ν＝u^1/2T，利用上一步已训练好的模型进行分类：

[accuracy,predict_label]＝svmpredict(test_label,ν,model)；

这里由于待预测扰动事件的类别未知，所以我们可以赋给test_label任意值，对该事件的预测标记predict_label都没有任何影响。accuracy和test_label在算法评估时才有意义。

根据相关背景知识，解释分类结果，比如得到预测结果predict_label＝1，表示电网正处于断电状态，那么调度人员应立即排查断电原因，及时恢复供电以保证电网的正常运行。

其中，

图2是本发明的基本应用示意图，假设u，ν是来自电网扰动事件的两个数据。

图3是仿真实验比较。随机生成一组服从t分布的数据作为原始数据，t分布有两个参数：分位点α和自由度n，实验中我们选取分位点α∈[0,1]，步长为0.01，自由度n取1(实验中，自由度n取更大值的时候结果也是类似的)。图中给出了经本发明处理后与经典的χ²核函数计算得到的核矩阵的比较。为方便观察，对本方法得到的矩阵取负值，χ²核函数得到的矩阵保持不变。可以看到，两者的分布基本一致。

图4是利用本方法与χ²核函数在电能质量扰动分类任务中最终得到的分类准确率。我们选取了1600个训练样本和1600个测试样本，其中每个扰动的训练样本和测试样本均为200个。横坐标C为SVM分类器参数。从图中我们可以看到，本发明逼近方法对分类准确率几乎无影响。

图5是本方法和χ²核函数在电能质量扰动分类任务中训练时间的比较。我们分别比较了不同样本数量下的时间差(训练样本和测试样本量一致)，可以发现样本量越大，采用本发明系统节省的时间越多，因此能高效处理电力大数据的分类问题。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (7)

1.一种对电能质量扰动事件分类的方法，其特征在于，所述方法包括步骤：

(1)针对电能质量扰动事件分类识别的目标，收集数据并构建相应的原始数据库；

(2)确定目标数据，根据从原始数据库中选取的相关数据和样本，获取电力数据特征矩阵A；

(3)随机生成高斯稀疏随机投影矩阵T，通过该矩阵将所获取的电力数据投影到新的特征空间X＝A^1/2T，保留该特征空间中数据矩阵X的符号矩阵S＝sign(X)；

(4)以符号矩阵S代替电力数据的特征矩阵A，训练线性SVMs分类器；对一个正在进行的未知电网扰动事件，以与步骤(1)中同样的采样频率将其离散化，得到特征向量记为u，通过步骤(3)中得到的高斯稀疏随机投影矩阵T将其映射到新的特征空间ν＝u^1/2T，利用SVMs分类器已训练好的模型进行分类。

2.如权利要求1所述的一种对电能质量扰动事件分类的方法，其特征在于，所述步骤(1)包括根据相关背景知识做标注，即将八种电能质量扰动分别用数字1～8做标记，得到标签向量记为Y＝{y_i}，y_i指第i个样本的类别。

3.如权利要求1所述的一种对电能质量扰动事件分类的方法，其特征在于，所述步骤(1)中构建数据库的数据包括断电、频率偏差、电压下降、电压上升、瞬时脉冲或突破、电压波动、电压切痕和谐波。

4.如权利要求1所述的一种对电能质量扰动事件分类的方法，其特征在于，所述步骤(2)包括利用相空间重构PSR进行电能扰动特性提取，采集的电能扰动信号以时间序列的形式进行记录，特征矩阵A＝{a_i}。

5.如权利要求1所述的一种对电能质量扰动事件分类的方法，其特征在于，所述步骤(3)包括生成稀疏随机投影矩阵T∈R，A^1/2表示A的每个元素取平方根后的矩阵。

6.如权利要求1所述的一种对电能质量扰动事件分类的方法，其特征在于，所述步骤(4)中采用Libsvm工具箱来进行分类识别；Libsvm工具箱为SVM模式识别与回归的软件包，进行分类工作时，通过已有样本得到训练模型svmtrain(Y,A)，其中，Y为标签向量。

7.如权利要求1所述的一种对电能质量扰动事件分类的方法，其特征在于，步骤(4)后调度人员根据分类结果排查原因，以保证电网的正常运行。