CN110111015A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110111015A CN110111015A CN201910395899.4A CN201910395899A CN110111015A CN 110111015 A CN110111015 A CN 110111015A CN 201910395899 A CN201910395899 A CN 201910395899A CN 110111015 A CN110111015 A CN 110111015A
- Authority
- CN
- China
- Prior art keywords
- feature
- imf component
- population
- vector
- original training
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 34
- 238000004458 analytical method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000010355 oscillation Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000001052 transient effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010338 mechanical breakdown Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了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，包括：采集电能质量监测点在受到不同类型的扰动时的原始训练数据；采用变分模态分解对其分解得到K个IMF分量；计算每个IMF分量的多尺度排列熵，构建原始训练数据的特征向量；从特征向量中选择R个特征，组成原始训练数据的优化特征向量；以原始训练数据的优化特征向量和相应的扰动类型分别作为输入和输出数据，训练ELM神经网络模型，得到电能质量扰动分类器；对待检测电能质量监测点的电压信号，按上述相同方法获取其优化特征向量，并输入到电能质量扰动分类器中，得到待检测电能质量监测点的扰动类型。本发明方法对电能质量的扰动类型进行实时诊断的效率大大提升。
Description
技术领域
本发明属于电能质量检测领域，具体涉及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。
背景技术
随着科学技术的发展，电力负荷的变化和非线性负荷的增加，电网经常受到各种干扰的影响，从而导致波形失真和电能质量问题日益突出。电网中存在的电压暂升、暂降，谐波，衰减振荡以及电压闪变等电能质量问题得到电力部门和电网用户的广泛关注。电能质量是对电力系统中电能的质量的描述，用来衡量电能品质好坏。一般而言，电能的时序波形应该是幅值稳定，频率一致的稳定正弦波，但由于各类一次设备和二次设备对电力系统的影响，造成系统不对称性和非线性，以及各种自然或非自然因素导致的附加干扰及各类故障等原因，电能波形很难保持理想状态。所以电能质量的监测对于电力系统的稳定运行及故障预警有着极为重要的作用。
要想实现电能质量的监测分析，最为重要的就是实现对电能质量暂态扰动进行检测与分类，而其中的首要步骤就是通过对原始电压进行处理分析提取电能质量扰动特征量。目前主流的特征量提取与分析的方法主要有：数学形态学算法、傅里叶变换、小波变换、S变换、EMD分解等，一系列的研究表明这些提取方法提取的特征量对于电能质量扰动具有一定的表征性，但同时也具有对噪声敏感，缺乏自适应性，计算过程复杂、效率低，端点效应严重，分解结果模态混叠严重，提取特征用于分类时分类精度低等问题。
而另一方面，现有研究采用的分类手段主要为模板匹配或各类传统神经网络，缺乏优化，输入特征过多时识别模型的复杂度过高，分类器的效率低下。同时，现有研究难以实现电能质量的实时在线测量，以及分类器根据目标环境的不同做出相应调整。
发明内容
为了在现有研究的基础上对电能质量暂态扰动识别方法进行改进，本发明提供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，采用基于VMD多尺度排列熵作为提取的特征训练基于ELM神经网络模型的电能质量扰动分类器，对不同的电能质量暂态扰动进行分类诊断，效率大大提升。
为实现上述技术目的，本发明采用如下技术方案：
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，包括以下步骤：
步骤1，采集电能质量监测点在受到不同扰动类型的扰动时的原始训练数据；
采集电能质量监测点在历史时间段内受到扰动的电压信号U，并进行预处理，将得到的电压时序数据作为原始训练数据Ut；其中，针对每种扰动类型均获取若干个原始训练数据；
步骤2，采用变分模态分解对原始训练数据进行分解，每个原始训练数据均得到K个IMF分量uk(t)；
步骤3，计算每个IMF分量在NS个不同尺度因子下的排列熵，将每个IMF分量在每个尺度因子下的排列熵均作为原始训练数据的特征，由所有特征构建原始训练数据的特征向量V＝[v1,v2,...,vQ]，Q＝K×NS；
步骤4，从特征向量V中选择R个特征p1,p2,…,pR，组成原始训练数据的优化特征向量P＝[p1,p2,…,pR]；
步骤5，以原始训练数据的优化特征向量和相应的扰动类型分别作为输入数据和输出数据，训练ELM神经网络模型，得到电能质量扰动分类器；
步骤6，对待检测电能质量监测点的电压信号，按步骤1-4进行处理，得到待检测电能质量监测点的电压信号的优化特征向量，并输入到步骤5得到的电能质量扰动分类器中，电能质量扰动分类器输出待检测电能质量监测点的扰动类型。
本方案通过采集电能质量监测点的电压时序数据，并采用变分模态分解及多尺度排列熵计算，提取并选择有效特征量，从而建立一种电能质量扰动分类器，实现对电能质量的实时监控。
本方案所采用的变分模态分解作为一种新颖的信号分解处理方法，与传统的经验模态分解等递归式分解方法相比，能够根据预设数量K对电能质量监测点的电压时序数据进行分解得到K个IMF分量，具有受噪声影响较小，模态混叠不明显，分解误差小等特征，且能够有效分离频率接近的纯谐波信号，即IMF分量uk(t)，使得基于各纯谐波信号提取的特征所训练的电能质量扰动分类器的分类诊断效率大大提升。
同时，该方案采用了计算多尺度排列熵的方式提取特征，多尺度排列熵是一种度量时间序列复杂性方法，具有通用性好，计算简单快捷、抗噪声干扰能力强等优点，适用于本发明机械故障诊断领域对非线性、非平稳时间序列的电压信号提取特征以进行机械故障诊断。
进一步地，步骤4采用二进制遗传算法从原始训练数据的特征向量V中选择R个特征，具体过程为：
步骤4.1，生成初始种群；
设置种群规模为MGA，最大迭代次数为d，并将种群中的每个个体均采用0/1编码方法初始化为1个字符串长度为Q的基因编码，每个字符与特征向量中的每个特征一一对应，字符为1表示选取相应位的特征，字符为0表示摈弃相应位的特征；
步骤4.2，确定适应度函数；
对于种群中的每个个体，将该个体所对应的特征作为电能质量扰动分类器的输入，根据相应的真实扰动类型计算识别准确率，将得到的识别准确率作为该个体的适应度函数；
步骤4.3，生成新种群；
计算当前种群的平均适应度值，并根据平均适应度值对当前通过对种群进行选择、交叉、变异，产生下一代种群；其中，所述种群的平均适应度值，通过对种群中所有个体的适应度值取平均计算得到；
步骤4.4，选择特征；
当满足最大迭代次数时，结束迭代，得到最终种群并选择最优个体，按最优个体从特征向量V中选择特征；其中最优个体是指种群中适应度值最高的个体。
本方案通过采用二进制遗传算法排除特征向量中比较无用的特征，提升后续电能质量扰动分类器的分类效率，选择有效特征则可提高电能质量扰动分类器的分类准确性，提升整体系统的运行效率。通过选用电能质量扰动分类器的识别准确率作为二进制遗传算法的适应度评价指标，相当于以电能质量扰动分类器的识别准确率为优化目标，来选择合适的特征，从而可进一步提高电能质量扰动分类器的分类准确率。
进一步地，K个IMF分量为分别紧密围绕在各自中心频率ωk附近的调幅调频信号：
Ak(t)和分别为IMF分量uk(t)的瞬时幅值和瞬时相位，瞬时相位的导数为瞬时频率ωk(t)；
步骤2的具体过程为：
步骤2.1，第一代参数初始化；
初始化第一代IMF分量为第一代中心频率为第一代拉格朗日算子λ1＝0；
步骤2.2，迭代更新IMF分量；
采用以下公式迭代更新IMF分量、中心频率和拉格朗日算子：
其中，为第n代IMF分量的频域表示，为第n代拉格朗日算子λn(t)的频域表示，x表示频率；为原始训练数据Ut的频域表示；τ表示噪声容限参数；
步骤2.3，重复步骤2.2以执行迭代循环，当满足以下公式所述结束条件时，结束迭代循环：
步骤2.4，将得到的K个IMF分量由频域变换到时域uk(t)。
进一步地，步骤3中计算IMF分量在尺度因子为s下的排列熵的方法为：
步骤3.1，时间序列粗粒化；
采用尺度因子s对IMF分量uk(t)按以下公式进行粗粒化处理，得到粗粒化后的时间序列
式中，表示N向下取整于s，N表示IMF分量的时间序列长度；
步骤3.2，时间序列相空间重构；
对步骤3.1得到的粗粒化后的时间序列进行相空间重构，得到以下公式所示的多维度重构向量组：
式中，m为嵌入维度，α为延迟时间；
步骤3.3，计算时间序列排列熵；
对于多维度重构向量组中的任一个向量对其中m个元素根据数值大小进行升序排列得到重构向量，使用ID1,ID2,...,IDm表示重构向量中各元素所在列的索引，每一个向量均得到对应一组符号序列：多维度重构向量组中的所有向量共有g种序号排列方式，对应g组符号序列，其中g≤m！，m！表示m的阶乘；
计算多维度重构向量组的g组符号序列出现的概率分别得到P1,P2,...,Pg，则多维度重构向量组的排列熵为：
对多维度重构向量组的排列熵进行归一化处理，得到IMF分量在尺度因子为s下的排列熵：
进一步地，ELM神经网络模型的输入层的神经元数量为R+1，隐含层的神经元数量为14，输出层的神经元数量为7；对ELM神经网络模型的训练采用BP反向传播算法，最大迭代次数设置为1000，训练学习率为0.1，训练ELM神经网络模型的连接权值和阈值。
进一步地，扰动类型包括：应电压骤升、电压骤降、电压中断、电压振荡、电压缺口、谐波和无扰动。
有益效果
本方案通过采集电能质量监测点的电压时序数据，并采用变分模态分解及多尺度排列熵计算，提取有效特征量，并导入基于遗传算法优化的ELM神经网络模型中分类，从而建立了一种电能质量扰动分类器，实现对电能质量的实时监控。
本方案所采用的变分模态分解作为一种新颖的信号分解处理方法，与传统的经验模态分解等递归式分解方法相比，能够根据预设模态分量个数对电能质量监测点的电压时序数据进行分解，具有受噪声影响较小，模态混叠不明显，分解误差小等特征，且能够有效分离频率接近的纯谐波信号，使得基于各纯谐波信号提取的特征所训练的电能质量扰动分类器的分类诊断效率大大提升。
同时，该方案采用了计算多尺度排列熵的方式提取特征，多尺度排列熵是一种度量时间序列复杂性方法，具有通用性好，计算简单快捷、抗噪声干扰能力强等优点，适用于任何类型的非线性、非平稳时间序列，广泛运用于生物医学信号研究，机械故障诊断等领域。最后，本方案采用遗传算法对特征进行选择，优化了电能质量扰动分类器的分类准确性，提升了整体系统的运行效率。
附图说明
图1为本发明所述方法的流程示意图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
如图1所示，本发明提供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，通过提取电信号多频段多尺度排列熵信息，采用神经网络分类模型，实现对电能质量的实时监测与故障类型判断。主要内容包括以下步骤：
步骤1，采集电能质量监测点在受到不同类型的扰动时的原始训练数据；
采集电能质量监测点在历史时间段内受到暂态扰动的电压信号U，并进行预处理，将得到的电压时序数据作为原始训练数据Ut；其中，针对每种扰动类型均获取若干个原始训练数据；
具体地，采用电压互感器采集电网中电能质量监测点的电压信号U，作为电能质量扰动分析的输入数据，由于电压互感器采样频率较高，采用原始的采样电压数据进行后续处理的计算成本较大，效率低下，故本发明对原始的10kHz采样频率进行预处理，通过求取固定步长内的电压有效值将10kHz的原始数据处理为基频信号频率50Hz的电压时序数据，并按照滑动窗的方式，以步长为80个周期基频信号长度向前移动，每次移动后窗口截取100个周期基频信号作为系统所需的训练数据，获得原始训练数据Ut。
步骤2，采用变分模态分解对原始训练数据进行分解，得到K个IMF分量uk(t)，为分别紧密围绕在各自中心频率ωk附近的调幅调频信号：
在语音处理、风速预测等领域中，经验模态分解(Empirical ModeDecomposition,EMD)广泛的应用于时间序列的分解和分析。但是，由于它缺乏理论定义和递归结构，经验模态分解(EMD)不具有反向纠错能力，高度依赖于极值点的搜寻方法、载波包络线的插值和终止条件，使其具有模态混叠、端点效应、分解停止准则等问题。而变分模态分解(Variational Mode Decomposition,VMD)采用变分模型自适应地确定相关频段，对含有噪声的采样数据进行处理时具有更好的鲁棒性。故本发明采用变分模态分解方法对步骤1获取到的原始训练数据进行分解，使得到的K个IMF分量的带宽之和最小，降低噪声对电能质量扰动类型检测分类的干扰，提高分类精确。
具体地，本发明采用变分模态分解对原始训练数据进行分解的过程为：
步骤2.1，第一代参数初始化；
VMD是通过自适应的将信号Ut的分解成K个紧密围绕在各自中心频率ωk附近的IMF分量uk(t)，分解后的每一IMF分量uk(t)被重新定义为一个调幅-调频信号，表示如下：
其中Ak(t)和分别为IMF分量uk(t)的瞬时幅值和瞬时相位，瞬时相位的导数为瞬时频率ωk(t)。每个IMF分量对应一个中心频率，而每个IMF分量的瞬时频率ωk(t)与时间有关，本发明只用到了各IMF分量的中心频率ωk。
由于VMD是采用迭代的方式更新每一层IMF的uk(t)，故初始化第一代调幅-调频信号uk(t)为及第一代中心频率同时初始化第一代拉格朗日算子λ1＝0及迭代数n＝1。
步骤2.2，迭代更新IMF分量；
采用以下公式迭代更新IMF分量、中心频率和拉格朗日算子：
其中，，为第n代IMF分量的频域表示，为第n代拉格朗日算子λn(t)的频域表示，x表示频率；为原始训练数据Ut的频域表示；τ表示噪声容限参数；
步骤2.3，重复步骤2.2以执行迭代循环，当满足以下公式所述结束条件时，结束迭代循环：：
步骤2.4，将得到的K个IMF分量由频域变换到时域uk(t)。
通过傅里叶反变换得到时域内K个带宽之和最小的IMF分量，即VMD分解结果，并将分解后每个分量下的时间序列表示为uk(t)。
步骤3，提取多尺度排列熵信息；
多尺度排列熵(multi-scale permutation entropy，MPE)指的是在不同尺度下的排列熵，对原时间序列在多个尺度上进行粗粒化处理，然后计算时间序列在每个尺度粗粒化后的排列熵值。
通过计算每个IMF分量在NS个不同尺度因子下的排列熵，将每个IMF分量的每个尺度因子下的排列熵均作为原始训练数据的特征，由所有特征构建原始训练数据的特征向量V＝[v1,v2,...,vQ]，Q＝K×NS。
其中，计算IMF分量在尺度因子为s下的排列熵的具体过程为：
步骤3.1，时间序列粗粒化；
采用尺度因子s对IMF分量uk(t)按以下公式进行粗粒化处理，即使用长度为s的窗口对原时间序列按序划分，然后计算每个时间窗内的均值，得到粗粒化后的时间序列
式中，表示N向下取整于s，N表示IMF分量的时间序列长度；由于本实施例在步骤1中截取的是100个周期的基频信号作为原始训练数据，故此处N＝100。
步骤3.2，时间序列相空间重构；
对步骤3.1得到的粗粒化后的时间序列进行相空间重构，得到以下公式所示的多维度重构向量组：
式中，m为嵌入维度，α为延迟时间；
步骤3.3，计算时间序列排列熵；
对于多维度重构向量组中的任一个向量对其中m个元素根据数值大小进行升序排列得到重构向量，使用ID1,ID2,...,IDm表示重构向量中各元素所在列的索引，每一个向量均得到对应一组符号序列：多维度重构向量组中的所有向量共有g种序号排列方式，对应g组符号序列，其中g≤m！；
计算多维度重构向量组的g组符号序列出现的概率P1,P2,...,Pg，则多维度重构向量组的排列熵为：
多维度重构向量组的排列熵进行归一化处理，得到第k个IMF分量在尺度因子为s下的排列熵：
MPE值得大小表示时间序列的随机程度，即在本实施例中，MPE表示IMF分量uk(t)在尺度因子为s时的随机程度，其值越小说明时间序列越规则，反之时间序列越接近随机。
最后，计算每一IMF分量下的多尺度排列熵值作为特征，构建特征向量V＝[v1,v2,...,vQ]，Q＝K×NS。其中K和NS分别表示VMD分解后的IMF分量总数和时间序列粗粒化处理的尺度数。
步骤4，从特征向量V中选择R个特征p1,p2,…,pR，组成原始训练数据的优化特征向量P＝[p1,p2,…,pR]；
在将特征向量导入分类模型之前需要对特征向量进行特征选择，提取出其中的有效特征，从而提升分类器的分类准确性。本发明采用二进制遗传算法对其进行特征选择，具体步骤如下：
步骤4.1，生成初始种群；
设置种群规模为MGA，最大迭代次数为d，并将种群中的每个个体均采用0/1编码方法随机初始化为1个字符串长度为Q的基因编码，基因编码中每个字符与特征向量中的每个特征一一对应，字符为1表示选取相应位的特征，字符为0表示摈弃相应位的特征；
步骤4.2，确定适应度函数；
对于种群中的每个个体，将该个体所对应的特征作为电能质量扰动分类器的输入，根据相应的真实扰动类型计算识别准确率，将得到的识别准确率作为该个体的适应度函数，适应度函数值越大则代表该个体越优秀。
步骤4.3，生成新种群；
计算当前种群的平均适应度值，并根据平均适应度值通过对当前种群进行选择、交叉、变异，产生下一代种群；其中，所述种群的平均适应度值，通过对种群中所有个体的适应度值取平均计算得到；
步骤4.4，选择特征；
当满足最大迭代次数时结束迭代，得到最终种群并选择最优个体，按最优个体从特征向量V中选择特征，得到优化特征向量P＝[p1,p2,...,pR]。其中最优个体是指种群中适应度值最高的个体，R为最优个体中为1的字符个数。
其中，选择是指以一定概率选择较优的父代复制并遗传至下一代；交叉是指以一定概率把两个父代的基因进行交叉重组，获得新的下一代；变异是指以一定概率选择父代中的某个基因进行更改。
步骤5，以原始训练数据的优化特征向量和相应的扰动类型分别作为输入数据和输出数据，训练ELM神经网络模型，得到电能质量扰动分类器。具体过程为：
步骤5.1，初始化ELM参数
ELM神经网络模型的输入层的神经元数量，根据步骤4选择所得的特征的数量R而得到，具体根据不同的场景而有所变动，输入向量Pi为：Pi＝[1,p(1),p(2),…,p(R)]。隐含层的神经元数量为14，隐含层输出的向量Ph为：Ph＝[1,ph(1),ph(2),ph(3)...ph(14)]。输出层的神经元数量，根据扰动类型的数量而设为7，输出向量Po为：Po＝[po(1),po(2),po(3)...po(7)]，分别对应电压骤升(swell)，电压骤降(sag)，电压中断(interruption)，电压振荡(oscillatorytransients)，电压缺口(notch)，谐波(harmonic)六种事件，及无扰动事件。
其中，定义输入层与隐含层之间的权值矩阵A如下：
定义隐藏层与输出层之间的权值矩阵B如下：
权值矩阵A和B中的第一列分别代表着输入层和隐含层的阈值，将其与权值相融合有助于后续计算机运算。
选择广泛使用的Sigmoid函数作为各神经元的激活函数，其表达式如下：
步骤5.2，ELM神经网络模型训练及验证
采用常见的BP反向传播算法对ELM神经网络分类模型进行训练，将最大迭代次数设置为1000，训练学习率设为0.1。
在电能质量监测点，针对每种扰动类型均采集若干个电压信号，并对所有电压信号均按照上述步骤1-4将电压信号处理转化为带标签(已知扰动类型，将扰动类型作为标签)的优化特征向量，所有优化特征向量组成特征向量矩阵；然后将矩阵按3:1的比例分为训练集和测试集。训练集用于训练ELM分类器，并且用于上述二进制遗传算法选择特征的适应度值计算。测试集用于计算分类器模型的误差，评估分类器模型的精确性和鲁棒性。综合以上过程便得到了最终的电能质量在线故障诊断模型，便可用来执行步骤6对待检测电能质量监测点进行实时扰动检测，判断具体的暂态扰动的类型。
步骤6，实时扰动监测；
采集待检测电能质量监测点的电压信号，按步骤1-4进行处理，得到待检测电能质量监测点的电压信号的优化特征向量，并输入到步骤5得到的电能质量扰动分类器中，电能质量扰动分类器输出待检测电能质量监测点的扰动类型。
以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (6)
1.一种基于变分模态分解多尺度排列熵的电能质量分析方法，其特征在于，包括以下步骤：
步骤1，采集电能质量监测点在受到不同扰动类型的扰动时的原始训练数据；
采集电能质量监测点在历史时间段内受到扰动的电压信号U，并进行预处理，将得到的电压时序数据作为原始训练数据Ut；其中，针对每种扰动类型均获取若干个原始训练数据；
步骤2，采用变分模态分解对原始训练数据进行分解，每个原始训练数据均得到K个IMF分量uk(t)；
步骤3，计算每个IMF分量在NS个不同尺度因子下的排列熵，将每个IMF分量在每个尺度因子下的排列熵均作为原始训练数据的特征，由所有特征构建原始训练数据的特征向量V＝[v1,v2,...,vQ]，Q＝K×NS；
步骤4，从特征向量V中选择R个特征p1,p2,…,pR，组成原始训练数据的优化特征向量P＝[p1,p2,…,pR]；
步骤5，以原始训练数据的优化特征向量和相应的扰动类型分别作为输入数据和输出数据，训练ELM神经网络模型，得到电能质量扰动分类器；
步骤6，对待检测电能质量监测点的电压信号，按步骤1-4进行处理，得到待检测电能质量监测点的电压信号的优化特征向量，并输入到步骤5得到的电能质量扰动分类器中，电能质量扰动分类器输出待检测电能质量监测点的扰动类型。
2.根据权利要求1所述的方法，其特征在于，步骤4采用二进制遗传算法从原始训练数据的特征向量V中选择R个特征，具体过程为：
步骤4.1，生成初始种群；
设置种群规模为MGA，最大迭代次数为d，并将种群中的每个个体均采用0/1编码方法初始化为1个字符串长度为Q的基因编码，每个字符与特征向量中的每个特征一一对应，字符为1表示选取相应位的特征，字符为0表示摈弃相应位的特征；
步骤4.2，确定适应度函数；
对于种群中的每个个体，将该个体所对应的特征作为电能质量扰动分类器的输入，根据相应的真实扰动类型计算识别准确率，将得到的识别准确率作为该个体的适应度函数；
步骤4.3，生成新种群；
计算当前种群的平均适应度值，并根据平均适应度值对当前通过对种群进行选择、交叉、变异，产生下一代种群；其中，所述种群的平均适应度值，通过对种群中所有个体的适应度值取平均计算得到；
步骤4.4，选择特征；
当满足最大迭代次数时，结束迭代，得到最终种群并选择最优个体，按最优个体从特征向量V中选择特征；其中最优个体是指种群中适应度值最高的个体。
3.根据权利要求1所述的方法，其特征在于，K个IMF分量为分别紧密围绕在各自中心频率ωk附近的调幅调频信号：
Ak(t)和分别为IMF分量uk(t)的瞬时幅值和瞬时相位，瞬时相位的导数为瞬时频率ωk(t)；
步骤2的具体过程为：
步骤2.1，第一代参数初始化；
初始化第一代IMF分量为第一代中心频率为第一代拉格朗日算子λ1＝0；
步骤2.2，迭代更新IMF分量；
采用以下公式迭代更新IMF分量、中心频率和拉格朗日算子：
其中，为第n代IMF分量的频域表示，为第n代拉格朗日算子λn(t)的频域表示，x表示频率；为原始训练数据Ut的频域表示；τ表示噪声容限参数；
步骤2.3，重复步骤2.2以执行迭代循环，当满足以下公式所述结束条件时，结束迭代循环：
步骤2.4，将得到的K个IMF分量由频域变换到时域uk(t)。
4.根据权利要求1所述的方法，其特征在于，步骤3中计算IMF分量在尺度因子为s下的排列熵的方法为：
步骤3.1，时间序列粗粒化；
采用尺度因子s对IMF分量uk(t)按以下公式进行粗粒化处理，得到粗粒化后的时间序列
式中，表示N向下取整于s，N表示IMF分量的时间序列长度；
步骤3.2，时间序列相空间重构；
对步骤3.1得到的粗粒化后的时间序列进行相空间重构，得到以下公式所示的多维度重构向量组：
式中，m为嵌入维度，α为延迟时间；
步骤3.3，计算时间序列排列熵；
对于多维度重构向量组中的任一个向量对其中m个元素根据数值大小进行升序排列得到重构向量，使用ID1,ID2,...,IDm表示重构向量中各元素所在列的索引，每一个向量均得到对应一组符号序列：多维度重构向量组中的所有向量共有g种序号排列方式，对应g组符号序列，其中g≤m！，m！表示m的阶乘；
计算多维度重构向量组的g组符号序列出现的概率分别得到P1,P2,...,Pg，则多维度重构向量组的排列熵为：
对多维度重构向量组的排列熵进行归一化处理，得到IMF分量在尺度因子为s下的排列熵：
5.根据权利要求1所述的方法，其特征在于，ELM神经网络模型的输入层的神经元数量为R+1，隐含层的神经元数量为14，输出层的神经元数量为7；对ELM神经网络模型的训练采用BP反向传播算法，最大迭代次数设置为1000，训练学习率为0.1，训练ELM神经网络模型的连接权值和阈值。
6.根据权利要求1所述的方法，其特征在于，扰动类型包括：应电压骤升、电压骤降、电压中断、电压振荡、电压缺口、谐波和无扰动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910395899.4A CN110111015A (zh) | 2019-05-13 | 2019-05-13 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910395899.4A CN110111015A (zh) | 2019-05-13 | 2019-05-13 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110111015A true CN110111015A (zh) | 2019-08-09 |
Family
ID=67489742
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910395899.4A Pending CN110111015A (zh) | 2019-05-13 | 2019-05-13 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110111015A (zh) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110464517A (zh) * | 2019-08-16 | 2019-11-19 | 杭州电子科技大学 | 基于小波加权排列熵的肌电信号识别方法 |
| CN110716534A (zh) * | 2019-10-31 | 2020-01-21 | 浙江大学 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
| CN110942103A (zh) * | 2019-12-05 | 2020-03-31 | 桂林电子科技大学 | 分类器的训练方法和计算机可读存储介质 |
| CN111797396A (zh) * | 2020-06-28 | 2020-10-20 | 韩山师范学院 | 恶意代码可视化及变种检测方法、装置、设备及存储介质 |
| CN111965464A (zh) * | 2020-08-25 | 2020-11-20 | 杭州电力设备制造有限公司 | 一种基于监测数据分析的电能质量预警系统 |
| CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及系统 |
| CN112213688A (zh) * | 2020-09-03 | 2021-01-12 | 中国民用航空飞行学院 | 一种用于低空空域低小慢飞行器目标个体识别的特征提取方法 |
| CN112988548A (zh) * | 2021-04-23 | 2021-06-18 | 华南理工大学 | 一种基于降噪算法的改进Elman神经网络的预测方法 |
| CN113191477A (zh) * | 2021-01-29 | 2021-07-30 | 河北建投新能源有限公司 | 碱式电解槽的温度传感器故障诊断方法与装置 |
| CN113378652A (zh) * | 2021-05-21 | 2021-09-10 | 南京理工大学 | 一种基于ewt-mpe-pso-bp的扰动分类方法 |
| CN113516066A (zh) * | 2021-07-05 | 2021-10-19 | 内蒙古工业大学 | 电能质量扰动信号分类方法、装置、存储介质和电子设备 |
| CN113591604A (zh) * | 2021-07-09 | 2021-11-02 | 浙江工业大学 | 基于噪声标签重构的风力发电机电能质量扰动状态监测方法 |
| CN113899976A (zh) * | 2021-10-30 | 2022-01-07 | 福州大学 | 一种复合电能质量扰动可视化方法 |
| CN114167237A (zh) * | 2021-11-30 | 2022-03-11 | 西安交通大学 | 一种gis局部放电故障识别方法、系统、计算机设备、存储介质 |
| CN114184889A (zh) * | 2021-12-01 | 2022-03-15 | 厦门大学 | 一种基于vmd的电网电压暂降故障信号检测方法及系统 |
-
2019
- 2019-05-13 CN CN201910395899.4A patent/CN110111015A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| 王玥 等: "基于深度置信网络的电能质量扰动事件分类", 《供用电》 * |
| 陈东宁 等: "基于变分模态分解和多尺度排列熵的故障诊断", 《计算机集成制造系统》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110464517B (zh) * | 2019-08-16 | 2021-09-07 | 杭州电子科技大学 | 基于小波加权排列熵的肌电信号识别方法 |
| CN110464517A (zh) * | 2019-08-16 | 2019-11-19 | 杭州电子科技大学 | 基于小波加权排列熵的肌电信号识别方法 |
| CN110716534A (zh) * | 2019-10-31 | 2020-01-21 | 浙江大学 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
| CN110716534B (zh) * | 2019-10-31 | 2021-04-06 | 浙江大学 | 一种基于自整定变分模态分解的工业过程振荡检测方法 |
| CN110942103A (zh) * | 2019-12-05 | 2020-03-31 | 桂林电子科技大学 | 分类器的训练方法和计算机可读存储介质 |
| CN111797396A (zh) * | 2020-06-28 | 2020-10-20 | 韩山师范学院 | 恶意代码可视化及变种检测方法、装置、设备及存储介质 |
| CN111797396B (zh) * | 2020-06-28 | 2023-08-29 | 韩山师范学院 | 恶意代码可视化及变种检测方法、装置、设备及存储介质 |
| CN111965464A (zh) * | 2020-08-25 | 2020-11-20 | 杭州电力设备制造有限公司 | 一种基于监测数据分析的电能质量预警系统 |
| CN112036042A (zh) * | 2020-09-02 | 2020-12-04 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及系统 |
| CN112036042B (zh) * | 2020-09-02 | 2022-07-26 | 哈尔滨工程大学 | 一种基于变分模态分解的动力设备异常检测方法及系统 |
| CN112213688A (zh) * | 2020-09-03 | 2021-01-12 | 中国民用航空飞行学院 | 一种用于低空空域低小慢飞行器目标个体识别的特征提取方法 |
| CN113191477A (zh) * | 2021-01-29 | 2021-07-30 | 河北建投新能源有限公司 | 碱式电解槽的温度传感器故障诊断方法与装置 |
| CN112988548A (zh) * | 2021-04-23 | 2021-06-18 | 华南理工大学 | 一种基于降噪算法的改进Elman神经网络的预测方法 |
| CN113378652A (zh) * | 2021-05-21 | 2021-09-10 | 南京理工大学 | 一种基于ewt-mpe-pso-bp的扰动分类方法 |
| CN113378652B (zh) * | 2021-05-21 | 2023-11-24 | 南京理工大学 | 一种基于ewt-mpe-pso-bp的扰动分类方法 |
| CN113516066B (zh) * | 2021-07-05 | 2023-08-08 | 内蒙古工业大学 | 电能质量扰动信号分类方法、装置、存储介质和电子设备 |
| CN113516066A (zh) * | 2021-07-05 | 2021-10-19 | 内蒙古工业大学 | 电能质量扰动信号分类方法、装置、存储介质和电子设备 |
| CN113591604A (zh) * | 2021-07-09 | 2021-11-02 | 浙江工业大学 | 基于噪声标签重构的风力发电机电能质量扰动状态监测方法 |
| CN113899976A (zh) * | 2021-10-30 | 2022-01-07 | 福州大学 | 一种复合电能质量扰动可视化方法 |
| CN113899976B (zh) * | 2021-10-30 | 2024-03-29 | 福州大学 | 一种复合电能质量扰动可视化方法 |
| CN114167237A (zh) * | 2021-11-30 | 2022-03-11 | 西安交通大学 | 一种gis局部放电故障识别方法、系统、计算机设备、存储介质 |
| CN114184889A (zh) * | 2021-12-01 | 2022-03-15 | 厦门大学 | 一种基于vmd的电网电压暂降故障信号检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Cai et al. | Classification of power quality disturbances using Wigner-Ville distribution and deep convolutional neural networks | |
| CN109597043A (zh) | 基于量子粒子群卷积神经网络的雷达信号识别方法 | |
| 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 | |
| CN110133599A (zh) | 基于长短时记忆模型的智能雷达辐射源信号分类方法 | |
| CN108363493B (zh) | 基于脑机接口的用户特征模型建立方法、系统及存储介质 | |
| CN109884419B (zh) | 一种智慧电网电能质量在线故障诊断方法 | |
| Caron et al. | Rare and Different: Anomaly Scores from a combination of likelihood and out-of-distribution models to detect new physics at the LHC | |
| Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
| CN110728195A (zh) | 基于yolo算法的电能质量扰动检测方法 | |
| CN109034054A (zh) | 基于lstm的谐波多标签分类方法 | |
| CN109146186A (zh) | 一种基于双重分解的短期风电功率预测方法 | |
| CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
| CN109901020A (zh) | 稀疏自动编码器优化神经网路的输电线路故障识别方法 | |
| CN115238759A (zh) | 基于压缩感知的电力数据压缩与电能质量扰动识别方法 | |
| CN112668611A (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
| Yang et al. | One-dimensional deep attention convolution network (ODACN) for signals classification | |
| CN110297218A (zh) | 基于生成对抗网络的雷达信号未知调制方式检测方法 | |
| CN115374710A (zh) | 基于改进海鸥优化算法和多核极限学习机的风速预测方法 | |
| CN115238749A (zh) | 一种基于Transformer的特征融合的调制识别方法 | |
| CN116471154A (zh) | 基于多域混合注意力的调制信号识别方法 | |
| CN117312902A (zh) | 一种基于小波变化和卷积神经网络的电网电能质量在线状态估计方法 | |
| Yan et al. | Two-phase neural network model for pollution concentrations forecasting | |
| CN116125199A (zh) | 一种低压配电网线路故障预警方法及系统 | |
| CN115374823A (zh) | 一种基于tlbo算法的电能质量扰动分类方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190809 |