CN109948516B - 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 - Google Patents
一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 Download PDFInfo
- Publication number
- CN109948516B CN109948516B CN201910201294.7A CN201910201294A CN109948516B CN 109948516 B CN109948516 B CN 109948516B CN 201910201294 A CN201910201294 A CN 201910201294A CN 109948516 B CN109948516 B CN 109948516B
- Authority
- CN
- China
- Prior art keywords
- frequency
- power quality
- kernel
- svm
- time
- 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.)
- Active
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于能量最大化与核SVM的复合电能质量扰动识别方法，本发明摆脱了人工设计特征的复杂性，将电能质量分类简化为两个步骤，具体步骤为：1)采用基于能量最大化的S变换方法对复合电能质量扰动进行时频分析，可自动调节窗参数，实现最优的时频分辨率。2)结合提取的时频特征，建立权重线性组合核函数，形成核SVM算法。核SVM可融合多种特征，且每种特征都对应其最优的核函数参数，因此对复合电能质量扰动更加适应。本发明免除了人工特征的耗时与信息损失缺陷，能进一步提升复杂工况下电网信号识别的准确性。
Description
技术领域
本专利属于电能质量检测与分类领域，尤其涉及一种基于能量最大化与核SVM的复合电能质量扰动识别方法及方法。
背景技术
随着电力系统中非线性扰动负载的使用增加，电能质量信号种类日益复杂多样。常见的非线性负载包括充电桩、电力电子开关等，此外，一些清洁能源的并网，如风能、天阳能以及地热能，也使得电力系统信号的治理需求增大。为了给用户与企业提供更加清洁的能源，国家每年都耗费大的财力与人力在电能质量信号的调控与治理中。基于此，为保证更加准确治理与检测电力系统信号，首要前提是准确检测与分类出电能质量信号的种类。同时，一个更加智能、高效的复合电能质量分类算法可为智能电网的发展提供更加有效的解决方案。
传统的电能质量分类主要包括三个步骤：信号分析、特征提取与特征分类。针对第一个步骤，常用的信号分析方法包括小波变换、希尔伯特黄变换以及S变换等方法。小波变换通过选取不同小波基可以对电压信号进行时频分析，获取准确的时间与频率特征，但选取不同小波基具有不同的检测效果。希尔伯特黄变换由于其较低的计算量可实现信号的实时分解，但模态分量个数的选取会影响信号分解效果。S变换作为小波变换的延伸，继承了小波变换优良的时频分析能力，同时具有较好的抗噪性，但S变换中不同的高斯窗参数依然会导致不同的时频分辨率。针对第二个步骤，提取的特征包括各类人工统计特征，如发明专利CN 1054410002 A中提取频谱标准差、波峰个数作为分类器特征。专利CN 109034216 A中提取能量与扰动持续时间作为分类依据，针对复合扰动，这些人工特征的无疑增加了特征设计的复杂度与耗时。在最后一个步骤中，各类机器学习分类方法被用来处理人工特征，如决策树、人工神经网络，支持向量机(SVM)以及随机森林等。人工神经网络拟合能力强，但参数对分类影响较大。在这些分类方法中，SVM具备完备严谨的数学推理证明过程，其分类效果具备可解释性，但普通SVM中单一的核函数难以满足多维特征分类需求。
发明内容
为解决上述问题，本发明公开了一种基于能量最大化与核SVM的复合电能质量扰动识别方法，用于克服传统方法对复合电能质量扰动分类的不足，同时提供一种自动特征的分类方案。
为实现上述目的，本发明的技术方案为：
一种基于能量最大化与核SVM的复合电能质量扰动识别方法，包括以下步骤：
步骤一、针对复合电能质量数据，截断设定长度信号，对电能质量信号进行基于能量最大化的S变换，提取信号中的时间与频域特征并取模，得到时间与频域特征幅值的幅值时频矩阵；
步骤二、特征自动选取：选取幅值时频矩阵横轴与纵轴最大值，以及原始电能质量信号作为分类器的输入；
步骤三、复合扰动分类：依据时频矩阵横轴与纵轴最大值以及原始信号，建立权重线性组合核函数，最后建立核SVM分类器对时频矩阵横轴与纵轴最大值以及原始信号进行分类；
步骤四、模型训练与调整：仿真生成多种复合电能质量扰动，训练核SVM分类模型，调整核函数权重参数，构建完整的复合电能质量扰动分类框架。
进一步的改进，基于能量最大化S变换的能量定义为：
得到
通过优化表达式(4)，即得到当1/EOST(λ1，λ2)的值取最大时对应的λ1和λ2参数值；
其中，λ1对应低频段下的S变换的窗参数，当f>100Hz时定义为高频段，当f≤100Hz时为低频段，λ2对应高频段的S变换的窗参数，m＝0,1，…,M-1与n＝0,1,…,N-1,M为S变换的行大小，N为采样点数，即S变换的列大小；EOST(λ1，λ2)表示双频段的S变换的能量表达式，OST(m，n)表示能量最大化的S变换。
进一步的改进，所述步骤一中的能量最大化过程具体如下：为了提高不同频段的分辨率，采用基于双频段的S变换，对于电能质量信号x(t)，S变换的表达式为
其中，f为电能质量信号频率，当f>100Hz时定义为高频段，当f≤100Hz时为低频段，τ为时移因子，λ1,2＝(λ1，λ2)为信号不同频段下的窗参数，λ1对应低频段下的参数，λ2对应高频段的参数；ST(τ，f)表示双频段的S变换，t表示信号发生的时刻；
其中S变换的高斯窗g(f)为：
对于离散的S变换而言，令τ＝m/fs,f＝nfs/N,当n>0时，基于能量最大化S变换，即OST变换的离散形式为
其中，N表示采样点数，fs表示信号采样频率，f表示信号频率；
采用OST变换为目标函数来自适应调节S变换高斯窗参数，其中OST变换的能量定义为
为了加快搜索速度，OST变换中高斯窗的标准差满足：
式中，Ts＝1/fs为采样周期，m1与m2为采样周期Ts的个数，用于限定高斯窗标准差的取值范围；能量最大化的优化问题变为：
并且满足条件：
依据式(6)即自动选取最优的高斯窗参数，并调节实现最优的信号时频分辨率。
进一步的改进，所述步骤三中，依据输入特征建立权重线性组合核函数，表达式为
Kl(xi,xj)＝μ1Kf(fi,fj)+μ2Kt(ti,tj)+μ3Kx(xti,xtj) (7)
且满足：
μ1+μ2+μ3＝1
其中，Kl(xi，xj)表示权重线性组合核函数核函数；Kf表示时频矩阵最大频率轴的核函数，Kt表示时频矩阵最大时间轴的核函数；Kx原始信号的核函数；fi，fj分别为输入矩阵最大频率特征，ti，tj分别为输入矩阵最大时间特征，xti，xtji分别为原始信号；μ1，μ2，μ3分别为核函数的权重因子。
进一步的改进，所述步骤四的SVM分类模型的训练与调整中，依据网格搜索方法，确定SVM分类模型的最优参数，并依据核SVM的分类结果判断复合电能质量扰动的种类，实现电网信号的实时监测。
本发明的优点：
本发明相比于传统分类方法相比，基于能量最大化的S变换能够提供更精确的时频分析精度，在特征方面简化了人工特征设计的步骤，最后设计一种权重线性组合核函数应对多种类型的特征，一方面丰富了核SVM分类器的特征空间，一方面避免了人工特征提取步骤，从而为多种复合电能质量扰动的识别提供依据。
附图说明
图1为基于能量最大化与核SVM的分类框架；
图2为基于能量最大化的S变换与其余S变换结果对比图；
图3为不同核参数下基于网格搜索的核SVM分类表现；
图4为单一核函数下与权重线性组合核函数下的特征值。
具体实施方式
下面结合附图以及实施例对本发明进行更为详细的说明。
如图1所示为本发明的所采用方法的结构框架，具体步骤包括：
步骤1.信号时频分析：采集多种电能质量信号，以一定长度截断信号，对电能质量信号进行基于能量最大化的S变换，提取信号中的时间与频域特征；
步骤1中的能量最大化过程具体如下，为了提高不同频段的分辨率，本发明采用基于双频段的S变换作为优化目标，对于电能质量信号x(t)，其S变换的表达式为
其中，f为信号频率，τ为时移因子，λ1,2＝(λ1，λ2)为信号不同频段下的窗参数，λ1对应低频段下的参数，λ2对应高频段的参数。其中S变换的高斯窗为
对于离散的S变换而言，令τ＝m/fs,f＝nfs/N,当n>0时，基于能量最大化S变换(OST)的离散形式为
传统的S变换中，需要人为调节窗参数，使得时频分析结果难以适应不同的信号需求，为了使得电能质量信号具备最优的时频分辨率，本发明采用能量最大化作为目标函数来自适应调节S变换高斯窗参数，其中OST变换的能量定义为
能量最大化目标在于最大化表达式(4)，为了加快搜索速度，所述OST变换中高斯窗的标准差应当满足
式中，Ts＝1/fs，m1与m2为采样周期的个数。最后，能量最大化的优化问题可以变为
基于能量最大化的S变换结果为一时频矩阵OST(m,n),参数m，n为时频矩阵大小。依据式(6)即可自动选取最优的高斯窗参数，并调节实现最优的时频分辨率。
步骤2.特征自动选取：为尽可能包含多种信息，选取时频矩阵横轴与纵轴最大值，以及原始电能质量信号作为分类器的输入信号x(t)作为特征。
为提高运算速度，将OST(m,n)幅值矩阵的行与列最大值作为时频矩阵OST(m,n)的特征表征。即分类器的输入变为：T＝max(|OST(m,n)|列),F＝max(|OST(m,n)|行).
步骤3.复合扰动分类：依据特征特点，建立权重线性组合核函数，最后建立核SVM分类器对特征进行分类。
单一核函数对数据变换的效率有限，难以适应复合扰动的高维映射。本发明针对多类输入特征提出一种新的权重线性组合核函数，其表达式为
其中，Kf，Kt与Kx分别为不同数据源的核函数。u1，u2与u3分别为核函数的权重因子。
为学习核SVM分类器的决策超平面，基于权重线性组合核的SVM优化框架为
其中，w与b分别为权重向量与决策平面的偏差项，C为惩罚因子，ξ为松弛变量。
为了对新的电能质量信号z进行检测，决策函数依据以下式计算
步骤4，利用Matlab生成多组仿真数据后，为数据添加不同信噪比的噪声，采用网格搜索方法确定核SVM的参数。
本发明共测试18种单一与复合的电能质量扰动信号，具体的扰动类型如表1所示，每种扰动生成2000组样本，其中采样率设置为3200Hz，每个样本长度为640个数据点。
在能量最大化的S变换中，参数f＝100Hz，m1＝10，m2＝160。本实施例中，核SVM的参数设置为u1＝0.8，u2＝0.1与u3＝0.1。利用步骤4中的参数搜索方法，对应核函数参数与精度参照示例如图3所示，图3中采用网格搜索给出了不同核函数参数下的精度变化关系，可以看出随着参数的变化，精度也随之变化，最后可选取精度最大时对应的参数值。
图4为对应和参数与对应特征的可视化图，图4中表明，不同特征的相似度不同，再经过权重线性组合核之后，相比于单一的特征有较大变化。
从表1的测试结果可知，经过反复训练后，模型精度在无噪声时达到了99.65％的准确度，即使在最严重的20dB噪声条件下，平均精度也保持在98.5％以上，表明了本方法的有效性。此外，模型对含有骤降与尖峰扰动时的识别精度较低，表明模型对骤降具有一定的误识别率。
本发明模型与传统方法的对比结果如表2所示，从表2中可知，本发明所述基于能量大化与核SVM的复合扰动分类方法具有最优的识别精度。在抗噪能力、特征自动设计方面都具有较大优势。即使是针对两种甚至三种复合扰动而言，本方法也有直接良好的效果，表明本方法可适用于复杂电网情况下的应用，检测与控制。
表1不同噪声条件下扰动识别精度
表2本发明方法与传统方法的识别精度
| 方法名称 | 扰动数量 | 特征数量 | 噪声(dB) | 精度(％) |
| 小波变换+SVM | 9 | 1 | 20 | 94.22 |
| 离散小波变化+概率神经网络 | 16 | 9 | 20 | 93.60 |
| 变分模态分解+决策树 | 14 | 4 | 30 | 96.73 |
| S变换+决策树 | 13 | 8 | 20 | 91.35 |
| 能量最大化+核SVM | 18 | 自动 | 20 | 98.82 |
尽管本发明的实施方案已公开如上，但并不仅仅限于说明书和实施方案中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里所示。
Claims (5)
1.一种基于能量最大化与核SVM的复合电能质量扰动识别方法，其特征在于，包括以下步骤：
步骤一、针对复合电能质量数据，截断设定长度信号，对电能质量信号进行基于能量最大化的S变换，提取信号中的时间与频域特征并取模，得到时间与频域特征幅值的幅值时频矩阵；
步骤二、特征自动选取：选取幅值时频矩阵横轴与纵轴最大值，以及原始电能质量信号作为分类器的输入；
步骤三、复合扰动分类：依据时频矩阵横轴与纵轴最大值以及原始信号，建立权重线性组合核函数，最后建立核SVM分类器对时频矩阵横轴与纵轴最大值以及原始信号进行分类；
步骤四、模型训练与调整：仿真生成多种复合电能质量扰动，训练核SVM分类模型，调整核函数权重参数，构建完整的复合电能质量扰动分类框架。
2.如权利要求1所述的基于能量最大化与核SVM的复合电能质量扰动识别方法，其特征在于，基于能量最大化S变换的能量定义为：
得到
通过优化表达式(4)，即得到当1/EOST(λ1，λ2)的值取最大时对应的λ1和λ2参数值；
其中，λ1对应低频段下的S变换的窗参数，当f>100Hz时定义为高频段，当f≤100Hz时为低频段，λ2对应高频段的S变换的窗参数，m＝0,1，…,M-1与n＝0,1,…,N-1,M为S变换的行大小，N为采样点数，即S变换的列大小；EOST(λ1，λ2)表示双频段的S变换的能量表达式，OST(m，n)表示能量最大化的S变换。
3.如权利要求2所述的基于能量最大化与核SVM的复合电能质量扰动识别方法，其特征在于，所述步骤一中的能量最大化过程具体如下：为了提高不同频段的分辨率，采用基于双频段的S变换，对于电能质量信号x(t)，S变换的表达式为
其中，f为电能质量信号频率，当f>100Hz时定义为高频段，当f≤100Hz时为低频段，τ为时移因子，λ1,2＝(λ1，λ2)为信号不同频段下的窗参数，λ1对应低频段下的参数，λ2对应高频段的参数；ST(τ，F)表示双频段的S变换，t表示信号发生的时刻；
其中S变换的高斯窗g(f)为：
对于离散的S变换而言，令τ＝m/fs,f＝nfs/N,当n>0时，基于能量最大化S变换，即OST变换的离散形式为
其中，N表示采样点数，fs表示信号采样频率，f表示信号频率；
采用OST变换为目标函数来自适应调节S变换高斯窗参数，其中OST变换的能量定义为
为了加快搜索速度，OST变换中高斯窗的标准差满足：
式中，Ts＝1/fs为采样周期，m1与m2为采样周期Ts的个数，用于限定高斯窗标准差的取值范围；能量最大化的优化问题变为：
并且满足条件：
依据式(6)即自动选取最优的高斯窗参数，并调节实现最优的信号时频分辨率。
4.如权利要求1所述的基于能量最大化与核SVM的复合电能质量扰动识别方法，其特征在于，所述步骤三中，依据输入特征建立权重线性组合核函数，表达式为
Kl(xi,xj)＝μ1Kf(fi,fj)+μ2Kt(ti,tj)+μ3Kx(xti,xtj) (7)
且满足：
μ1+μ2+μ3＝1
其中，Kl(xi，xj)表示权重线性组合核函数核函数；Kf表示时频矩阵最大频率轴的核函数，Kt表示时频矩阵最大时间轴的核函数与Kx原始信号的核函数；fi，fj分别为输入矩阵最大频率特征，ti，tj分别为输入矩阵最大时间特征，xti，xtji分别为原始信号；μ1，μ2，μ3分别为核函数的权重因子。
5.如权利要求1所述的基于能量最大化与核SVM的复合电能质量扰动识别方法，其特征在于，所述步骤四的SVM分类模型的训练与调整中，依据网格搜索方法，确定SVM分类模型的最优参数，并依据核SVM的分类结果判断复合电能质量扰动的种类，实现电网信号的实时监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910201294.7A CN109948516B (zh) | 2019-03-18 | 2019-03-18 | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910201294.7A CN109948516B (zh) | 2019-03-18 | 2019-03-18 | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948516A CN109948516A (zh) | 2019-06-28 |
| CN109948516B true CN109948516B (zh) | 2022-12-02 |
Family
ID=67010002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910201294.7A Active CN109948516B (zh) | 2019-03-18 | 2019-03-18 | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948516B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115048957A (zh) * | 2022-06-08 | 2022-09-13 | 福州大学 | 基于isvmd-ht的复合电能质量扰动参数辨识方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
| 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 |
| WO2018014436A1 (zh) * | 2016-07-18 | 2018-01-25 | 天津大学 | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 |
-
2019
- 2019-03-18 CN CN201910201294.7A patent/CN109948516B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017128455A1 (zh) * | 2016-01-25 | 2017-08-03 | 合肥工业大学 | 一种基于广义多核支持向量机的模拟电路故障诊断方法 |
| WO2018014436A1 (zh) * | 2016-07-18 | 2018-01-25 | 天津大学 | 一种提高情绪识别模型时间鲁棒性的情绪脑电识别方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948516A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
| CN108898154A (zh) | 一种电力负荷som-fcm分层聚类方法 | |
| CN110147760B (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
| CN110111015A (zh) | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 | |
| CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
| CN110909977A (zh) | 基于adasyn-dhsd-et的电网故障诊断方法 | |
| CN111832812A (zh) | 一种基于深度学习的风电功率短期预测方法 | |
| CN112580471A (zh) | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 | |
| CN102629296A (zh) | 一种基于灰色模糊的企业信用评价方法 | |
| CN110046593B (zh) | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 | |
| CN104156628A (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
| CN113468796A (zh) | 一种基于改进随机森林算法的电压缺失数据辨识方法 | |
| CN109948516B (zh) | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 | |
| CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
| Li et al. | Prediction of wind turbine blades icing based on CJBM with imbalanced data | |
| CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
| CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
| CN112636328A (zh) | 一种中压配电网设备负荷状态辨识方法 | |
| Mishra et al. | Power quality disturbances classification with deep learning approach | |
| CN116776245A (zh) | 一种基于机器学习的三相逆变器设备故障诊断方法 | |
| CN116070458A (zh) | 基于rac-gan的新建风电场场景生成方法 | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
| CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
| Luo et al. | Fault diagnosis based on orthogonal semi-supervised LLTSA for feature extraction and Transductive SVM for fault identification | |
| CN111122155B (zh) | 一种基于可伸缩移位超圆盘的齿轮故障诊断方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |