CN109271975A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN109271975A CN109271975A CN201811373464.1A CN201811373464A CN109271975A CN 109271975 A CN109271975 A CN 109271975A CN 201811373464 A CN201811373464 A CN 201811373464A CN 109271975 A CN109271975 A CN 109271975A
- Authority
- CN
- China
- Prior art keywords
- signal
- frequency
- data
- follows
- big data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 230000002195 synergetic effect Effects 0.000 title claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 239000013598 vector Substances 0.000 claims abstract description 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000003745 diagnosis Methods 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 77
- 238000000354 decomposition reaction Methods 0.000 claims description 46
- 238000012545 processing Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 16
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 230000006872 improvement Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000004141 dimensional analysis Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 238000010197 meta-analysis Methods 0.000 claims description 5
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 6
- 230000008030 elimination Effects 0.000 abstract description 2
- 238000003379 elimination reaction Methods 0.000 abstract description 2
- 238000003672 processing method Methods 0.000 abstract description 2
- 230000001052 transient effect Effects 0.000 description 13
- 230000008901 benefit Effects 0.000 description 11
- 230000010355 oscillation Effects 0.000 description 9
- 230000000295 complement effect Effects 0.000 description 6
- 239000012141 concentrate Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 239000004615 ingredient Substances 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供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,所述方法是建立多信息多分类器融合的电能质量分析决策模型,包括:设计LASSO原理的大数据冗余数据剔除方法、变尺度大数据简约方法和基于数据结构同构简约算法同时用主元分析法对非同源气象数据降维,改进广义S变换、广义谐波小波、EEMD/LMD等多种信息处理方法融合提取电能质量信号特征,然后采用压缩感知分类器(SRC)、ε机复杂系统辨识分类器(εCSSR)和神经网络(ANN)对特征向量分类,最后,采用改进的决策模板法(SWDT),使用混淆矩阵衡量各分类器对每类故障的识别能力,根据初步诊断情况自适应地为各分类器赋予决策权值,充分利用训练信息,提高分类决策准确度。
Description
技术领域
本发明涉及电力信号检测及分析,特别涉及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。
背景技术
电力系统经济、稳定、安全运行是人民生产生活的重要保障。电能质量分析是维护高质量的电能的前提和依据,对电力系统的稳定安全运行具有重要作用。电能质量问题是导致用电设备故障或不能正常工作的电压、电流或者频率的偏差,包括频率偏差、电压偏差、电压波动与闪变、三相不平衡、暂时或瞬时过电压、谐波、电压暂降、中断、暂升以及供电连续性等。电能质量问题一直得到了世界范围内的普遍关注。
目前,电网系统逐步走向智能化信息化时代,不断产生大量结构复杂的电力大数据。同时智能电网的快速发展,现场的电磁干扰以及负荷的频繁变化使得电能质量分析变得越来越难。单一特征量通常很难全面反映出电网运行状态。因此,我们提出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的方法。
发明内容
为解决上述技术问题,本发明提供了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,旨在对智能电网大数据进行简约及主元分析降维,利用改进广义S变换、广义谐波小波包分解、EEMD/LMD信号分解算法等特征提取方法,进行电能质量不同的特征提取,并运用分类器进行综合分类及识别,解决制约算法实施的关键问难,实现优势互补,达到信息增值的效果。各种方法的优势互补,提高电能质量扰动识别正确率。
为实现上述目的,采用的技术方案的特征在于: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,其特征在于:此识别方法包括以下步骤:
(1)针对电能质量信号处理,利用模型提取特征向量:模型如下:
(a)改进广义S变换模型:对标准广义S变换的窗函数w(τ-t,σ)引入参数r=σ×|f|来控制时频分辨率,对电能质量信号进行分析,提取特征向量;其中σ是关于频率f的尺度因子;
(b)广义谐波小波包分解模型:将电能质量信号分解到任意频率宽度,根据频率宽度分解结果,对广义谐波小波包变换的离散形式中的起始频率和频带带宽进行重置,进而对电能质量信号进行分析,提取特征向量;
(c)改进EEMD/LMD信号分解算法模型:根据电能质量信号情况,选择EEMD信号分解算法或LMD信号分解算法对电能质量信号进行分解;其中利用EEMD信号分解算法引入高斯白噪声弥补电能质量信号在不同尺度上的间断性,利用LMD信号分解算法对信号进行平滑处理;
(d)ε机模型:针对电能质量信号序列进行符号化处理,生成符号序列,再采取因果态分割重构法重构ε机,利用重构后的熵率、统计复杂度、状态数和相对熵率有效区分故障线路和非故障线路;
(2)将步骤(1)中各模型提取的特征向量利用基于LZW算法的压缩感知器SRC进行压缩处理;然后采用ε机复杂系统辨识分类器εCSSR和神经网络ANN分别进行分类;其中,ε机复杂系统辨识分类器εCSSR采用因果态重构算法重构ε机组成,ε机复杂系统辨识分类器εCSSR和神经网络ANN需要进行训练,由不同类型典型的电能质量信号经过步骤(1)处理后,对ε机复杂系统辨识分类器εCSSR和神经网络ANN进行训练;
(3)采用改进的决策模板法SWDT,使用混淆矩阵衡量各分类器对每组特征向量的识别能力,根据初步诊断情况自适应地为每组特征向量分类赋予决策权值,识别单一电能质量扰动及混合扰动。
进一步的技术方案在于:所述改进广义S变换模型理论为:
(1)广义S变换通过对标准S变换的窗函数引入参数r来控制时频分辨率,广义S变换定义为:
式中x(t)为时域信号,τ为时移因子,σ是关于频率f的尺度因子,窗函数w(τ-t,σ)可表示为:
式中基于傅里叶变换和卷积原理,GST的快速形式为:
令τ→iT,f→n/NT,T为采样周期,N为信号长度,i、n分别对应时间采样点和频率采样点,则广义S变换的快速离散表达式为:
式中为保证时域和频域扰动分辨率均能满足要求,对基频点f0处的r值进行独立设置,来提高时频扰动分辨率,对参数r进行约束则有:
窗函数对应的离散形式变为:
(2)改进广义S变换的步骤为:
(a)对电能质量信号进行快速傅里叶计算,得到傅里叶频谱H(m),求得基频点n0;
(b)自适应确定r0、rn,求取各频点ni(i=1,2,…N)对应高斯窗函数的傅里叶变换w(m,ni);
(c)将H(m)移位得到H(m+ni)并与w(m,ni)相乘,求其傅里叶逆变换得到时频矩阵S(i,ni);
(d)重复步骤(b)-(c),得到所有频点n对应的分量,最终求得时频矩阵S(i,n);通过引入调节参数使得窗函数的调节更加灵活,适用低频区域和高频区域,其窗函数能更好的维持高斯属性。
进一步的技术方案在于:所述广义谐波小波包分解模型建立步骤如下:
广义谐波小波的一般形式为
式中频带带宽为2π(b-a),分析频带中心为k/(b-a);对广义谐波小波的一般形式进行离散化,则广义谐波小波变换的离散形式为:
令分析频带各子带带宽和每级尺度分析频带的上、下限频率a、b分别为
式中fs为采样频率;j为分解层数,得到广义谐波小波包变换的离散形式为:
重置起始频率和频带带宽,设待分析频段为f1~f2,其中f1为起始频率,f2为终止频率(f1<fs/2,f2<fs/2);则待分析频带宽度△f(△f+f1≤fs/2)为△f=f2-f1,将起始频率f1加入到每级尺度分析频带的上、下限频率a、b中得到新上下限频率:
为使算法更加灵活,将电能质量信号分解到任意频率宽度,引入分解层数k,k为大于1的整数;各子带带宽B变化为:将新的子带带宽和上下限频率带入广义谐波小波包变换的离散形式即可得改进的谐波小波包变换的离散形式。
进一步的技术方案在于:所述改进EEMD/LMD信号分解算法模型中,LMD对扰动信号分解的具体步骤为:
(a)确定任意信号的局部均值函数和包络估计函数;首先找出信号的局部极值点,然后计算相邻两个极值点的平均值mi和包络估计值ai,计算公式如下:对于所有的平均值{mi}和包络估计值{ai},分别用直线将相邻的点连接起来构成两条折线,再通过滑动平均法对折线进行平滑处理,即得到局部均值函数m11(t)和包络估计函数a11(t);
(b)在原始信号中将局部均值函数分离出来;
(c)对分离后的函数进行解调,即用步骤(b)分离后的函数除以步骤(a)求得的包络估计函数,计算公式如下:
s11(t)=h11(t)/a11(t) (1-3-1)
(d)确定原始信号分解的第一个分量;计算公式如下:PF1(t)=a1(t)s1n(t),s1n(t)是通过步骤(c)不断迭代得到的调频信号,a1(t)是所有包络估计函数的乘积;
(e)从原始信号中分离出第一个分量,得到一个新的信号,重复步骤(a)-(d),直至新信号为一个单调函数为止;
EEMD对扰动信号分解的具体步骤为:
(a)对要分解的电能质量扰动信号添加高斯白噪声;得到新的带分解信号;
(b)判断待分解信号的局部极大值与极小值;利用插值的方法求取上下包络线,计算出两包络线的均值,从待分解信号中减去均值得到第一个IMF分量,将IMF分量从信号中分离出来得到新信号r1;
(c)将r1信号作为新的待分解对象,重复上述步骤得到剩余分量。
进一步的技术方案在于:所述ε机模型建立步骤如下:
(a)首先对各故障线路采用均值差分的符号化处理,将时间序列信号替代为某些保留必要信息的符号;
(b)由于某些符号的取值概率与剩余线路中与其最为接近的线路差值较小,不容易分辨,出现一个导致混淆的线路,因此采用因果态分割重构算法重构ε机;
(c)比较各个分量信号的统计量,主要对比熵率ER、统计复杂率SC、状态数SN和相对熵率RER;最后,整合两种方法得到的数据,采用神经网络训练,识别故障信号。
进一步的技术方案在于:所述压缩感知SRC对故障信号数据的压缩处理如下:
(a)对电能质量数据进行采样得到原始数据采样点;
(b)原始信号*10000,提取前四位;
(c)采用三次求差值方法减小数据差异;
(d)读取字符流中下一个C字符并更新后缀;
(e)组成字符串String(P,S),并判断是否存在该String;
(f)若存在,则前缀变String标号;若不存在,输出前缀,后缀变前缀;然后记录String到标号集;
(g)判断是否为最后一个字符,若是,则输出标号;若否,重复步骤(d)~(f)。
进一步的技术方案在于:所述ε机复杂系统辨识分类器εCSSR和神经网络ANN分别进行分类时,首先,需要训练复杂系统辨识分类器εCSSR和神经网络ANN的参数,选取不同类型典型的电能质量扰动信号,经过步骤(1)各方法提取相应的特征后分为训练数据和测试数据,经由压缩感知SRC处理后作为分类器的输入训练分类器参数,选取分类正确率最好的一组参数作为分类器的固定参数;其次,将步骤(1)提取的特征向量作为固定好参数的分类器的输入向量进行分类。
进一步的技术方案在于:所述神经网络ANN建立步骤为:
(a)首先构建BP神经网络,将电能质量扰动信号特征分为训练样本和测试样本输入至神经网络;通常采用3层BP神经网络基本能够实现大部分的识别分类需要,样本的参量个数和输入层的神经元个数是相等的,需要分类识别的目标个数和输出层的神经元的个数也是相等的;隐含层神经元的个数设置同城凭经验设置,也可采用经验公式:n2=2n1+1;输入层神经元的个数是n1,中间层神经元个数是n2;
(b)训练神经网络,训练并调节神经网络的连接权值以及初始阈值,从而让神经网络的输入数据与输出数据之间能够以函数的方式对应起来;
(c)测试神经网络,将用于测试的数据输入至BP神经网络中,输入不同的电能质量扰动特征数据能够输出归属的扰动类型,实现识别分类。
进一步的技术方案在于:所述基于LASSO及主成分分析的大数据分析方法为:对大数据采用分布式存储,采用大数据LASSO问题的算法并行化PCA处理。
进一步的技术方案在于:所述步骤(3)中基于LASS0机主元分析的大数据分析方法概括如下:
基于LASS0机主元分析的大数据分析方法概括如下:
(1)大数据中的坏数据剔除及数据简约;其算法如下:
由统计学习理论,LASSO的线性回归最小化由公式(4-1-1)给出:
式中,yi为响应变量;xij为样本;i=1,2,...,n;j=1,2,...,p,λ表示正则化参数,βj为待求特征参数;
(a)大数据LASSO问题理论公式
ψ(β)=λ||β|| (4-1-4)
式中β∈Rd是待求参数,xi∈Rd表示第i个样本;
大数据的样本数n和特征数d很大,超过了一台计算机内存,必须分布式存储;如果用C表示计算机集群的节点个数,每个节点存储所有样本部分特征,例如n行d/C列的数据;大数据LASSO问题的目标函数包括损失函数f和罚函数Ψ;一般损失函数f要求为凸,部分坐标分离度为ω,罚函数Ψ要求为凸且坐标可分离;损失函数f足够大以致不能在一台计算机内存中进行拟合,坐标分离度决定损失函数f的并行化;因为坐标可分离,罚函数Ψ可以并行处理;
(b)大数据LASSO问题的计算机算法
首先将数据按照坐标{1,2,…,p}分配到计算机节点总数C个集合中{S1,S2,…,Sc};其次在一次迭代中,k表示迭代次数,计算机c=1,2,…C并行进行下面两步:
第一,对每个集合Sc中每个坐标j并行计算下式,
式中,μj表示坐标j的增量,Lj表示坐标j的Lipschitz常量,第二,更新参数式中,ej为误差项;
(c)大数据LASSO问题的算法并行化解决方案
在每个节点c=1,2,…,C中,公式(1)的计算存在两个问题:每个节点都不能独立计算每个节点都没有全部的β值;由于x·j表示样本的第j列,gk=Xβk-Y表示残差,X表示所有数据矩阵,Y表示所有响应变量向量;只要每个计算机节点存储gk,节点就能计算从而实现算法并行化;最后合并所有节点的部分β即为所求参数;因此算法并行化的关键问题是gk的计算和存储;研究发现:
式中因为每个节点能独立计算gk[c],因此能够计算gk;每个节点都需要存储gk,这就需要C个gk[c]合并,即计算和存储方法;我们给出一种策略如下,在每次迭代中,首先并行计算C个节点的gk[c],接着所有节点通信组合得到然后将gk分配到每个节点,进行下一次迭代;
(2)基于主元分析(PCA)的非同源数据降维及综合特征指标提取;
假定有n个样本,每个样本共有p个变量,构成一个n×p阶的数据矩阵
当p较大时,在p维空间中考察问题比较麻烦;
经过主元分析处理可以解决这一问题;主元分析处理问题时,先对数据标准化将原始数据指标标准化为[0,1]之间的有效数据;然后计算相关系数矩阵
式中ri,j(i,j=1,2,…,p)为原变量xi与xj之间的相关系数:
因为R是实对称矩阵(即ri,j=rj,i),所以只需计算上三角元素或下三角元素;
其次,通过计算获得特征值与特征向量,计算累计贡献率;
解特征方程|λI-R|=0,通常用雅可比法求出特征值λi(i=1,2,…,p),并使其按大小顺序排列,即λ1≥λ2≥…,≥λp≥0;然后分别求出对应于特征值λi的特征向量ai(i=1,2,…,p);计算累计贡献率如下:
一般取累计贡献率达到85~95%的特征值λ1,λ2,…,λm为所对应的第一、第二,…,第m(m≤p)个主成分;
最后构造新样本矩阵的:定义:记x1,x2...,xp为原变量指标,z1,z1...,zm(m<p)为新变量指标,根据式(4-2-4)和式(4-2-5)计算每一个主成分的各样本值;
词用上述技术方案,本发明具有如下有益效果:
1、针对智能电网大数据,研究基于惩罚因子的大数据冗余数据剔除和主成分分析对复杂变量信息降维方法,为电能质量分析提供简约而有效的数据;
2、利用改进S变换、谐波小波、集合经验模态分解/局部均值分解(EEMD/LMD)等特征提取,提取的特征更加全面准确。其中:
(1)给出一种改进S变换,用于实现电能质量扰动参数的信息提取。通过引入调节参数使得窗函数的调节更加灵活,适用低频区域和高频区域,其窗函数能更好的维持高斯属性。
由于广义S变换通过对标准S变换的窗函数引入参数r来控制时频分辨率,广义S变换定义为:(注:每个英文字母代表的一个含义,限定在本算法的描述中)。
其中x(t)为时域信号,τ为时移因子,σ是关于频率f的尺度因子,窗函数w(τ-t,σ)可表示为:
其中基于傅里叶变换和卷积原理,GST的快速形式为:令τ→iT,f→n/NT,T为采样周期,N为信号长度,i、n分别对应时间采样点和频率采样点,则广义S变换的快速离散表达式为:
其中为保证时域和频域扰动分辨率均能满足要求,本文对基频点f0处的r值进行独立设置,来提高时频扰动分辨率,对参数r进行约束则有:
窗函数对应的离散形式变为:
对参数r对应基频点处的值进行独立设置,使得OGST在参数优化时比GST多了一个自由度,便于独立分析时域扰动和频域扰动,一定程度上缓解了测不准原则对时频域扰动分辨率的限制
(2)给出EEMD/LMD信号分解算法,用于信号分析及特征提取,针对不同电能质量扰动信号,可选取适合不同信号的视频分析方法:EEMD对于幅值类扰动信号、脉冲暂态扰动类信号、电压闪变扰动信号有很好的分解效果;LMD对于谐波类等其他信号也有不错的分解效果且分解速度快。可以全面的提取扰动特征。
3、给出利用压缩感知分类器(SRC)、ε机复杂系统辨识分类器(εCSSR)和神经网络(ANN)分类器等对特征向量进行多特征多分类器协同分类,解决制约算法实施的关键问题,实现优势互补,达到信息增值的效果。
4、通过上述多方面特征提取,获得全面丰富的特征向量。通过对单分类器加权融合构造多分类器,实现电能质量扰动信号精确识别和分类。对20种电能质量扰动类型进行分析,结果表明多分类器协同分类方法精度更高,稳定性更好。
附图说明
图1本发明的多信息多分类器融合决策模型;
图2惩罚因子法数据简约方法变量选择路径;
图3主成分分析贡献率;
图4主成分分析累计贡献率;
图5振荡谐波暂降扰动信号的改进S变换分析;
图6振荡谐波暂降扰动信号的小波变换分析;
图7振荡谐波暂降扰动信号的EMD分析;
图8各分类器对应的分类准确率;
图9各分类器的分类精度标准差;
图10不同噪声对应的分类精度。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
本发明阐述了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的方法,包括以下步骤:
1、针对电能质量信号处理,利用模型提取特征向量:模型如下:
(a)改进广义S变换模型:对标准广义S变换的窗函数w(τ-t,σ)引入参数r=σ×|f|来控制时频分辨率,对电能质量信号进行分析,提取特征向量;其中σ是关于频率f的尺度因子;
(b)广义谐波小波包分解模型:将电能质量信号分解到任意频率宽度,根据频率宽度分解结果,对广义谐波小波包变换的离散形式中的起始频率和频带带宽进行重置,进而对电能质量信号进行分析,提取特征向量;
(c)改进EEMD/LMD信号分解算法模型:总体平均经验模式分解(EEMD)方法和局部均值分解(LMD)算法都是在EMD方法的基础上的改进,EEMD将高斯白噪声引入避免了原始信号在不同尺度上的间断性,抑制了由信号频率间断引起的模式混叠现象。算法是对信号进行减法运算,多次迭代求得最终的残余分量,整个算法运算速度慢、耗时长,对于大规模的数据点信号处理效率低;局部均值分解(LMD)算法对信号进行平滑处理,求取包络值,采用除法运算进行信号的分解。相对于EEMD方法具有运算速度快、耗时短的优点;固有时间尺度分解(ITD)是近年来在非线性、复杂信号诊断分析中应用较广泛的一种方法,它采用线性变换自适应的将信号分解为若干个固有旋转分量(proper rotation,PR)与一个单调趋势分量之和的,具有分解速度快、适合在线分解的特点。因此,可以根据具体信号情况,选择EEMD或LMD对信号进行分解。
(d)ε机模型:针对电能质量信号序列进行符号化处理,生成符号序列,再采取因果态分割重构法重构ε机,利用重构后的熵率、统计复杂度、状态数和相对熵率有效区分故障线路和非故障线路;
采用改进广义S变换、广义谐波小波包分解、改进EEMD/LMD信号分解算法、ε机进行多组特征向量提取、对比分析,优势互补,使得提取的特征更加完备。
1.1、改进广义S变换的方法实现步骤为:(注:每个英文字母代表的一个含义,限定在本算法的描述中)。
(a)对原始信号进行快速傅里叶计算,得到傅里叶频谱H(m),求得基频点n0。
(b)自适应确定r0、rn,求取各频点ni(i=1,2,…N)对应高斯窗函数的傅里叶变换w(m,ni)。
(c)将H(m)移位得到H(m+ni)并与w(m,ni)相乘,求其傅里叶逆变换得到时频矩阵S(i,ni)。
(d)重复步骤(b)-(c),得到所有频点n对应的分量,最终求得时频矩阵S(i,n)。通过引入调节参数使得窗函数的调节更加灵活,适用低频区域和高频区域,其窗函数能更好的维持高斯属性。
1.2、广义谐波小波包分解对电能质量进行特征提取实现的步骤为:
具体原理及操作步骤如下:(注:每个英文字母代表的一个含义,限定在本算法的描述中)。
广义谐波小波包分解的算法理论基础:广义谐波小波的一般形式为
式中频带带宽为2π(b-a),分析频带中心为k/(b-a)。对广义谐波小波的一般形式进行离散化,则广义谐波小波变换的离散形式为:
令分析频带各子带带宽和每级尺度分析频带的上、下限频率a、b分别为
式中fs为采样频率;j为分解层数,得到广义谐波小波包变换的离散形式为:
在工程应用中,很多时候只需要对某一频段进行分析,若利用广义谐波小波包进行分析,会增大计算量,因此改进的广义谐波小波包分解重置起始频率和频带带宽。设待分析频段为f1~f2,其中f1为起始频率,f2为终止频率(f1<fs/2,f2<fs/2)。则待分析频带宽度△f(△f+f1≤fs/2)为△f=f2-f1,将起始频率f1加入到每级尺度分析频带的上、下限频率a、b中得到新上下限频率:
为使算法更加灵活,将信号分解到任意频率宽度,引入分解层数k(k为大于1的整数)。各子带带宽B变化为:将新的子带带宽和上下限频率带入广义谐波小波包变换的离散形式即可得改进的谐波小波包变换的离散形式。将故障电流信号分解后,选出的特征频带。
1.3、采用EEMD/LMD信号分解算法,对特征信号分析。提取分解的特征向量作为扰动识别的输入。EEMD与LMD分析方法针对不同电能质量信号效果也不同。EEMD具有抗混叠分解的能力并使原始信号的特征更完整地保留,LMD是类似于EMD分解方法,其运算速度较快。幅值类扰动信号(电压暂升、暂降、中断。电压闪变等)运用EEMD方法分解效果最佳,其他类型信号可运用LMD方法进行分解。粗略检测幅值情况判断输入至EEMD/LMD的信号类型,然后在选取相应的方法进行分解。
1.3.1、LMD对扰动信号分解的具体步骤为:(注:每个英文字母代表的一个含义,限定在本算法的描述中)。
(a)确定任意信号的局部均值函数和包络估计函数。首先找出信号的局部极值点,然后计算相邻两个极值点的平均值mi和包络估计值ai,计算公式如下:对于所有的平均值{mi}和包络估计值{ai},分别用直线将相邻的点连接起来构成两条折线,再通过滑动平均法对折线进行平滑处理,即得到局部均值函数m11(t)和包络估计函数a11(t)。
(b)在原始信号中将局部均值函数分离出来。
(c)对分离后的函数进行解调,即用步骤(b)分离后的函数除以步骤(a)求得的包络估计函数,计算公式如下:
s11(t)=h11(t)/a11(t) (1-3-1)
(d)确定原始信号分解的第一个分量。计算公式如下:PF1(t)=a1(t)s1n(t),s1n(t)是通过步骤(c)不断迭代得到的调频信号,a1(t)是所有包络估计函数的乘积。
(e)从原始信号中分离出第一个分量,得到一个新的信号,重复步骤(a)-(d),直至新信号为一个单调函数为止。
1.3.2、EEMD对扰动信号分解的具体步骤为:(注:每个英文字母代表一个含义,限定在本算法的描述中)。
(a)对要分解的电能质量扰动信号添加高斯白噪声。得到新的带分解信号。
(b)判断待分解信号的局部极大值与极小值。利用插值的方法求取上下包络线,计算出两包络线的均值,从待分解信号中减去均值得到第一个IMF分量,将IMF分量从信号中分离出来得到新信号r1。
(c)将r1信号作为新的待分解对象,重复上述步骤得到剩余分量。
1.4、利用ε机进行多组特征向量提取。
利用ε机进行多组特征向量提取和ε机CSSR分类对电能质量扰动识别的实现是一体化进行的。具体步骤如下:
(a)首先对各故障线路采用均值差分的符号化处理,将时间序列信号替代为某些保留必要信息的符号。
(b)由于某些符号的取值概率与剩余线路中与其最为接近的线路差值较小,不容易分辨,出现一个导致混淆的线路,因此采用因果态分割重构算法重构ε机。
(c)比较各个分量信号的统计量,主要对比熵率(ER)、统计复杂率(SC)、状态数(SN)和相对熵率(RER)重构后的ε机能够发现信号的隐藏信息,更好的发现扰动信号。
采集到的电能质量扰动信号(如暂降,暂升,中断,谐波,暂态振荡,闪变,谐波暂降,谐波暂升,谐波闪变,谐波振荡,振荡闪变,振荡暂降,振荡暂升,振荡谐波暂降,振荡谐波暂升)作为步骤1中的特征提取方法(如改进广义S变换、广义谐波小波包分解、EEMD/LMD信号分解算法和ε机进行多组特征向量提取)的输入信号。几种方法提取的特征信息完备、优势互补。4种特征频带叠加进入分类器进行电能质量扰动识别。其中,改进S变换提取的特征为特征向量1;广义谐波小波包分解提取的特征为特征向量2;EEMD/LMD提取的特征为特征向量3;ε机提取的特征为特征向量4。
2、将步骤(1)中各模型提取的特征向量利用基于LZW算法的压缩感知器SRC进行压缩处理;然后采用ε机复杂系统辨识分类器εCSSR和神经网络ANN分别进行分类;其中,ε机复杂系统辨识分类器εCSSR采用因果态重构算法重构ε机组成,ε机复杂系统辨识分类器εCSSR和神经网络ANN需要进行训练,由不同类型典型的电能质量信号经过步骤(1)处理后,对ε机复杂系统辨识分类器εCSSR和神经网络ANN进行训练;
采用压缩感知分类器SRC、ε机复杂系统辨识分类器εCSSR和神经网络ANN分别对每组特征向量分类;将提取的特征向量1、2、3、4作为步骤二中分类器组的输入向量。分类器组的实现过程包括两部分:第一部分是压缩感知器SRC对输入的特征向量处理;第二部分是采用ε机复杂系统辨识分类器εCSSR和神经网络ANN分别对每组特征向量分类。
2.1、通过压缩感知SRC的方法实现故障信号数据的压缩处理。
压缩感知方法采用LZW算法,该算法是一种新颖的无损数据压缩方法,实现时首先建立一个字符串表并初始化字符串表,然后对数据进行扫描,获得字符串后编码成12位的码字输出。字符表是随着扫描的进行动态产生的。初始化是为了让其包含所有的单字符串。多字符串也在串表中不断生成并存储,存储字符串时一并保存字符串的前缀相应的子码。
2.1.1、LZW算法具体步骤:(注:每个英文字母代表的一个含义,限定在本算法的描述中)。
(a)初始化字典,字典中包含所有单个字符,当前前缀p为空。
(b)获取当前字符C。
(c)判断前缀和当前字符P+C是否在字典中,若在,则P=P+C,否则把当前P输出到码字,并存入字典。
(d)查看数据中还有没有码字要译,如果有,返回步骤(2),否则把当前码字输出到码字流,结束编码。
2.1.2、LZW算法在电能质量数据中的应用方案:
(a)对电能质量数据进行采样得到原始数据采样点;
(b)原始信号*10000,提取前四位;
(c)采用三次求差值方法减小数据差异;
(d)读取字符流中下一个C字符并更新后缀;
(e)组成字符串String(P,S),并判断是否存在该String;
(f)若存在,则前缀变String标号;若不存在,输出前缀,后缀变前缀;然后记录String到标号集;
(g)判断是否为最后一个字符,若是,则输出标号;若否,重复步骤(d)~(f)。
2.2、复杂系统辨识分类器εCSSR根据输入的电能质量扰动特征进行分类。首先,需要训练复杂系统辨识分类器εCSSR和神经网络ANN的参数。选取不同类型典型的电能质量扰动信号,经过步骤一各方法提取相应的特征后分为训练数据和测试数据,经由压缩感知的方法处理后作为分类器的输入训练分类器参数,选取分类正确率最好的一组参数作为分类器的固定参数;其次,将步骤一提取的特征值作为固定好参数的分类器的输入向量进行分类。
采用压缩感知的方法将数据降维,然后采用因果态重构算法重构ε机组成复杂系统辨识分类器εCSSR对电能质量扰动信号进行分类。由于利用ε机进行多组特征向量提取和ε机CSSR分类对电能质量扰动识别的实现是一体化进行的,因此将步骤一种ε机提取的特征向量,计算其统计量(ER、SC、SN、RER)并与典型扰动特征的相应统计量作对比,统计量最接近那一类扰动特征的统计量ε机CSSR分类器就将该信号归于相应的扰动类型。
2.3、针对提取的多种电能质量扰动特征,采用人工神经网络中BP网络进行扰动分类,BP神经网络分类器的输入为步骤1提取的各特征向量,选择效果最好的训练参数进行分类。其步骤为:
(a)首先构建BP神经网络,将电能质量扰动信号特征分为训练样本和测试样本输入至神经网络。通常采用3层BP神经网络基本能够实现大部分的识别分类需要,样本的参量个数和输入层的神经元个数是相等的,需要分类识别的目标个数和输出层的神经元的个数也是相等的。隐含层神经元的个数设置同城凭经验设置,也可采用经验公式:n2=2n1+1。输入层神经元的个数是n1,中间层神经元个数是n2。
(b)训练神经网络。训练并调节神经网络的连接权值以及初始阈值,从而让神经网络的输入数据与输出数据之间能够以函数的方式对应起来。
(c)测试神经网络。将用于测试的数据输入至BP神经网络中,输入不同的电能质量扰动特征数据能够输出归属的扰动类型,实现识别分类。
在进行电能质量扰动信号分类方面采用压缩感知SRC、ε机复杂系统辨识分类器εCSSR系统和人工神经网络(BP神经网络)三种方法结合的方式,实现优势互补,将三种方法的分类结果输入至决策诊断层,使得分类诊断结果更加准确。
3、采用改进的决策模板法SWDT,使用混淆矩阵衡量各分类器对每组特征向量的识别能力,根据初步诊断情况自适应地为每组特征向量分类赋予决策权值,识别单一电能质量扰动及混合扰动。
基于LASS0机主元分析的大数据分析方法概括如下:
(1)大数据中的坏数据剔除及数据简约;其算法如下:
由统计学习理论,LASSO的线性回归最小化由公式(4-1-1)给出:
式中,yi为响应变量;xij为样本;i=1,2,...,n;j=1,2,...,p,λ表示正则化参数,βj为待求特征参数;
(a)大数据LASSO问题理论公式
ψ(β)=λ||β|| (4-1-4)
式中β∈Rd是待求参数,xi∈Rd表示第i个样本;
大数据的样本数n和特征数d很大,超过了一台计算机内存,必须分布式存储;如果用C表示计算机集群的节点个数,每个节点存储所有样本部分特征,例如n行d/C列的数据;大数据LASSO问题的目标函数包括损失函数f和罚函数Ψ;一般损失函数f要求为凸,部分坐标分离度为ω,罚函数Ψ要求为凸且坐标可分离;损失函数f足够大以致不能在一台计算机内存中进行拟合,坐标分离度决定损失函数f的并行化;因为坐标可分离,罚函数Ψ可以并行处理;
(b)大数据LASSO问题的计算机算法
首先将数据按照坐标{1,2,…,p}分配到计算机节点总数C个集合中{S1,S2,…,Sc};其次在一次迭代中,k表示迭代次数,计算机c=1,2,…C并行进行下面两步:
第一,对每个集合Sc中每个坐标j并行计算下式,
式中,μj表示坐标j的增量,Lj表示坐标j的Lipschitz常量,第二,更新参数式中,ej为误差项;
(c)大数据LASSO问题的算法并行化解决方案
在每个节点c=1,2,…,C中,公式(1)的计算存在两个问题:每个节点都不能独立计算每个节点都没有全部的β值;由于x.j表示样本的第j列,gk=Xβk-Y表示残差,X表示所有数据矩阵,Y表示所有响应变量向量;只要每个计算机节点存储gk,节点就能计算从而实现算法并行化;最后合并所有节点的部分β即为所求参数;因此算法并行化的关键问题是gk的计算和存储;研究发现:
式中因为每个节点能独立计算gk[c],因此能够计算gk;每个节点都需要存储gk,这就需要C个gk[c]合并,即计算和存储方法;我们给出一种策略如下,在每次迭代中,首先并行计算C个节点的gk[c],接着所有节点通信组合得到然后将gk分配到每个节点,进行下一次迭代;
(2)基于主元分析(PCA)的非同源数据降维及综合特征指标提取;
假定有n个样本,每个样本共有p个变量,构成一个n×p阶的数据矩阵
当p较大时,在p维空间中考察问题比较麻烦;
经过主元分析处理可以解决这一问题;主元分析处理问题时,先对数据标准化将原始数据指标标准化为[0,1]之间的有效数据;然后计算相关系数矩阵
式中ri,j(i,j=1,2,…,p)为原变量xi与xj之间的相关系数:
因为R是实对称矩阵(即ri,j=rj,i),所以只需计算上三角元素或下三角元素;
其次,通过计算获得特征值与特征向量,计算累计贡献率;
解特征方程|λI-R|=0,通常用雅可比法求出特征值λi(i=1,2,…,p),并使其按大小顺序排列,即λ1≥λ2≥…,≥λp≥0;然后分别求出对应于特征值λi的特征向量ai(i=1,2,…,p);计算累计贡献率如下:
一般取累计贡献率达到85~95%的特征值λ1,λ2,…,λm为所对应的第一、第二,…,第m(m≤p)个主成分;
最后构造新样本矩阵的:定义:记x1,x2...,xp为原变量指标,z1,z1...,zm(m<p)为新变量指标,根据式(4-2-4)和式(4-2-5)计算每一个主成分的各样本值;
本项目主要开展基于LASSO原理的大数据冗余数据剔除方法、变尺度大数据简约方法和基于数据结构同构简约算法的研究。主元分析法对非同源气象数据降维过程中,综合特征指标选取原则是关键性科学问题,本项目采用综合贡献率作为选择依据,使得综合指标信息尽可能全覆盖,并能对极端数据修正模型参数,满足复杂电能质量分析的需要。
多种分类器融合,达到优势互补,避免因单一分类器不适应某一信号或者某种特征提取方法而出现较大的误差。三种分类结果将采用决策模板法进行自适应决策,最终得到最佳分类结果。
采用改进的决策模板法(SWDT),使用混淆矩阵衡量各分类器对每类故障的识别能力,根据初步诊断情况自适应地为各分类器赋予决策权值,充分利用训练信息,提高分类决策准确度。该模型可精确识别电压暂升、暂降、短时中断、电压尖峰、脉冲等单一电能扰动及混合扰动。
对于电能质量的多种数据信息,经过PCA处理,用较少且彼此独立的几个综合指标代替较多的原变量,同时这些综合指标能尽量多地反映原来多变量所反映的信息。经PCA处理后剔除冗余信息,提取特征量,可实现非同源数据高维到低维的转化。
电能质量扰动信号是利用电力系统仿真软件离线计算的方法对电力系统及装置的动态行为进行仿真研究,模拟电能质量稳态扰动(如谐波、陷波、三相不对称、电压闪变等)和暂态扰动(如谐振暂态、脉冲暂态、电压暂升暂降等)以及各次谐波;采用EMTP/ATP软件模拟电力系统中电磁暂态和机电暂态,模拟对称与不对称故障或扰动产生的暂态扰动现象,利用其与TACS程序模块(控制系统的暂态分析模块)和MODELS的接口能力模仿控制系统和非线性元件,及由此产生的稳态扰动现象;限于EMTP/ATP的运算能力,采用Matlab对暂态及稳态扰动信号进行分析。电能质量扰动类型及特征如表1所示。
表1电能质量扰动类型及特征
图1中给出的多信息多分类器融合决策模型主要涵盖一下技术方向
(a)多种信息处理方法融合提取信号特征
利用混沌弱信号检测技术,实现对湮没在强噪声中的微弱谐波、间谐波及暂态扰动的检测;利用广义谐波小波包分解、改进EEMD/LMD信号分解算法,提取信号各个频段特征,深入研究信号特性;利用ε机挖掘信号的本质模式和更深层次的信号。几种特征提取方法从表象及本质进行特征提取,优势互补,增强信息特征的完备性。
(b)多分类器组分类
采用压缩感知分类器(SRC)、ε机复杂系统辨识分类器(εCSSR)和神经网络(ANN)对特征向量分类。SRC具有较强的辨识能力,尤其利于识别比较相似的信号;εCSSR从信号本质上进行识别,具有较高的识别能力和可信度;经广义谐波小波改进的神经网络进行全面的识别,算法简单,识别效率高。三种分类器融合,达到优势互补,避免因单一分类器不适应某一信号或者某种特征提取方法而出现较大的误差。三种分类结果将采用决策模板法进行自适应决策,最终得到最佳分类结果。
(c)采用改进的决策模板法(SWDT)确定分类结果。
采用改进的决策模板法(SWDT),使用混淆矩阵衡量各分类器对每类故障的识别能力,根据初步诊断情况自适应地为各分类器赋予决策权值,充分利用训练信息,提高分类决策准确度。
图2中针对电能质量多项指标S1、S2、S3、S4、S5、S6-、S7、S8、S9、S10、S11、S12-、S13、S14、S15、S16,运用惩罚因子方法进行变量选取。经AIC标准计算,在第12步AIC取最小值,得到最优模型变量解,通过对图2进行观察分析,选取7个因素:S1、S4、S9、S10、S11、S14、S16,作为模型变量。
图3中各主元对应的贡献率依次减小,前3个主元的贡献率占主要部分。
图4看出前3个主元的累计贡献率大于85%。第一主元贡献率为41.67%,第二主元贡献率为22.73%,第三主元贡献率为20.89%,前三个主元累计贡献率达85.29%。根据贡献率大于85%的原则选取新因子,选择前3个特征值并计算相应的特征向量。
图5表示利用改进S变换对振荡谐波暂降扰动信号进行分析,一次得到时频图、基频相位曲线(PMA)、基频幅值曲线(FFA)和频率最大幅值曲线(FMA)。
图6表示暂态谐波扰动信号经db4小波分解后得到各分量及对应的频谱图。D1分量将暂态扰动成分分离出来,频谱能量集中在1000-1600Hz;D2-D4分量表示D2、D3及D4分量的和,频谱能量集中在200-500Hz;A4分量表示基频信号,频谱能量集中在50Hz附近。扰动信号经小波分解后求取不同频带分量对应的能量和能量熵作为特征量。
图7表示利用EMD对振荡谐波扰动信号进行分析得到的各频段的IMF分量及对应的瞬时幅值。IMF1对应信号的高频分量,信号若存在暂态振荡、暂态脉冲等扰动,其瞬时幅值对应的扰动区间具有明显的幅值波动;IMF2对应信号的中频分量,信号若存在谐波扰动,对应的瞬时幅值具有明显的幅值成分;IMF3-IMFn为剩余分量的和,对应基频分量,若存在幅值扰动对应的瞬时幅值会具有明显的幅值扰动区间。
应用实例:
以承德某钢厂主线路电能质量扰动数据进行分析来进一步验证本文方法的有效性。该数据由互感器采集于不同的时间段,采样频率为6.4Hz,采样点3200,根据时域波形和傅里叶分析,数据类型初步判断主要有正常信号、电压暂降、电压暂升、电压中断、谐波五种类型。实验过程按照图1所述流程图进行,利用多信息处理方法融合提取电能质量信号特征,通过SRC、ANN和εCSSR多分类器组协同进行分类,最后采用改进的决策模板法(SWDT)确定分类结果。
本发明选取的6种分类器进行协同分类,其中4种基于神经网络的机器学习分类器:ELM、SVM、BPNN及PNN,2种基于模糊聚类的聚类分类器:FCM和GG。为了将该6种分类器进行有效融合,首先需要对它们的性能和差异性进行评价。利用最佳特征子集[F1,F9,F14,F7]作为该6种分类器的输入向量进行分类识别。训练样本容量为300,测试样本容量为200,重复分类50次,取均值作为最终的分类结果,如图8所示。
从图8中可以看出FCM和GG分类精度较差,甚至出现不能识别的类型S7和S9。4种机器学习分类器ELM、SVM、BPNN及PNN分类精度较高,均在90%以上。
图9表示各分类器对应的不同扰动类型的分类精度标准差。其中ELM和BPNN分类精度标准差较高。对于不同扰动类型ELM的标准差波动变化,这是由于ELM在训练模型是隐含层的权重和偏执是随机设置的,导致每次的分类精度存在一定偏差。而其他4种分类器的分类精度的标准差为0,说明分类结果一致,稳定性较好。
图10表示不同噪声环境下各分类的分类精度。对于不同的噪声环境BPNN的分类精度均在90%以上,变化比较平稳,说明BPNN的抗噪能力较强。其他5种分类器的分类精度随着信噪比增加快速增加,当信噪比为10dB时,该5种分类器的分类器精度小于30%,说明抗噪性较差,信噪比为20dB时,分类精度快速提高,当信噪比大于30dB时,分类精度趋于平稳。
通过分析6种分类器的分类精度、分类精度标准差及抗噪性得出以下结论:ELM、SVM和PNN的分类精度高于其他3种分类器;ELM的分类速度比其他分类器快;PNN、FCM及GG分类精度标准差小,说明稳定性更好;BPNN的抗噪性好于其他分类器。说明上述6种分类器各有优势,协同分类可以将优势互补。
Claims (10)
1.一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,其特征在于:此识别方法包括以下步骤:
(1)针对电能质量信号处理,利用模型提取特征向量:模型如下:
(a)改进广义S变换模型:对标准广义S变换的窗函数w(τ-t,σ)引入参数r=σ×|f|来控制时频分辨率,对电能质量信号进行分析,提取特征向量;其中σ是关于频率f的尺度因子;
(b)广义谐波小波包分解模型:将电能质量信号分解到任意频率宽度,根据频率宽度分解结果,对广义谐波小波包变换的离散形式中的起始频率和频带带宽进行重置,进而对电能质量信号进行分析,提取特征向量;
(c)改进EEMD/LMD信号分解算法模型:根据电能质量信号情况,选择EEMD信号分解算法或LMD信号分解算法对电能质量信号进行分解;其中利用EEMD信号分解算法引入高斯白噪声弥补电能质量信号在不同尺度上的间断性,利用LMD信号分解算法对信号进行平滑处理;
(d)ε机模型:针对电能质量信号序列进行符号化处理,生成符号序列,再采取因果态分割重构法重构ε机,利用重构后的熵率、统计复杂度、状态数和相对熵率有效区分故障线路和非故障线路;
(2)将步骤(1)中各模型提取的特征向量利用基于LZW算法的压缩感知器SRC进行压缩处理;然后采用ε机复杂系统辨识分类器εCSSR和神经网络ANN分别进行分类;其中,ε机复杂系统辨识分类器εCSSR采用因果态重构算法重构ε机组成,ε机复杂系统辨识分类器εCSSR和神经网络ANN需要进行训练,由不同类型典型的电能质量信号经过步骤(1)处理后,对ε机复杂系统辨识分类器εCSSR和神经网络ANN进行训练;
(3)采用改进的决策模板法SWDT,使用混淆矩阵衡量各分类器对每组特征向量的识别能力,根据初步诊断情况自适应地为每组特征向量分类赋予决策权值,识别单一电能质量扰动及混合扰动。
2.根据权利要求1所述的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,其特征在于:所述改进广义S变换模型理论为:
(1)广义S变换通过对标准S变换的窗函数引入参数r来控制时频分辨率,广义S变换定义为:
式中x(t)为时域信号,τ为时移因子,σ是关于频率f的尺度因子,窗函数w(τ-t,σ)可表示为:
式中基于傅里叶变换和卷积原理,GST的快速形式为:
令τ→iT,f→n/NT,T为采样周期,N为信号长度,i、n分别对应时间采样点和频率采样点,则广义S变换的快速离散表达式为:
式中为保证时域和频域扰动分辨率均能满足要求,对基频点f0处的r值进行独立设置,来提高时频扰动分辨率,对参数r进行约束则有:
窗函数对应的离散形式变为:
(2)改进广义S变换的步骤为:
(a)对电能质量信号进行快速傅里叶计算,得到傅里叶频谱H(m),求得基频点n0;
(b)自适应确定r0、rn,求取各频点ni(i=1,2,…N)对应高斯窗函数的傅里叶变换w(m,ni);
(c)将H(m)移位得到H(m+ni)并与w(m,ni)相乘,求其傅里叶逆变换得到时频矩阵S(i,ni);
(d)重复步骤(b)-(c),得到所有频点n对应的分量,最终求得时频矩阵S(i,n);通过引入调节参数使得窗函数的调节更加灵活,适用低频区域和高频区域,其窗函数能更好的维持高斯属性。
3.根据权利要求1所述的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,其特征在于:所述广义谐波小波包分解模型建立步骤如下:
广义谐波小波的一般形式为
式中频带带宽为2π(b-a),分析频带中心为k/(b-a);对广义谐波小波的一般形式进行离散化,则广义谐波小波变换的离散形式为:
令分析频带各子带带宽和每级尺度分析频带的上、下限频率a、b分别为
式中fs为采样频率;j为分解层数,得到广义谐波小波包变换的离散形式为:
重置起始频率和频带带宽,设待分析频段为f1~f2,其中f1为起始频率,f2为终止频率(f1<fs/2,f2<fs/2);则待分析频带宽度△f(△f+f1≤fs/2)为△f=f2-f1,将起始频率f1加入到每级尺度分析频带的上、下限频率a、b中得到新上下限频率:
为使算法更加灵活,将电能质量信号分解到任意频率宽度,引入分解层数k,k为大于1的整数;各子带带宽B变化为:将新的子带带宽和上下限频率带入广义谐波小波包变换的离散形式即可得改进的谐波小波包变换的离散形式。
4.根据权利要求1所述的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,其特征在于:所述改进EEMD/LMD信号分解算法模型中,LMD对扰动信号分解的具体步骤为:
(a)确定任意信号的局部均值函数和包络估计函数;首先找出信号的局部极值点,然后计算相邻两个极值点的平均值mi和包络估计值ai,计算公式如下:对于所有的平均值{mi}和包络估计值{ai},分别用直线将相邻的点连接起来构成两条折线,再通过滑动平均法对折线进行平滑处理,即得到局部均值函数m11(t)和包络估计函数a11(t);
(b)在原始信号中将局部均值函数分离出来;
(c)对分离后的函数进行解调,即用步骤(b)分离后的函数除以步骤(a)求得的包络估计函数,计算公式如下:
s11(t)=h11(t)/a11(t) (1-3-1)
(d)确定原始信号分解的第一个分量;计算公式如下:PF1(t)=a1(t)s1n(t),s1n(t)是通过步骤(c)不断迭代得到的调频信号,a1(t)是所有包络估计函数的乘积;
(e)从原始信号中分离出第一个分量,得到一个新的信号,重复步骤(a)-(d),直至新信号为一个单调函数为止;
EEMD对扰动信号分解的具体步骤为:
(a)对要分解的电能质量扰动信号添加高斯白噪声;得到新的带分解信号;
(b)判断待分解信号的局部极大值与极小值;利用插值的方法求取上下包络线,计算出两包络线的均值,从待分解信号中减去均值得到第一个IMF分量,将IMF分量从信号中分离出来得到新信号r1;
(c)将r1信号作为新的待分解对象,重复上述步骤得到剩余分量。
5.根据权利要求1所述的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,其特征在于:所述ε机模型建立步骤如下:
(a)首先对各故障线路采用均值差分的符号化处理,将时间序列信号替代为某些保留必要信息的符号;
(b)由于某些符号的取值概率与剩余线路中与其最为接近的线路差值较小,不容易分辨,出现一个导致混淆的线路,因此采用因果态分割重构算法重构ε机;
(c)比较各个分量信号的统计量,主要对比熵率ER、统计复杂率SC、状态数SN和相对熵率RER;最后,整合两种方法得到的数据,采用神经网络训练,识别故障信号。
6.根据权利要求1所述的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,其特征在于:所述压缩感知SRC对故障信号数据的压缩处理如下:
(a)对电能质量数据进行采样得到原始数据采样点;
(b)原始信号*10000,提取前四位;
(c)采用三次求差值方法减小数据差异;
(d)读取字符流中下一个C字符并更新后缀;
(e)组成字符串String(P,S),并判断是否存在该String;
(f)若存在,则前缀变String标号;若不存在,输出前缀,后缀变前缀;然后记录String到标号集;
(g)判断是否为最后一个字符,若是,则输出标号;若否,重复步骤(d)~(f)。
7.根据权利要求1所述的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,其特征在于:所述ε机复杂系统辨识分类器εCSSR和神经网络ANN分别进行分类时,首先,需要训练复杂系统辨识分类器εCSSR和神经网络ANN的参数,选取不同类型典型的电能质量扰动信号,经过步骤(1)各方法提取相应的特征后分为训练数据和测试数据,经由压缩感知SRC处理后作为分类器的输入训练分类器参数,选取分类正确率最好的一组参数作为分类器的固定参数;其次,将步骤(1)提取的特征向量作为固定好参数的分类器的输入向量进行分类。
8.根据权利要求1所述的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,其特征在于:所述神经网络ANN建立步骤为:
(a)首先构建BP神经网络,将电能质量扰动信号特征分为训练样本和测试样本输入至神经网络;通常采用3层BP神经网络基本能够实现大部分的识别分类需要,样本的参量个数和输入层的神经元个数是相等的,需要分类识别的目标个数和输出层的神经元的个数也是相等的;隐含层神经元的个数设置同城凭经验设置,也可采用经验公式:n2=2n1+1;输入层神经元的个数是n1,中间层神经元个数是n2;
(b)训练神经网络,训练并调节神经网络的连接权值以及初始阈值,从而让神经网络的输入数据与输出数据之间能够以函数的方式对应起来;
(c)测试神经网络,将用于测试的数据输入至BP神经网络中,输入不同的电能质量扰动特征数据能够输出归属的扰动类型,实现识别分类。
9.根据权利要求1所述的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,其特征在于:所述基于LASSO及主成分分析的大数据分析方法为:对大数据采用分布式存储,采用大数据LASSO问题的算法并行化PCA处理。
10.根据权利要求1所述的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,其特征在于:所述步骤(3)中基于LASS0机主元分析的大数据分析方法概括如下:
基于LASS0机主元分析的大数据分析方法概括如下:
(1)大数据中的坏数据剔除及数据简约;其算法如下:
由统计学习理论,LASSO的线性回归最小化由公式(4-1-1)给出:
式中,yi为响应变量;xij为样本;i=1,2,...,n;j=1,2,...,p,λ表示正则化参数,βj为待求特征参数;
(a)大数据LASSO问题理论公式
ψ(β)=λ||β|| (4-1-4)
式中β∈Rd是待求参数,xi∈Rd表示第i个样本;
大数据的样本数n和特征数d很大,超过了一台计算机内存,必须分布式存储;如果用C表示计算机集群的节点个数,每个节点存储所有样本部分特征,例如n行d/C列的数据;大数据LASSO问题的目标函数包括损失函数f和罚函数Ψ;一般损失函数f要求为凸,部分坐标分离度为ω,罚函数Ψ要求为凸且坐标可分离;损失函数f足够大以致不能在一台计算机内存中进行拟合,坐标分离度决定损失函数f的并行化;因为坐标可分离,罚函数Ψ可以并行处理;
(b)大数据LASSO问题的计算机算法
首先将数据按照坐标{1,2,…,p}分配到计算机节点总数C个集合中{S1,S2,…,Sc};其次在一次迭代中,k表示迭代次数,计算机c=1,2,…C并行进行下面两步:
第一,对每个集合Sc中每个坐标j并行计算下式,
式中,μj表示坐标j的增量,Lj表示坐标j的Lipschitz常量,第二,更新参数式中,ej为误差项;
(c)大数据LASSO问题的算法并行化解决方案
在每个节点c=1,2,…,C中,公式(1)的计算存在两个问题:每个节点都不能独立计算每个节点都没有全部的β值;由于x·j表示样本的第j列,gk=Xβk-Y表示残差,X表示所有数据矩阵,Y表示所有响应变量向量;只要每个计算机节点存储gk,节点就能计算从而实现算法并行化;最后合并所有节点的部分β即为所求参数;因此算法并行化的关键问题是gk的计算和存储;研究发现:
式中因为每个节点能独立计算gk[c],因此能够计算gk;每个节点都需要存储gk,这就需要C个gk[c]合并,即计算和存储方法;我们给出一种策略如下,在每次迭代中,首先并行计算C个节点的gk[c],接着所有节点通信组合得到然后将gk分配到每个节点,进行下一次迭代;
(2)基于主元分析(PCA)的非同源数据降维及综合特征指标提取;
假定有n个样本,每个样本共有p个变量,构成一个n×p阶的数据矩阵
当p较大时,在p维空间中考察问题比较麻烦;
经过主元分析处理可以解决这一问题;主元分析处理问题时,先对数据标准化将原始数据指标标准化为[0,1]之间的有效数据;然后计算相关系数矩阵
式中ri,j(i,j=1,2,…,p)为原变量xi与xj之间的相关系数:
因为R是实对称矩阵(即ri,j=rj,i),所以只需计算上三角元素或下三角元素;
其次,通过计算获得特征值与特征向量,计算累计贡献率;
解特征方程|λI-R|=0,通常用雅可比法求出特征值λi(i=1,2,…,p),并使其按大小顺序排列,即λ1≥λ2≥…,≥λp≥0;然后分别求出对应于特征值λi的特征向量ai(i=1,2,…,p);计算累计贡献率如下:
一般取累计贡献率达到85~95%的特征值λ1,λ2,…,λm为所对应的第一、第二,…,第m(m≤p)个主成分;
最后构造新样本矩阵的:定义:记x1,x2...,xp为原变量指标,z1,z1...,zm(m<p)为新变量指标,根据式(4-2-4)和式(4-2-5)计算每一个主成分的各样本值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373464.1A CN109271975B (zh) | 2018-11-19 | 2018-11-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811373464.1A CN109271975B (zh) | 2018-11-19 | 2018-11-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109271975A true CN109271975A (zh) | 2019-01-25 |
CN109271975B CN109271975B (zh) | 2020-08-21 |
Family
ID=65189652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811373464.1A Active CN109271975B (zh) | 2018-11-19 | 2018-11-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109271975B (zh) |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978134A (zh) * | 2019-02-26 | 2019-07-05 | 华中科技大学 | 一种基于快速集成卷积神经网络的故障预测方法 |
CN110070102A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列对序列模型的建立方法 |
CN110458189A (zh) * | 2019-06-29 | 2019-11-15 | 天津大学 | 压缩感知和深度卷积神经网络电能质量扰动分类方法 |
CN110610203A (zh) * | 2019-08-30 | 2019-12-24 | 天津大学 | 基于dwt和极限学习机的电能质量扰动分类方法 |
CN110674725A (zh) * | 2019-09-20 | 2020-01-10 | 电子科技大学 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
CN110727908A (zh) * | 2019-09-27 | 2020-01-24 | 宁夏凯晨电气集团有限公司 | 解决复杂电气故障的模态解析方法 |
CN110889396A (zh) * | 2019-12-12 | 2020-03-17 | 国家电网有限公司大数据中心 | 能源互联网扰动分类方法、装置、电子设备和存储介质 |
CN111008363A (zh) * | 2019-11-21 | 2020-04-14 | 西安交通大学 | 多变量因果驱动的复杂机电系统服役安全态势评估方法 |
CN111145044A (zh) * | 2020-01-09 | 2020-05-12 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
CN111368892A (zh) * | 2020-02-27 | 2020-07-03 | 合肥工业大学 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
CN111652421A (zh) * | 2020-05-26 | 2020-09-11 | 广东电网有限责任公司东莞供电局 | 基于主成分分析和模糊分类的验电评估方法和装置 |
CN112329628A (zh) * | 2020-11-05 | 2021-02-05 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 换流变压器振动信号多特征融合的特征提取方法及装置 |
CN112883895A (zh) * | 2021-03-08 | 2021-06-01 | 山东大学 | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 |
CN112883914A (zh) * | 2021-03-19 | 2021-06-01 | 西安科技大学 | 一种多分类器结合的矿用机器人意念感知与决策方法 |
CN113255541A (zh) * | 2021-06-01 | 2021-08-13 | 东北大学 | 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 |
CN113609765A (zh) * | 2021-07-29 | 2021-11-05 | 国网河北省电力有限公司邯郸供电分公司 | 一种过电压预测方法 |
CN113627313A (zh) * | 2021-08-02 | 2021-11-09 | 国网江苏省电力有限公司镇江供电分公司 | 非理想情况下基于s变换的电能表计量方法 |
CN114069853A (zh) * | 2021-11-10 | 2022-02-18 | 天津大学 | 基于分段符号表示的多能源荷数据在线压缩与重构方法 |
CN114266277A (zh) * | 2021-12-27 | 2022-04-01 | 四川大学 | 一种电能质量扰动分类方法 |
CN114530889A (zh) * | 2022-03-28 | 2022-05-24 | 四川大学 | 基于大扰动区间识别的光伏系统双模式频率控制方法 |
CN114584227A (zh) * | 2022-01-12 | 2022-06-03 | 中国电子科技集团公司第十研究所 | 自动化突发信号检测方法 |
CN114881410A (zh) * | 2022-04-02 | 2022-08-09 | 国网山西省电力公司电力科学研究院 | 模型-数据混合驱动的电力系统暂态稳定在线评估方法 |
CN115015682A (zh) * | 2022-08-09 | 2022-09-06 | 南京佑友软件技术有限公司 | 一种电能质量实时在线监测方法 |
CN115144647A (zh) * | 2022-08-30 | 2022-10-04 | 国网江西省电力有限公司电力科学研究院 | 一种过电压智能识别方法及系统 |
CN115420949A (zh) * | 2022-11-04 | 2022-12-02 | 中国电力科学研究院有限公司 | 一种vfto时频分析方法、装置、介质及设备 |
CN115880102A (zh) * | 2023-03-08 | 2023-03-31 | 国网福建省电力有限公司 | 一种电能计量方法、系统、设备及存储介质 |
CN116541686A (zh) * | 2022-11-01 | 2023-08-04 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
CN117060405A (zh) * | 2023-10-11 | 2023-11-14 | 广东鑫钻节能科技股份有限公司 | 一种数字能源氧气站的电能质控方法、系统、设备及介质 |
CN117240624A (zh) * | 2023-11-14 | 2023-12-15 | 长春大学 | 一种基于黑盒场景的对抗攻击样本生成及测试方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831433A (zh) * | 2012-06-06 | 2012-12-19 | 西南交通大学 | 一种基于时频域多特征量的电能质量混合扰动分类方法 |
US20160124031A1 (en) * | 2014-11-04 | 2016-05-05 | Walid G. Morsi Ibrahim | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications |
CN105865776A (zh) * | 2016-03-23 | 2016-08-17 | 浙江理工大学 | 一种基于eemd和广义s变换的风电齿轮箱故障诊断方法 |
CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
CN107340456A (zh) * | 2017-05-25 | 2017-11-10 | 国家电网公司 | 基于多特征分析的配电网工况智能识别方法 |
CN107392090A (zh) * | 2017-06-05 | 2017-11-24 | 国网新疆电力公司经济技术研究院 | 优化电能质量扰动分类器elm的方法 |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
-
2018
- 2018-11-19 CN CN201811373464.1A patent/CN109271975B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831433A (zh) * | 2012-06-06 | 2012-12-19 | 西南交通大学 | 一种基于时频域多特征量的电能质量混合扰动分类方法 |
US20160124031A1 (en) * | 2014-11-04 | 2016-05-05 | Walid G. Morsi Ibrahim | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications |
CN105865776A (zh) * | 2016-03-23 | 2016-08-17 | 浙江理工大学 | 一种基于eemd和广义s变换的风电齿轮箱故障诊断方法 |
CN106651020A (zh) * | 2016-12-16 | 2017-05-10 | 燕山大学 | 一种基于大数据简约的短期电力负荷预测方法 |
CN107340456A (zh) * | 2017-05-25 | 2017-11-10 | 国家电网公司 | 基于多特征分析的配电网工况智能识别方法 |
CN107392090A (zh) * | 2017-06-05 | 2017-11-24 | 国网新疆电力公司经济技术研究院 | 优化电能质量扰动分类器elm的方法 |
CN107832777A (zh) * | 2017-10-12 | 2018-03-23 | 吉林化工学院 | 一种采用时域压缩多分辨率快速s变换特征提取的电能质量扰动识别方法 |
Non-Patent Citations (5)
Title |
---|
张淑清 等: "基于改进的广义谐波小波包分解和混沌振子的小电流接地系统故障选线", 《电工技术学报》 * |
张淑清 等: "复杂系统建模的ε机理论方法及应用研究", 《仪器仪表学报》 * |
张淑清 等: "广义S变换的参数优化及在电能质量分析中的应用", 《中国科学: 技术科学》 * |
李鑫滨 等: "基于LS-SVM多分类器融合决策的混合故障诊断算法", 《振动与冲击》 * |
马杰: "电力系统电能质量的扰动检测与识别方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978134A (zh) * | 2019-02-26 | 2019-07-05 | 华中科技大学 | 一种基于快速集成卷积神经网络的故障预测方法 |
CN110070102A (zh) * | 2019-03-13 | 2019-07-30 | 西安理工大学 | 基于双向独立循环神经网络的序列对序列模型的建立方法 |
CN110070102B (zh) * | 2019-03-13 | 2023-05-23 | 西安理工大学 | 用于电能质量扰动类型识别的序列对序列模型建立方法 |
CN110458189A (zh) * | 2019-06-29 | 2019-11-15 | 天津大学 | 压缩感知和深度卷积神经网络电能质量扰动分类方法 |
CN110610203A (zh) * | 2019-08-30 | 2019-12-24 | 天津大学 | 基于dwt和极限学习机的电能质量扰动分类方法 |
CN110674725A (zh) * | 2019-09-20 | 2020-01-10 | 电子科技大学 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
CN110674725B (zh) * | 2019-09-20 | 2022-06-03 | 电子科技大学 | 基于检测信号的多维特征向量组合的设备信号类型识别方法 |
CN110727908A (zh) * | 2019-09-27 | 2020-01-24 | 宁夏凯晨电气集团有限公司 | 解决复杂电气故障的模态解析方法 |
CN111008363A (zh) * | 2019-11-21 | 2020-04-14 | 西安交通大学 | 多变量因果驱动的复杂机电系统服役安全态势评估方法 |
CN111008363B (zh) * | 2019-11-21 | 2021-11-19 | 西安交通大学 | 多变量因果驱动的复杂机电系统服役安全态势评估方法 |
CN110889396A (zh) * | 2019-12-12 | 2020-03-17 | 国家电网有限公司大数据中心 | 能源互联网扰动分类方法、装置、电子设备和存储介质 |
CN111145044A (zh) * | 2020-01-09 | 2020-05-12 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
CN111145044B (zh) * | 2020-01-09 | 2023-07-11 | 三峡大学 | 基于ewt和mfde的配电网电能质量扰动检测方法 |
CN111368892B (zh) * | 2020-02-27 | 2024-01-30 | 合肥工业大学 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
CN111368892A (zh) * | 2020-02-27 | 2020-07-03 | 合肥工业大学 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
CN111652421A (zh) * | 2020-05-26 | 2020-09-11 | 广东电网有限责任公司东莞供电局 | 基于主成分分析和模糊分类的验电评估方法和装置 |
CN112329628A (zh) * | 2020-11-05 | 2021-02-05 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 换流变压器振动信号多特征融合的特征提取方法及装置 |
CN112883895A (zh) * | 2021-03-08 | 2021-06-01 | 山东大学 | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 |
CN112883895B (zh) * | 2021-03-08 | 2022-03-25 | 山东大学 | 基于自适应加权pca的非法电磁信号检测方法及其实现系统 |
CN112883914B (zh) * | 2021-03-19 | 2024-03-19 | 西安科技大学 | 一种多分类器结合的矿用机器人意念感知与决策方法 |
CN112883914A (zh) * | 2021-03-19 | 2021-06-01 | 西安科技大学 | 一种多分类器结合的矿用机器人意念感知与决策方法 |
CN113255541A (zh) * | 2021-06-01 | 2021-08-13 | 东北大学 | 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 |
CN113255541B (zh) * | 2021-06-01 | 2023-08-29 | 东北大学 | 一种基于本征模态函数重组信号相对熵的自适应流程工业过程的工艺参数去噪方法 |
CN113609765A (zh) * | 2021-07-29 | 2021-11-05 | 国网河北省电力有限公司邯郸供电分公司 | 一种过电压预测方法 |
CN113609765B (zh) * | 2021-07-29 | 2023-12-26 | 国网河北省电力有限公司邯郸供电分公司 | 一种过电压预测方法 |
CN113627313B (zh) * | 2021-08-02 | 2022-07-29 | 国网江苏省电力有限公司镇江供电分公司 | 非理想情况下基于s变换的电能表计量方法 |
CN113627313A (zh) * | 2021-08-02 | 2021-11-09 | 国网江苏省电力有限公司镇江供电分公司 | 非理想情况下基于s变换的电能表计量方法 |
CN114069853A (zh) * | 2021-11-10 | 2022-02-18 | 天津大学 | 基于分段符号表示的多能源荷数据在线压缩与重构方法 |
CN114069853B (zh) * | 2021-11-10 | 2024-04-02 | 天津大学 | 基于分段符号表示的多能源荷数据在线压缩与重构方法 |
CN114266277A (zh) * | 2021-12-27 | 2022-04-01 | 四川大学 | 一种电能质量扰动分类方法 |
CN114584227A (zh) * | 2022-01-12 | 2022-06-03 | 中国电子科技集团公司第十研究所 | 自动化突发信号检测方法 |
CN114584227B (zh) * | 2022-01-12 | 2023-08-22 | 中国电子科技集团公司第十研究所 | 自动化突发信号检测方法 |
CN114530889B (zh) * | 2022-03-28 | 2022-12-13 | 四川大学 | 基于大扰动区间识别的光伏系统双模式频率控制方法 |
CN114530889A (zh) * | 2022-03-28 | 2022-05-24 | 四川大学 | 基于大扰动区间识别的光伏系统双模式频率控制方法 |
CN114881410A (zh) * | 2022-04-02 | 2022-08-09 | 国网山西省电力公司电力科学研究院 | 模型-数据混合驱动的电力系统暂态稳定在线评估方法 |
CN115015682B (zh) * | 2022-08-09 | 2022-11-08 | 南京佑友软件技术有限公司 | 一种电能质量实时在线监测方法 |
CN115015682A (zh) * | 2022-08-09 | 2022-09-06 | 南京佑友软件技术有限公司 | 一种电能质量实时在线监测方法 |
CN115144647B (zh) * | 2022-08-30 | 2022-12-30 | 国网江西省电力有限公司电力科学研究院 | 一种过电压智能识别方法及系统 |
CN115144647A (zh) * | 2022-08-30 | 2022-10-04 | 国网江西省电力有限公司电力科学研究院 | 一种过电压智能识别方法及系统 |
CN116541686A (zh) * | 2022-11-01 | 2023-08-04 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
CN116541686B (zh) * | 2022-11-01 | 2024-03-15 | 河海大学 | 基于多域特征融合极限学习机的电能质量扰动分类方法 |
CN115420949B (zh) * | 2022-11-04 | 2022-12-30 | 中国电力科学研究院有限公司 | 一种vfto时频分析方法、装置、介质及设备 |
CN115420949A (zh) * | 2022-11-04 | 2022-12-02 | 中国电力科学研究院有限公司 | 一种vfto时频分析方法、装置、介质及设备 |
CN115880102A (zh) * | 2023-03-08 | 2023-03-31 | 国网福建省电力有限公司 | 一种电能计量方法、系统、设备及存储介质 |
CN117060405A (zh) * | 2023-10-11 | 2023-11-14 | 广东鑫钻节能科技股份有限公司 | 一种数字能源氧气站的电能质控方法、系统、设备及介质 |
CN117060405B (zh) * | 2023-10-11 | 2024-02-02 | 广东鑫钻节能科技股份有限公司 | 一种数字能源氧气站的电能质控方法、系统、设备及介质 |
CN117240624A (zh) * | 2023-11-14 | 2023-12-15 | 长春大学 | 一种基于黑盒场景的对抗攻击样本生成及测试方法及装置 |
CN117240624B (zh) * | 2023-11-14 | 2024-01-23 | 长春大学 | 一种基于黑盒场景的对抗攻击样本生成及测试方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109271975B (zh) | 2020-08-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109271975A (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 | |
CN106017879B (zh) | 基于振声信号特征融合的万能式断路器机械故障诊断方法 | |
Biswal et al. | Detection and characterization of multiple power quality disturbances with a fast S-transform and decision tree based classifier | |
CN107462785B (zh) | 基于ga-svm的电能质量多扰动信号分类识别方法 | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
Upendar et al. | Statistical decision-tree based fault classification scheme for protection of power transmission lines | |
Veerasamy et al. | High-impedance fault detection in medium-voltage distribution network using computational intelligence-based classifiers | |
CN108846410A (zh) | 基于稀疏自动编码深度神经网络的电能质量扰动分类方法 | |
CN108680348A (zh) | 一种基于随机森林的断路器机械故障诊断方法及系统 | |
CN102520341B (zh) | 一种基于Bayes-KFCM算法的模拟电路故障诊断方法 | |
CN103136587A (zh) | 基于支持向量机的配电网运行状态分类识别方法 | |
CN109165604A (zh) | 基于协同训练的非侵入式负荷识别方法及其测试系统 | |
Davies et al. | Deep neural networks for appliance transient classification | |
CN108052863A (zh) | 基于最大方差展开法的电能质量扰动识别方法 | |
CN109214460A (zh) | 基于相对变换与核熵成分分析的电力变压器故障诊断方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN109284672A (zh) | 一种基于PSO-Kmeans算法的高压断路器机械故障诊断方法 | |
CN109740057B (zh) | 一种基于知识萃取的增强神经网络及信息推荐方法 | |
CN109871809A (zh) | 一种基于语义网的机器学习流程智能组装方法 | |
CN108333468A (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
CN110263839A (zh) | 基于大数据的电力系统负荷静态特性在线智能识别方法 | |
CN110458189A (zh) | 压缩感知和深度卷积神经网络电能质量扰动分类方法 | |
Mukherjee et al. | Application of principal component analysis for fault classification in transmission line with ratio-based method and probabilistic neural network: a comparative analysis | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN113884844A (zh) | 一种变压器局部放电类型识别方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |