CN110378286B - 一种基于dbn-elm的电能质量扰动信号分类方法 - Google Patents
一种基于dbn-elm的电能质量扰动信号分类方法 Download PDFInfo
- Publication number
- CN110378286B CN110378286B CN201910652562.7A CN201910652562A CN110378286B CN 110378286 B CN110378286 B CN 110378286B CN 201910652562 A CN201910652562 A CN 201910652562A CN 110378286 B CN110378286 B CN 110378286B
- Authority
- CN
- China
- Prior art keywords
- dbn
- elm
- hidden layer
- disturbance
- classification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- 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)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于DBN‑ELM的电能质量扰动信号分类方法,属于信号分类技术领域。该方法利用深度信念网络DBN对扰动信号进行特征提取,在搭建DBN时利用改进的量子粒子群算法对DBN网络中的每个RBM的学习速率进行寻优,再利用极限学习机ELM对提取的特征进行分类,得到电能质量扰动信号的类别。该方法充分利用了深度学习的特点,提高了分类准确率以及抗噪性,使得单一扰动和复合扰动均能得到准确的分类。
Description
技术领域
本发明涉及信号分类技术领域,尤其涉及一种基于DBN-ELM的电能质量扰动信号分类方法。
背景技术
近年来,随着大量新能源发电装置的广泛引用,越来越多的电力电子器件和冲击性负荷接入配电网,产生了各种复杂的电能质量扰动问题。电能质量事件的频发会导致电力设备损坏,影响敏感负荷的正常工作,甚至引发大规模的停电事故。同时,电能质量扰动信号会影响终端用户的用电体验,导致精密仪器设备损坏以及数据丢失,造成工业生产线中断,引起分布式电源和微网的离网等问题。改善和治理电能质量问题,首先需要对电能质量问题进行准确的识别和分类,根据电能质量问题的类别确定治理方案。
电能质量扰动包括单一扰动和复合扰动,复合扰动是由几种单一扰动复合形成的扰动信号。复合扰动信号的形成,使得电能质量扰动问题的分析更加复杂。目前,电能质量扰动分类主要包含两个步骤:(1)提取扰动信号的特征;(2)根据提取的特征进行分类。针对步骤(1)常见的方法有:短时傅里叶变换(STFT)、快速傅里变换(FFT)、S变换、小波变换、希尔伯特黄变换(HHT)等;针对步骤(2)常见的方法有:支持向量机(SVM)、专家系统、人工神经网络(ANN)、决策树等。但传统的分类方法抗噪性差、分类准确率低,对一些复合扰动信号无法准确分类,使得电能质量问题的研究无法继续深入。
发明内容
针对上述现有技术的不足,本发明提供一种基于DBN-ELM的电能质量扰动信号分类方法。
本发明所采取的技术方案是:
一种基于DBN-ELM的电能质量扰动信号分类方法,其过程如图1所示,包括如下步骤:
步骤1:对不同类型的电能质量扰动信号分别进行采样并做好类别标签;
步骤1-1:共采样h种扰动信号,其中包含a种单一扰动信号,b种复合扰动信号,每种信号共生成K个样本;
步骤1-2:分别对采样得到的h*K个扰动信号样本增加类别标签为S1,S2,…,Sh。
步骤2:采用min-max方法对采样信号归一化处理,划分出训练样本集和测试样本集;
步骤3:搭建DBN神经网络,其示意图如图2所示,其中单层RBM模型示意图如图3所示,利用改进的量子粒子群算法对DBN网络中的每个RBM的学习速率进行寻优,其流程如图4所示;
步骤3-1:计算粒子历史最佳位置的平均值;
其中,n代表种群的大小,pbest-j代表迭代过程中第j个粒子的最优位置;
步骤3-2:粒子位置的更新;
Qj=ηpbest-j+(1-η)gbest
其中,Qj用于第j个粒子的位置更新,η为(0,1)上的均匀分布数值,gbest代表当前迭代过程中的全局最优粒子;
粒子位置更新的公式如下式所示:
其中,xj(t+1)表示第j个粒子第t+1次迭代时的位置,xj(t)表示第j个粒子第t次迭代时的位置,u为(0,1)上的均匀分布数值,β为革新迭代因子(一般设置β≤1),式中取+和-的概率均为0.5;
步骤3-3:根据迭代次数来设置革新迭代因子β;
其中,t为粒子当前所处的迭代次数,T为设定的迭代总次数;
步骤3-4:利用改进的QPSO算法对每个RBM的学习速率进行寻优,找到一个最优的学习速率,从而提高DBN的训练速度。
步骤4:利用训练样本集对改进后的DBN神经网络进行训练,提取出电能扰动信号的特征;
步骤5:采用ELM分类器对提取出的特征进行分类训练,ELM分类器的模型示意图如图5所示;
步骤5-1:选择无限可微的Sigmoid函数作为隐含层的激活函数;
步骤5-2:随机设定输入层和隐含层之间的权值和偏置;
步骤5-3:对比不同隐含层节点数下的分类准确率,选择准确率最高的节点数n,但节点数也不宜过多,过多的节点数会导致网络的计算量偏大,训练速度变慢;
步骤5-4:根据确定的隐含层节点数,得到隐含层输出矩阵;
其中,g()为隐含层激活函数,Q为DBN提取的特征信息,wi为输入层和隐含层的权值,bi为输入层和隐含层的偏置,m为DBN特征提取后样本的信息量,n为ELM隐含层节点的个数;
步骤5-5:求出隐含层输出矩阵的逆矩阵,计算得到输出层权值;
ELM模型的输出如下式所示:
F=Pα
其中,α为隐含层和输出层的连接权值;
根据上式计算隐含层和输出层的连接权值:
α=P-1F
其中,P-1为P的逆。
步骤5-6:执行步骤5-1至步骤5-6训练一批ELM,从中挑选出三个最优的进行组合,用于后续对电能质量扰动信号的分类;
步骤5-7:将提取出来的特征输入到组合分类器中的每个ELM中,每个ELM都能得到一个相应的输出;
步骤5-8:基于投票法的理论,利用所有的输出对输入的特征做出相应的分类判断。
步骤6:将测试集输入到训练好的DBN神经网络中进行特征提取;
步骤7:将提取出的特征输入到训练好的ELM分类器中进行分类;
步骤8:确定扰动信号的类型,对方法进行验证。
采用上述技术方案所产生的有益效果在于:本发明利用深度信念网络(DBN)对扰动信号进行特征提取、极限学习机(ELM)对提取的特征进行分类。充分利用了深度学习的特点,提高了分类准确率以及抗噪性,同时克服了传统方法存在的实时性差的问题,使得单一扰动和复合扰动均能得到准确的分类。使用该方法得到的分类结果能够为各大电力公司解决电能质量问题提供适当的参考,有利于电网安全、稳定的运行。对建立现代电网的实时监控系统、确保电力系统安全稳定运行以及保障用户的用电安全具有重要的意义。
附图说明
图1为本发明一种基于DBN-ELM的电能质量扰动信号分类方法的流程图;
图2为本发明搭建的DBN神经网络示意图;
图3为本发明单层RBM模型示意图;
图4为本发明利用改进的量子粒子群算法对DBN网络中的每个RBM的学习速率进行寻优的流程图;
图5为本发明ELM分类器的模型示意图;
图6为本发明实施例中利用MATLAB模拟的暂升扰动信号S1;
图7为本发明实施例中利用MATLAB模拟的中断扰动信号S5。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,本实施例的方法如下所述。
步骤1:由于获取多类型实时电能质量扰动数据需要很长的监视时间,并且电能质量扰动事件发生位置具有不确定性,这些因素极大的影响了工作效率。因此,采用matlab对电能质量扰动信号进行模拟,不仅减少了数据采集的时间,还可以得到尽可能多的扰动信号类型;
利用MATLAB模拟正常的电信号,用S0标记;模拟7种单一扰动信号,用S1~S7标记;模拟2种复合扰动信号,用S8、S9标记,上述模拟的10种信号与对应的类别如表1所示,每种信号各生成500个样本,对生成的5000个样本都加上类别标签,标签为S1的暂升扰动信号的一个样本如图6所示,标签为S5的中断扰动信号的一个样本如图7所示。
步骤2:采用min-max方法分别对5000个采样信号归一化处理,选择4000个采样信号作为训练样本集,剩余的1000个采样信号作为测试样本集。
步骤3:搭建DBN神经网络,利用改进的量子粒子群算法对DBN网络中的每个RBM的学习速率进行寻优;
步骤4:利用训练样本集对改进后的DBN神经网络进行训练,提取出电能扰动信号的特征;
步骤5:采用ELM分类器对提取出的特征进行分类训练;
步骤6:将测试样本集输入到训练好的DBN神经网络中进行特征提取;
步骤7:将提取出的特征输入到训练好的ELM分类器中进行分类,得到扰动信号类型。
将分类得到的数据标签与步骤1给所有样本标记的数据标签进行比对,以此验证模型的有效性,同时得到相应的分类准确率,测试样本集的分类准确率如表2所示。
表2测试样本集的分类准确率
利用上述算法对电能质量扰动信号准确分类,便于解决电力系统中频繁发生的电能质量事件,能够为各大电力公司解决电能质量问题提供适当的参考,有利于电网安全、稳定的运行。对建立现代电网的实时监控系统、确保电力系统安全稳定运行以及保障用户的用电安全具有重要的意义。
Claims (2)
1.一种基于DBN-ELM的电能质量扰动信号分类方法,其特征在于,包括如下步骤:
步骤1:对不同类型的电能质量扰动信号分别进行采样并做好类别标签;
步骤1-1:共采样h种扰动信号,其中包含a种单一扰动信号,b种复合扰动信号,每种信号共生成K个样本;
步骤1-2:分别对采样得到的h*K个扰动信号样本增加类别标签为S1,S2,…,Sh;
步骤2:采用min-max方法对采样信号归一化处理,划分出训练样本集和测试样本集;
步骤3:搭建DBN神经网络,利用改进的量子粒子群算法对DBN网络中的每个RBM的学习速率进行寻优;
步骤3-1:计算粒子历史最佳位置的平均值;
其中,n代表种群的大小,pbest-j代表迭代过程中第j个粒子的最优位置;
步骤3-2:粒子位置的更新;
Qj=ηpbest-j+(1-η)gbest
其中,Qj用于第j个粒子的位置更新,η为(0,1)上的均匀分布数值,gbest代表当前迭代过程中的全局最优粒子;
粒子位置更新的公式如下式所示:
其中,xj(t+1)表示第j个粒子第t+1次迭代时的位置,xj(t)表示第j个粒子第t次迭代时的位置,u为(0,1)上的均匀分布数值,β为革新迭代因子,设置β≤1,式中取+和-的概率均为0.5;
步骤3-3:根据迭代次数来设置革新迭代因子β;
其中,t为粒子当前所处的迭代次数,T为设定的迭代总次数;
步骤3-4:利用改进的QPSO算法对每个RBM的学习速率进行寻优,找到一个最优的学习速率,从而提高DBN的训练速度;
步骤4:利用训练样本集对改进后的DBN神经网络进行训练,提取出电能扰动信号的特征;
步骤5:采用ELM分类器对提取出的特征进行分类训练;
步骤6:将测试样本集输入到训练好的DBN神经网络中进行特征提取;
步骤7:将提取出的特征输入到训练好的ELM分类器中进行分类,得到扰动信号类型。
2.根据权利要求1所述的一种基于DBN-ELM的电能质量扰动信号分类方法,其特征在于所述步骤5中,采用ELM分类器对提取出的特征进行分类训练的过程如下:
步骤5-1:选择无限可微的Sigmoid函数作为隐含层的激活函数;
步骤5-2:随机设定输入层和隐含层之间的权值和偏置;
步骤5-3:对比不同隐含层节点数下的分类准确率,选择准确率最高的节点数n,但节点数也不宜过多,过多的节点数会导致网络的计算量偏大,训练速度变慢;
步骤5-4:根据确定的隐含层节点数,得到隐含层输出矩阵;
其中,g()为隐含层激活函数,Q为DBN提取的特征信息,wi为输入层和隐含层的权值,bi为输入层和隐含层的偏置,m为DBN特征提取后样本的信息量,n为ELM隐含层节点的个数;
步骤5-5:求出隐含层输出矩阵的逆矩阵,计算得到输出层权值;
ELM模型的输出如下式所示:
F=Pα
其中,α为隐含层和输出层的连接权值;
根据上式计算隐含层和输出层的连接权值:
α=P-1F
其中,P-1为P的逆;
步骤5-6:执行步骤5-1至步骤5-6训练一批ELM,从中挑选出三个最优的进行组合,用于后续对电能质量扰动信号的分类;
步骤5-7:将提取出来的特征输入到组合分类器中的每个ELM中,每个ELM都能得到一个相应的输出;
步骤5-8:基于投票法的理论,利用所有的输出对输入的特征做出相应的分类判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910652562.7A CN110378286B (zh) | 2019-07-19 | 2019-07-19 | 一种基于dbn-elm的电能质量扰动信号分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910652562.7A CN110378286B (zh) | 2019-07-19 | 2019-07-19 | 一种基于dbn-elm的电能质量扰动信号分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110378286A CN110378286A (zh) | 2019-10-25 |
CN110378286B true CN110378286B (zh) | 2023-03-28 |
Family
ID=68254042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910652562.7A Active CN110378286B (zh) | 2019-07-19 | 2019-07-19 | 一种基于dbn-elm的电能质量扰动信号分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110378286B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112508088A (zh) * | 2020-12-03 | 2021-03-16 | 重庆邮智机器人研究院有限公司 | 一种基于dedbn-elm的脑电情感识别方法 |
CN113433409A (zh) * | 2021-06-30 | 2021-09-24 | 青岛科技大学 | 一种基于深度学习的电动汽车igbt型共直流母线充电设备故障诊断方法 |
CN113657220A (zh) * | 2021-08-03 | 2021-11-16 | 南方电网数字电网研究院有限公司 | 电能质量扰动信号分类模型的训练方法及装置 |
CN115186771A (zh) * | 2022-09-09 | 2022-10-14 | 西安热工研究院有限公司 | 基于dbn-elm的设备耗电特征分类方法及装置 |
CN115204324B (zh) * | 2022-09-16 | 2022-11-29 | 西安热工研究院有限公司 | 基于ifoa-dbn-elm的设备耗电异常检测方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
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 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
CN109766853A (zh) * | 2019-01-16 | 2019-05-17 | 华北电力大学 | 基于lstm的电压暂降扰动分类方法 |
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
-
2019
- 2019-07-19 CN CN201910652562.7A patent/CN110378286B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107256393A (zh) * | 2017-06-05 | 2017-10-17 | 四川大学 | 基于深度学习的一维生理信号的特征提取与状态识别 |
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 |
CN108414923A (zh) * | 2018-02-05 | 2018-08-17 | 武汉大学 | 一种基于深度置信网络特征提取的模拟电路故障诊断方法 |
CN109766853A (zh) * | 2019-01-16 | 2019-05-17 | 华北电力大学 | 基于lstm的电压暂降扰动分类方法 |
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
Non-Patent Citations (2)
Title |
---|
基于广义S变换和DE-ELM的电能质量扰动信号分类;张卫辉等;《电测与仪表》;20161025(第20期);全文 * |
基于广义S变换和PSO-ELM的电能质量扰动信号识别;杨万清等;《电力电容器与无功补偿》;20170425(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110378286A (zh) | 2019-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378286B (zh) | 一种基于dbn-elm的电能质量扰动信号分类方法 | |
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 | |
CN109086928B (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
CN111880044B (zh) | 一种含分布式电源配电网在线故障定位方法 | |
CN111475909B (zh) | 一种基于长短期记忆网络的风电机组出力相关性映射建模方法 | |
CN112580588B (zh) | 一种基于经验模态分解的颤振信号智能识别方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN110659682A (zh) | 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法 | |
CN110766215B (zh) | 基于特征自适应选择和wdnn的风电爬坡事件预测方法 | |
CN112085108A (zh) | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN113780402A (zh) | 一种基于改进式生成对抗网络的用户窃电检测方法 | |
CN111311025B (zh) | 一种基于气象相似日的负荷预测方法 | |
CN108805204B (zh) | 基于深度神经网络的电能质量扰动分析装置及其使用方法 | |
CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 | |
CN116317937A (zh) | 一种分布式光伏电站运行故障诊断方法 | |
CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
CN115510961A (zh) | 一种基于主动学习的社区综合能源系统运行安全评估方法 | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
Yu et al. | Transmission line loss prediction by cross validation and gradient boosting decision tree | |
CN114818827A (zh) | 基于seq2point网络的非侵入式负荷分解方法 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 |
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 |