CN108664923A - 基于lmd与机器学习分类的电压扰动信号分类方法及系统 - Google Patents
基于lmd与机器学习分类的电压扰动信号分类方法及系统 Download PDFInfo
- Publication number
- CN108664923A CN108664923A CN201810442987.0A CN201810442987A CN108664923A CN 108664923 A CN108664923 A CN 108664923A CN 201810442987 A CN201810442987 A CN 201810442987A CN 108664923 A CN108664923 A CN 108664923A
- Authority
- CN
- China
- Prior art keywords
- signal
- lmd
- voltage
- voltage disturbance
- modulation recognition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于LMD与机器学习分类的电压扰动信号分类方法及系统,本发明的步骤包括获得原始电压扰动信号,对原始电压扰动信号进行LMD分解,获得包含原始信号频率、幅值物理意义的LMD进行3层分解乘积函数分量、将该分解乘积函数分量构建的信号能量值作为神经网络的输入;经过神经网络训练识别后,最后对识别结果进行贴近度判断,实现对电压扰动信号的识别分类。本发明能够实现对电压扰动信号的识别分类,适用于非线性信号和非平稳信号的处理,受噪音的影响小,不易受到过包络和欠包络现象的影响,具有信号处理效率高、识别准确率高,识别工作效率好的优点。
Description
技术领域
本发明涉及电力系统信号处理的电压扰动信号检测技术,具体涉及一种基于LMD与机器学习分类的电压扰动信号分类方法及系统。
背景技术
电力系统在运行过程中,存在大量非线性、不规则的电力信号。同时,受到各种故障、开关闭合操作、雷击等情况的影响,会产生大量的电压扰动信号,这些信号的存在使电力系统电压的幅值、频率产生畸变,影响电力设备的正常运行,进而影响电力系统的安全。
目前针对电压扰动信号处理的方法种类很多,但在对非线性信号和非平稳信号的处理中,都存在一定的缺陷。傅里叶变换是传统的信号提取与处理方法,但其不适用于处理非线性和非平稳信号,并存在频谱泄露和栅栏现象;小波及小波包变换不属于真正的自适应变换,必须在构造严格的标准函数的基础上进行信号的分解,否则无法达到最佳的分解效果;S变换是加窗傅立叶变换和连续小波变换思想的结合与推广,该变换窗函数是一个随频率变化而伸缩的高斯函数,因此受到噪音的影响较大;希尔伯特黄变换法(Hilbert-Huang Transform,HHT)和经验模态分解(Empirical Mode Decomposition,EMD)法容易受到过包络和欠包络现象的影响,存在较严重的端点污染,使得检测出现无法解释的数值。
发明内容
本发明要解决的技术问题:针对现有技术的上述问题,提供一种基于LMD与机器学习分类的电压扰动信号分类方法及系统,本发明能够实现对电压扰动信号的识别分类,适用于非线性信号和非平稳信号的处理,受噪音的影响小,不易受到过包络和欠包络现象的影响,具有信号处理效率高、识别准确性便于证明判断、识别准确率高,识别工作效率好的优点。
为了解决上述技术问题,本发明采用的技术方案为:
一种基于LMD与机器学习分类的电压扰动信号分类方法,实施步骤包括:
1)获得原始电压扰动信号u(t);
2)对原始电压扰动信号u(t)进行LMD分解获得指定层数的分解乘积函数分量;
3)将指定层数的分解乘积函数分量的信号能量值构造特征向量T;
4)将特征向量T输入预先完成训练的机器学习分类模型进行分类识别;
5)对分类识别结果与预设的电压扰动信号分类标准进行最小平均贴近度计算,确定与原始电压扰动信号u(t)最贴近的电压扰动信号分类并输出。
优选地,步骤2)的详细步骤包括:
2.1)将原始电压扰动信号u(t)作为待分解信号ui(t),其中i为LMD分解的层数;
2.2)确定待分解信号ui(t)中的所有局部极值点,计算任意两个相邻局部极值点之间的平均值和幅值包络估计值;
2.3)选择第一个局部极值点作为当前局部极值点mj;
2.4)将当前局部极值点mj的平均值nj滑动平滑处理得到局部均值函数n1i(t)、幅值包络估计值aj滑动平滑处理得到幅值包络估计函数a1j(t);
2.5)从待分解信号ui(t)中分离出局部均值函数u1j(t)得到剩余的信号h1j(t);
2.6)将剩余的信号h1j(t)除以幅值包络估计函数a1j(t)得到电压调频信号s1j(t);
2.7)判断幅值包络估计函数a1j(t)的值为1是否成立,如果成立则判定电压调频信号s1j(t)为纯调频信号,跳转执行步骤2.7);否则判定电压调频信号s1j(t)为非调频信号,选择下一个局部极值点作为当前局部极值点mj,跳转执行步骤2.4);
2.8)将步骤2.3)得到的所有的幅值包络估计函数a1j(t)相乘得到幅值包络信号ai(t),将幅值包络信号ai(t)和步骤2.7)得到的纯调频信号相乘得到第i层分解乘积函数分量PFi,其中i为LMD分解的层数;
2.9)判断LMD分解的层数i小于预设阈值是否成立,如果成立则将LMD分解的层数i加1,将待分解信号ui(t)分离出第i层分解乘积函数分量PFi作为新的待分解信号ui(t),跳转执行步骤2.2);否则,跳转执行步骤3)。
优选地,步骤3)的详细步骤包括:
3.1)根据式(9)求得各层分解乘积函数分量的总能量;
式(9)中,Ei表示第i层分解乘积函数分量的总能量,PFi(t)表示第i层分解乘积函数分量PFi在t时刻的取值,t为时间;
3.2)将各层分解乘积函数分量的总能量共同构造特征向量T。
优选地,步骤4)中的机器学习分类模型为BP神经网络,BP神经网络的输入为特征向量T、输出为特征向量T的归一化处理结果。
优选地,步骤5)中所述电压扰动信号分类标准的确定步骤包括:
S1)预先构建包含不同电压扰动信号分类的原始电压扰动信号u(t)的训练样本集,所述训练样本集包括原始电压扰动信号u(t)对应的特征向量T;
S2)针对各个训练样本的特征向量T进行归一化处理;
S3)针对归一化处理结果进行K-means运算设定能量值的判定标准;
S4)针对训练样本集中选取n个对象作为初始聚类中心,对剩下的个对象与聚类中心求取相似度,得到新的聚类中心后继续迭代运算,是采用距离作为相似性的评价指标,最终得到不同电压扰动信号分类对应的电压扰动信号分类标准,所述电压扰动信号分类标准包含与特征向量T中标量数量相同的多个归一化处理值。
优选地,步骤5)中进行最小平均贴近度计算的函数表达式如式(11)所示;
式(11)中,δi表示第i个预设的电压扰动信号分类标准Ai与分类识别结果B之间的最小平均贴近度,Ai(ui)∧B(ui)是对第i个预设的电压扰动信号分类标准Ai与分类识别结果B两个集合进行交运算,Ai(ui)+B(ui)是对第i个预设的电压扰动信号分类标准Ai与分类识别结果B两个集合的和运算,n为第i个预设的电压扰动信号分类标准Ai与分类识别结果B中的元素个数。
本发明还提供一种基于LMD与机器学习分类的电压扰动信号分类系统,包括计算机设备,所述计算机设备被编程以执行本发明基于LMD与机器学习分类的电压扰动信号分类方法的步骤。
与现有技术相比,本发明的优点在于:
1、本发明在对原始电压扰动信号进行LMD分解过程中不需要将分解量重复使用,其分解速度和效率更快。
2、本发明根据模糊理论中最小平均贴近度原则,将学习输出后的归一化能量值与设定的判断标准进行贴近度比较,更能证明机器学习分类训练后分类识别的准确性。
3、本发明有效地将LMD法与机器学习分类相结合,构成电压扰动信号分类器,实现电压扰动信号的快速、准确分类,识别准确率高,工作效率好。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为电压暂降信号的原始信号波形。
图3是电压暂降信号的LMD两层分解波形。
图4是电压暂降信号的电压瞬时幅值。
图5是电压暂降信号的电压瞬时频率。
图6为电压中断信号的原始信号波形。
图7是电压中断信号的LMD两层分解波形。
图8是电压中断信号的电压瞬时幅值。
图9是电压中断信号的电压瞬时频率;
图10为电压振荡信号的原始信号波形。
图11是电压振荡信号的LMD两层分解波形。
图12是电压振荡信号的电压瞬时幅值。
图13是电压振荡信号的电压瞬时频率;
图14为电压频率偏移信号的原始信号波形。
图15是电压频率偏移信号的LMD两层分解波形。
图16是电压频率偏移信号的电压瞬时幅值。
图17是电压频率偏移信号的电压瞬时频率。
具体实施方式
下文将以电压暂降、电压中断、电压振荡、电压频率偏移(简称频率偏移)4种经典电压扰动信号为例,对本发明基于LMD与机器学习分类的电压扰动信号分类方法进行进一步的详细说明。
参见图1,本实施例基于LMD与机器学习分类的电压扰动信号分类方法的实施步骤包括:
1)获得原始电压扰动信号u(t);
2)对原始电压扰动信号u(t)进行LMD(Local Mean Decomposition,局部均值分解法)分解获得指定层数的分解乘积函数分量;本实施例中,指定层数具体是三层,得到的分解乘积函数分量(Product Function,简称PF)分别为PF1~PF3;
3)将指定层数的分解乘积函数分量的信号能量值构造特征向量T;
4)将特征向量T输入预先完成训练的机器学习分类模型进行分类识别;
5)对分类识别结果与预设的电压扰动信号分类标准进行最小平均贴近度计算,确定与原始电压扰动信号u(t)最贴近的电压扰动信号分类并输出。
本实施例是在电压暂降、电压中断、电压振荡、电压频率偏移4种经典电压扰动信号的原始数据,利用LMD算法对原始信号进行分解,获得包含原始信号频率、幅值的LMD3层分解PF分量;将该PF分量构建的信号能量值作为BP神经网络的输入;经过BP神经网络训练识别后,最后对识别结果进行贴近度判断,实现对电压扰动信号的识别分类。
本实施例中,步骤2)的详细步骤包括:
2.1)将原始电压扰动信号u(t)作为待分解信号ui(t),其中i为LMD分解的层数;
2.2)确定待分解信号ui(t)中的所有局部极值点,计算任意两个相邻局部极值点之间的平均值和幅值包络估计值;两个相邻局部极值点的平均值的计算函数表达式如式(1)所示,幅值包络估计值的计算函数表达式如式(2)所示;
式(1)和式(2)中,ni表示第i对相邻局部极值点之间的平均值,ai表示第i对相邻局部极值点之间的幅值包络估计值,mi为第i个局部极值点,mi+1为第i+1个局部极值点;
2.3)选择第一个局部极值点作为当前局部极值点mj;
2.4)将当前局部极值点mj的平均值nj滑动平滑处理得到局部均值函数n1i(t)、幅值包络估计值aj滑动平滑处理得到幅值包络估计函数a1j(t);
2.5)从待分解信号ui(t)中分离出局部均值函数u1j(t)得到剩余的信号h1j(t);
2.6)将剩余的信号h1j(t)除以幅值包络估计函数a1j(t)得到电压调频信号s1j(t);
2.7)判断幅值包络估计函数a1j(t)的值为1是否成立,如果成立则判定电压调频信号s1j(t)为纯调频信号,跳转执行步骤2.7);否则判定电压调频信号s1j(t)为非调频信号,选择下一个局部极值点作为当前局部极值点mj,跳转执行步骤2.4);
2.8)将步骤2.3)得到的所有的幅值包络估计函数a1j(t)相乘得到幅值包络信号ai(t),将幅值包络信号ai(t)和步骤2.7)得到的纯调频信号相乘得到第i层分解乘积函数分量PFi,其中i为LMD分解的层数;
2.9)判断LMD分解的层数i小于预设阈值是否成立,如果成立则将LMD分解的层数i加1,将待分解信号ui(t)分离出第i层分解乘积函数分量PFi作为新的待分解信号ui(t),跳转执行步骤2.2);否则,跳转执行步骤3)。
其中,步骤2.3)~2.7)的迭代过程可采用式(3)表示,参见步骤2.6)可知式(4),且式(3)的迭代终止条件为:limn→∞a1n(t)=1,其中n表示第n次迭代。
式(3)和式(4)中,h11(t)表示第1层LMD分解时的第1个局部极值点在步骤2.5)得到剩余的信号,x(t)为待分解信号ui(t),n11(t)表示第1层LMD分解时的第1个局部极值点在步骤2.4)得到局部均值函数;h12(t)表示第1层LMD分解时的第2个局部极值点在步骤2.5)得到剩余的信号,s11(t)表示第1层LMD分解时的第1个局部极值点在步骤2.6)得到的电压调频信号,n12(t)表示第1层LMD分解时的第2个局部极值点在步骤2.4)得到局部均值函数;依次类推,h1n(t)表示第1层LMD分解时的第n-1个局部极值点在步骤2.5)得到剩余的信号,s1(n-1)(1)表示第1层LMD分解时的第n-1个局部极值点在步骤2.6)得到的电压调频信号,n1n(t)表示第1层LMD分解时的第n-1个局部极值点在步骤2.4)得到局部均值函数;s1n(t)表示第1层LMD分解时的第n个局部极值点在步骤2.6)得到的电压调频信号。
对于第1层LMD分解而言,步骤2.8)将所有的幅值包络估计函数a1j(t)相乘得到幅值包络信号ai(t)可采用式(5)表示;
式(5)中,a1(t)为第1层LMD分解得到幅值包络信号,a11(t)表示第1层LMD分解时的第1个局部极值点的幅值包络估计函数,a12(t)表示第1层LMD分解时的第2个局部极值点的幅值包络估计函数,a1n(t)表示第1层LMD分解时的第n个局部极值点的幅值包络估计函数,n为第1层LMD分解时的局部极值点数量。
对于第1层LMD分解而言,步骤2.8)将幅值包络信号ai(t)和步骤2.7)得到的纯调频信号相乘得到第1层分解乘积函数分量PF1可采用式(6)表示,该PF函数分量包含原始电压扰动信号中最高频率信号的所有瞬间幅值和频率。
PF1=a1(t)s1n(t) (6)
式(6)中,a1(t)为第1层LMD分解得到幅值包络信号,s1n(t)表示第1层LMD分解时的第n个局部极值点在步骤2.6)得到的电压调频信号。
原始电压扰动信号u(t)分离出第1层分解乘积函数分量PF1后,剩余信号设为u1(t)。对该信号重复以上分解步骤,循环k次,直至uk(t)单调为单调函数,则已分离出所有PF分量,可采用式(7)表示,因此可将原始电压扰动信号u(t)表示为剩余量和乘积函数分量之和,如式(8)表示;
式(7)和式(8)中,u1(t)为分离出第1层分解乘积函数分量PF1后得到的剩余信号,u2(t)为分离出第2层分解乘积函数分量PF2后得到的剩余信号,uk-1(t)为分离出第k-1层分解乘积函数分量PFk-1后得到的剩余信号,uk(t)为分离出第k层分解乘积函数分量PFk后得到的剩余信号,u(t)为原始电压扰动信号,k为LMD分解的层数。
图2~图5为电压暂降信号的LMD分解示意图,图6~图9是电压中断信号的LMD分解示意图,图10~图13是电压振荡信号的LMD分解示意图,图14~图17是电压频率偏移信号的LMD分解示意图。由图2~图17可知,针对电压暂降、电压中断、电压振荡、电压频率偏移4种典型扰动信号,它们的不仅原始信号不同,而且在频率、幅值方面均存在明显差异。对比图2-5和图6-9可以看出,电压暂降信号和电压中断信号频率波形基本保持一致,但是幅值存在较大区别;对比图2-5和图14-17可以看出,电压暂降信号与电压频率偏移信号有基本一致的幅值波形,但频率波形不一致。因此仅根据其中一项对信号类型进行分析判断存在误差。加之实际的电压扰动情况时间短,无法和实验一样明确分辨扰动情况的具体信息。因此通过构建电压扰动分类器,结合信号自身的多方面信息实现信号分类。
本实施例中,步骤3)的详细步骤包括:
3.1)根据式(9)求得各层分解乘积函数分量的总能量;
式(9)中,Ei表示第i层分解乘积函数分量的总能量,PFi(t)表示第i层分解乘积函数分量PFi在t时刻的取值,t为时间;
3.2)将各层分解乘积函数分量的总能量共同构造特征向量T。
本实施例中,根据各个第i层分解乘积函数分量的总能量Ei为元素构造得到的特征向量T如式(10)所示;
T=[E1,E2,E3] (10)
式(10)中,T为特征向量,E1表示第1层分解乘积函数分量的总能量,E2表示第2层分解乘积函数分量的总能量,E3表示第3层分解乘积函数分量的总能量。
本实施例中,步骤4)中的机器学习分类模型为BP神经网络,BP神经网络的输入为特征向量T、输出为特征向量T的归一化处理结果。将电压扰动信号分解后的能量特征值T分为训练数据和测试数据,不断更新阈值和权值,直到网络收敛,控制误差为0.001;然后,通过训练好的网络判别电压扰动信号。由于能量数值相对较大,为便于后期数据处理,对向量特征T进行归一化处理。令总能量则归一化之后的特征向量T为:T=[E1/E,E2/E,E3/E]。在训练BP神经网络时,将训练集的特征向量T的归一化处理结果分别形成序列c1、c2、c3、c4(c1~c4依次代表电压暂降、电压中断、电压暂态振荡和电压频率偏移这4种信号类型)和向量特征T一起作为BP神经网络的输入来对BP神经网络进行训练,例如某12个特征向量T实例的归一化处理结果如表1所示;
表1:12个特征向量T实例的归一化处理结果。
本实施例中,步骤5)中所述电压扰动信号分类标准的确定步骤包括:
S1)预先构建包含不同电压扰动信号分类的原始电压扰动信号u(t)的训练样本集,所述训练样本集包括原始电压扰动信号u(t)对应的特征向量T;
S2)针对各个训练样本的特征向量T进行归一化处理;
S3)针对归一化处理结果进行K-means运算设定能量值的判定标准;
S4)针对训练样本集中选取n个对象作为初始聚类中心,对剩下的个对象与聚类中心求取相似度,得到新的聚类中心后继续迭代运算,是采用距离作为相似性的评价指标,最终得到不同电压扰动信号分类对应的电压扰动信号分类标准,所述电压扰动信号分类标准包含与特征向量T中标量数量相同的多个归一化处理值。本实施例中,对训练样本的4种类型每组250个信号三层分解后归一化能量值进行K-means运算,以设定能量值的判定标准。K-means算法通过选取250个信号中的n个对象作为初始聚类中心,对剩下的(250-n)个对象与聚类中心求取相似度,得到新的聚类中心后继续迭代运算,是典型的基于距离的聚类算法,采用距离作为相似性的评价指标,即认为两个对象的距离越近,其相似度就越大。通过K-means算法,设定4种不同电压扰动信号能量值的判定标准为:
电压暂降:c10=[0.9151,0.1202,0.0423]
电压中断:c20=[0.8316,0.1217,0.0728]
暂态振荡:c30=[0.5542,0.2479,0.2508]
频率偏移:c40=[0.9882,0.0369,0.0189]
本实施例中,步骤5)中进行最小平均贴近度计算的函数表达式如式(11)所示;
式(11)中,δi表示第i个预设的电压扰动信号分类标准Ai与分类识别结果B之间的最小平均贴近度,Ai(ui)∧B(ui)是对第i个预设的电压扰动信号分类标准Ai与分类识别结果B两个集合进行交运算,Ai(ui)+B(ui)是对第i个预设的电压扰动信号分类标准Ai与分类识别结果B两个集合的和运算,n为第i个预设的电压扰动信号分类标准Ai与分类识别结果B中的元素个数。在得到预设的电压扰动信号分类标准B(c10、c20、c30、c40)的基础上,根据模糊理论中最小平均贴近度原则,将学习输出后的归一化能量值与设定的判断标准进行贴近度比较,检验信号分类的正确性。
本实施例中,选取4种扰动信号类型每种2个样本信号,对8个测试样本(F1~F4组,共8个)做标准化处理后计算测试样本和标准样本的贴近度,每组测试样本和标准样本的最小平均贴近度用δi(i=1,2,3,4)表示,选定Ai集合分别为4种扰动信号判定标准(即c10、c20、c30、c40),B集合为分解后的校验信号能量值,计算得到的最小平均贴近度如表2所示;
表2:扰动信号检测结果。
根据贴近度原则,从表2可以看出:F1组δ3值最大,为电压暂降信号;F2组δ2值最大,为电压中断信号;F3组δ1值最大,为暂态振荡信号;F4组δ4值最大,为频率偏移信号。将原始信号和校验信号(F1~F4组,共8个)两者分别与判断标准(c10~c40)贴近度计算的数值进行对比,可知检测的扰动信号与原设定信号结果相符,通过该信号分类器处理后的准确率高,证明基于LMD的BP神经网络在对8组扰动信号处理中做出了正确的判断。综上所述,本实施例基于局部均值分解法与机器学习分类相结合,获得原始电压扰动信号后对原始电压扰动信号进行LMD分解,获得包含原始信号频率、幅值物理意义的LMD三层分解乘积函数分量;将该分解乘积函数分量构建的信号能量值作为BP神经网络的输入;经过BP神经网络训练识别后,最后对识别结果进行贴近度判断,实现对电压扰动信号的识别分类。本实施例基于LMD与机器学习分类的电压扰动信号分类方法通过对4种典型电压扰动信号的识别实验,结果表明基于LMD和BP神经网络的电压信号分类准确度高,工作效率好。
需要说明的是,本实施例中仅仅是以BP神经网络作为机器学习分类模型的实例来进行的示例性说明,毫无疑问,在此启发下,本领域技术人员也可以根据需要采用其他的机器学习分类模型来取代BP神经网络,其同样也可以实现基于LMD与对应机器学习分类模型的的电压扰动信号分类,在此不再详述。此外,本实施例还提供一种基于LMD与机器学习分类的电压扰动信号分类系统,包括计算机设备,该计算机设备被编程以执行本实施例基于LMD与机器学习分类的电压扰动信号分类方法的步骤,在此不再赘述。
以上所述仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于LMD与机器学习分类的电压扰动信号分类方法,其特征在于实施步骤包括:
1)获得原始电压扰动信号u(t);
2)对原始电压扰动信号u(t)进行LMD分解获得指定层数的分解乘积函数分量;
3)将指定层数的分解乘积函数分量的信号能量值构造特征向量T;
4)将特征向量T输入预先完成训练的机器学习分类模型进行分类识别;
5)对分类识别结果与预设的电压扰动信号分类标准进行最小平均贴近度计算,确定与原始电压扰动信号u(t)最贴近的电压扰动信号分类并输出。
2.根据权利要求1所述的基于LMD与机器学习分类的电压扰动信号分类方法,其特征在于,步骤2)的详细步骤包括:
2.1)将原始电压扰动信号u(t)作为待分解信号ui(t),其中i为LMD分解的层数;
2.2)确定待分解信号ui(t)中的所有局部极值点,计算任意两个相邻局部极值点之间的平均值和幅值包络估计值;
2.3)选择第一个局部极值点作为当前局部极值点mj;
2.4)将当前局部极值点mj的平均值nj滑动平滑处理得到局部均值函数n1i(t)、幅值包络估计值aj滑动平滑处理得到幅值包络估计函数a1j(t);
2.5)从待分解信号ui(t)中分离出局部均值函数u1j(t)得到剩余的信号h1j(t);
2.6)将剩余的信号h1j(t)除以幅值包络估计函数a1j(t)得到电压调频信号s1j(t);
2.7)判断幅值包络估计函数a1j(t)的值为1是否成立,如果成立则判定电压调频信号s1j(t)为纯调频信号,跳转执行步骤2.7);否则判定电压调频信号s1j(t)为非调频信号,选择下一个局部极值点作为当前局部极值点mj,跳转执行步骤2.4);
2.8)将步骤2.3)得到的所有的幅值包络估计函数a1j(t)相乘得到幅值包络信号ai(t),将幅值包络信号ai(t)和步骤2.7)得到的纯调频信号相乘得到第i层分解乘积函数分量PFi,其中i为LMD分解的层数;
2.9)判断LMD分解的层数i小于预设阈值是否成立,如果成立则将LMD分解的层数i加1,将待分解信号ui(t)分离出第i层分解乘积函数分量PFi作为新的待分解信号ui(t),跳转执行步骤2.2);否则,跳转执行步骤3)。
3.根据权利要求1所述的基于LMD与机器学习分类的电压扰动信号分类方法,其特征在于,步骤3)的详细步骤包括:
3.1)根据式(9)求得各层分解乘积函数分量的总能量;
式(9)中,Ei表示第i层分解乘积函数分量的总能量,PFi(t)表示第i层分解乘积函数分量PFi在t时刻的取值,t为时间;
3.2)将各层分解乘积函数分量的总能量共同构造特征向量T。
4.根据权利要求1所述的基于LMD与机器学习分类的电压扰动信号分类方法,其特征在于,步骤4)中的机器学习分类模型为BP神经网络,BP神经网络的输入为特征向量T、输出为特征向量T的归一化处理结果。
5.根据权利要求1所述的基于LMD与机器学习分类的电压扰动信号分类方法,其特征在于,步骤5)中所述电压扰动信号分类标准的确定步骤包括:
S1)预先构建包含不同电压扰动信号分类的原始电压扰动信号u(t)的训练样本集,所述训练样本集包括原始电压扰动信号u(t)对应的特征向量T;
S2)针对各个训练样本的特征向量T进行归一化处理;
S3)针对归一化处理结果进行K-means运算设定能量值的判定标准;
S4)针对训练样本集中选取n个对象作为初始聚类中心,对剩下的个对象与聚类中心求取相似度,得到新的聚类中心后继续迭代运算,是采用距离作为相似性的评价指标,最终得到不同电压扰动信号分类对应的电压扰动信号分类标准,所述电压扰动信号分类标准包含与特征向量T中标量数量相同的多个归一化处理值。
6.根据权利要求1所述的基于LMD与机器学习分类的电压扰动信号分类方法,其特征在于,步骤5)中进行最小平均贴近度计算的函数表达式如式(11)所示;
式(11)中,δi表示第i个预设的电压扰动信号分类标准Ai与分类识别结果B之间的最小平均贴近度,Ai(ui)∧B(ui)是对第i个预设的电压扰动信号分类标准Ai与分类识别结果B两个集合进行交运算,Ai(ui)+B(ui)是对第i个预设的电压扰动信号分类标准Ai与分类识别结果B两个集合的和运算,n为第i个预设的电压扰动信号分类标准Ai与分类识别结果B中的元素个数。
7.一种基于LMD与机器学习分类的电压扰动信号分类系统,包括计算机设备,其特征在于,所述计算机设备被编程以执行权利要求1~6中任意一项所述基于LMD与机器学习分类的电压扰动信号分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442987.0A CN108664923A (zh) | 2018-05-10 | 2018-05-10 | 基于lmd与机器学习分类的电压扰动信号分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810442987.0A CN108664923A (zh) | 2018-05-10 | 2018-05-10 | 基于lmd与机器学习分类的电压扰动信号分类方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108664923A true CN108664923A (zh) | 2018-10-16 |
Family
ID=63778229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810442987.0A Pending CN108664923A (zh) | 2018-05-10 | 2018-05-10 | 基于lmd与机器学习分类的电压扰动信号分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108664923A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321919A (zh) * | 2019-04-30 | 2019-10-11 | 广东电网有限责任公司 | 一种用于低压单相用户户相关系辨识的聚类方法 |
CN111639583A (zh) * | 2020-05-26 | 2020-09-08 | 国网湖南省电力有限公司 | 一种电网电能质量扰动的识别方法及系统 |
CN111984242A (zh) * | 2020-08-20 | 2020-11-24 | 中电科仪器仪表有限公司 | 一种合成信号的分解方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1805234A (zh) * | 2005-12-21 | 2006-07-19 | 长沙理工大学 | 网络环境下基于模式匹配的电力系统继电保护信息安全防护方法 |
CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
CN104792520A (zh) * | 2015-04-09 | 2015-07-22 | 中山火炬职业技术学院 | 风力发电机组齿轮箱故障诊断方法 |
CN106778923A (zh) * | 2017-03-23 | 2017-05-31 | 广东电网有限责任公司珠海供电局 | 一种电能质量扰动信号分类方法及装置 |
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
CN107462785A (zh) * | 2017-06-14 | 2017-12-12 | 郑州轻工业学院 | 基于ga‑svm的电能质量多扰动信号分类识别方法 |
-
2018
- 2018-05-10 CN CN201810442987.0A patent/CN108664923A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1805234A (zh) * | 2005-12-21 | 2006-07-19 | 长沙理工大学 | 网络环境下基于模式匹配的电力系统继电保护信息安全防护方法 |
CN104390781A (zh) * | 2014-11-26 | 2015-03-04 | 中国矿业大学 | 一种基于lmd和bp神经网络的齿轮故障诊断方法 |
CN104792520A (zh) * | 2015-04-09 | 2015-07-22 | 中山火炬职业技术学院 | 风力发电机组齿轮箱故障诊断方法 |
CN106910186A (zh) * | 2017-01-13 | 2017-06-30 | 陕西师范大学 | 一种基于cnn深度学习的桥梁裂缝检测定位方法 |
CN106778923A (zh) * | 2017-03-23 | 2017-05-31 | 广东电网有限责任公司珠海供电局 | 一种电能质量扰动信号分类方法及装置 |
CN107462785A (zh) * | 2017-06-14 | 2017-12-12 | 郑州轻工业学院 | 基于ga‑svm的电能质量多扰动信号分类识别方法 |
Non-Patent Citations (2)
Title |
---|
MINGHONG HAN 等: "A fault diagnosis method combined with LMD, sample entropy and energy ratio for roller bearings", 《MEASUREMENT》 * |
张淑清 等: "基于LMD能量熵和GK模糊聚类的电能质量扰动识别", 《计量学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321919A (zh) * | 2019-04-30 | 2019-10-11 | 广东电网有限责任公司 | 一种用于低压单相用户户相关系辨识的聚类方法 |
CN111639583A (zh) * | 2020-05-26 | 2020-09-08 | 国网湖南省电力有限公司 | 一种电网电能质量扰动的识别方法及系统 |
CN111984242A (zh) * | 2020-08-20 | 2020-11-24 | 中电科仪器仪表有限公司 | 一种合成信号的分解方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271975B (zh) | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 | |
CN108197648B (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
Youssef et al. | Disturbance classification utilizing dynamic time warping classifier | |
CN108875771B (zh) | 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法 | |
CN101587546B (zh) | 基于支持向量多元分类的下肢动作模式的识别方法 | |
CN108664923A (zh) | 基于lmd与机器学习分类的电压扰动信号分类方法及系统 | |
Guh et al. | On-line control chart pattern detection and discrimination—a neural network approach | |
CN108519768A (zh) | 一种基于深度学习和信号分析的故障诊断方法 | |
CN104729667A (zh) | 一种分布式光纤振动传感系统中的扰动类型识别方法 | |
CN108875772B (zh) | 一种基于堆叠稀疏高斯伯努利受限玻尔兹曼机和强化学习的故障分类模型及方法 | |
CN106295798A (zh) | 经验模式分解与Elman神经网络组合风电预测方法 | |
CN104899327A (zh) | 一种无类别标签的时间序列异常检测方法 | |
Moravej et al. | A new approach for fault classification and section detection in compensated transmission line with TCSC | |
CN104809230A (zh) | 一种基于多分类器集成的卷烟感官质量评估方法 | |
CN104915679A (zh) | 一种基于随机森林加权距离的大规模高维数据分类方法 | |
CN111398798B (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
CN106599777A (zh) | 一种基于能量百分比的电缆局部放电信号识别方法 | |
Sivanantham et al. | Comparing the performance of adaptive boosted classifiers in anomaly based intrusion detection system for networks | |
CN105447464A (zh) | 一种基于pso的电能质量扰动识别与分类方法 | |
CN117434384A (zh) | 一种配电网绝缘故障辨识方法及相关装置 | |
Chen et al. | Fault detection for covered conductors with high-frequency voltage signals: From local patterns to global features | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
CN107689015A (zh) | 一种改进的电力系统不良数据辨识方法 | |
Liao et al. | Recognition of partial discharge patterns | |
CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181016 |
|
RJ01 | Rejection of invention patent application after publication |