CN110610203A - 基于dwt和极限学习机的电能质量扰动分类方法 - Google Patents
基于dwt和极限学习机的电能质量扰动分类方法 Download PDFInfo
- Publication number
- CN110610203A CN110610203A CN201910819003.0A CN201910819003A CN110610203A CN 110610203 A CN110610203 A CN 110610203A CN 201910819003 A CN201910819003 A CN 201910819003A CN 110610203 A CN110610203 A CN 110610203A
- Authority
- CN
- China
- Prior art keywords
- power quality
- quality disturbance
- data
- learning machine
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims description 17
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 239000002245 particle Substances 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010187 selection method Methods 0.000 abstract description 4
- 238000013145 classification model Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 12
- 238000013135 deep learning Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 239000002131 composite material Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及电能质量分析技术,为引入最佳特征选择方法,建立电能质量扰动分类模型,以实现电能质量扰动的快速分类,本发明,基于DWT和极限学习机的电能质量扰动分类方法,步骤如下:1)建立电能质量扰动信号模型;2)建立电能质量扰动特征选择模型;3)根据2)中所选取的最佳特征组合,采样最佳特征对分层极限学习机进行训练,调节多层感知器极限学习机的参数,训练一个最优模型;4)根据最佳特征组合的特征对电能质量扰动进行特征提取,并通过步骤3训练的模型进行分类。本发明主要应用于电能质量分析场合。
Description
技术领域
本发明涉及电能质量分析技术,具体涉及基于DWT和极限学习机的电能质量扰动分类方法。
背景技术
随着电力电子器件的大量使用,分布式电源并网、非线性负载增多,无功功率设备和固态开关的增殖导致电网频繁遭受各种干扰,导致了各种电能质量扰动的出现。对电能质量扰动进行准确定位和识别是电能质量分析、治理的前提和基础。因此,对电能质量扰动的分类成为重中之重。不同类型的电能质量扰动,往往对应着不同的治理措施。及时而准确地获得电能质量扰动的特征信息,并依此判断出扰动类型,是电能质量治理措施的作用和效果得以充分发挥的必要条件。而目前电能质量扰动的分类面临着特征选择效果不佳,分类速度慢,分类效果差等一些问题和挑战。
发明内容
为克服现有技术的不足,解决电能质量扰动分类速度慢,分类效果差,无法对大数据进行处理等问题,本发明旨在通过引入最佳特征选择方法,建立电能质量扰动分类模型,以实现电能质量扰动的快速分类。为此,本发明采取的技术方案是,基于DWT和极限学习机的电能质量扰动分类方法,步骤如下:
1)建立电能质量扰动信号模型,对电能质量扰动进行离散小波变换DWT(Discretewavelet transform),并提取电能质量扰动特征数据;
2)建立电能质量扰动特征选择模型,根据1)中的电能质量扰动特征,采样粒子群特征选择算法和支持向量机进行最佳特征选择,选取最佳的分类扰动特征组合;
3)根据2)中所选取的最佳特征组合,采样最佳特征对分层极限学习机进行训练,调节多层感知器极限学习机的参数,训练一个最优模型;
4)根据最佳特征组合的特征对电能质量扰动进行特征提取,并通过步骤3训练的模型进行分类。
针对实际扰动数据不平衡和实际采集的数据量不足等问题,采用数据增强的方法对实测数据进行处理。
所述步骤1)中,根据IEEE 1159标准搭建各种电能质量扰动模型,并通过小波变换对电能质量扰动进行特征的提取,首先通过经验小波变换将电能质量扰动分解,经验小波变换函数为:
缩放和平移参数分别由m和n整数代替,其中a=a0 m和b=kb0a0 m,而f(k)是连续时间信号f(t)的离散点的序列,k是离散点的个数;
采用Daubechies母小波用于PQD波形的特征提取,选择l=8,通过DWT变换获取特征,电能质量波形被分解到八个级别,八个级别提供八个细节系数和一个近似系数,获得的总特征为63个:
统计特征熵Ent(entropy)
标准差σ(standard deviation)
平均值μ(mean value)
峰度KT(kurtosis)
偏度SK(skewness)
均方根RMS(root-mean square)
范围RG(range)值
RGi=Max(Aij,Dij)-Min(Aij,Dij)
其中i=1,2,...,l表示级别l的小波分解数,j表示信号采样数据个数,这里N是每个分解数据中的系数,PQD波形被分解为多达八个级别,这八个级别提供八个细节系数D1、D2、D3、D4、D5、D6、D7、D8和一个近似系数A8。
所述步骤2)中,具体选用粒子群优化算法PSO(Particle swarm optimization)对分类器的误差进行优化选取最佳特征组合,通过PSO-SVM选择最佳的特征组合;PSO:将子集的选择看作是一个搜索寻优问题,生成不同的组合,对组合进行评价,再与其他的组合进行比较;
以支持向量机SVM(Support Vector Machines)的分类准确率为目标函数,其中ai为SVM分类精度,
Qfitness=ai
对于适应度定义,表示正确分类的示例的百分比的分类准确度a由下式评估,正确和错误分类的示例的数量分别由C和U表示:
以SVM的分类准确率为目标函数,使分类误差最低,选出最适合的特征组合,通过PSO单目标优化的特征选择,所选出的特征组合具有较高的分类准确率。
所述步骤3中,多层感知器极限学习机是隐藏前馈神经网络,需要在训练之前设置隐藏节点的个数,针对电能质量扰动仿真时,需要对隐藏层节点进行设置,具体采用的节点为N1=N2=20,N3=330,H-ELM相对于神经网络有相对较少的超参数需要设置,极限学习机ELM(Extreme learning machine)最后一层的L2惩罚设置为P=2^-40,比例因子S=0.8,自编码器中正则化最小参数设置为C=10-3,根据步骤二所选择的最佳特征进行分类器的训练。
所以在所述步骤4中,根据步骤三所训练的网络,对测试集的数据进行分类,首先由前三步所知,最佳特征选取的特征具有良好的分类效果,因此在对数据进行特征提取时只提取最佳特征,然后根据步骤三所训练的网络进行分类。
数据增强方法是对数据进行预处理,采用的是随机裁剪,适度增加随机噪声,对信号进行反转操作,同时对所有操作的信号进行随机抽取验证,确保数据增强后的数据属于扰动类别数据。
本发明的特点及有益效果是:
本发明提出的多层感知器极端学习机可以高效快速的分类电能质量扰动。离散小波变换进行特征提取,PSO特征选择方案选择最佳特征组合,多层感知器极限学习机分类电能质量扰动的模型不仅可以有效的选择最佳的特征进行分类,而且多层感知器极限学习机是一种深度学习框架,既保留了深度学习的分类效果和处理大数据的能力,而且相比于其他深度学习算法训练和分类时间短,可以高效准确的分类电能质量扰动。
附图说明:
图1 H-ELM学习算法。图中,(a)H-ELM总体框架图。(b)ELM自动编码实现过程。(c)ELM单隐藏布局。
图2基于H-ELM算法分类流程图。
图3常见的电能质量扰动波形。
图4五种方法分类准确率柱状图。
图5测试和训练时间柱状图。
图6测试和训练准确率柱状图。
图7电能质量实测信号。
图8数据增强操作图。
具体实施方式
为了解决电能质量扰动分类速度慢,分类效果差,无法对大数据进行处理等问题,引入最佳特征选择方法,建立电能质量扰动分类模型,以实现电能质量扰动的快速分类;提出的多层感知器极端学习机可以高效快速的分类电能质量扰动。离散小波变换进行特征提取,PSO特征选择方案选择最佳特征组合,多层感知器极限学习机分类电能质量扰动的模型不仅可以有效的选择最佳的特征进行分类,而且多层感知器极限学习机是一种深度学习框架,既保留了深度学习的分类效果和处理大数据的能力,而且相比于其他深度学习算法训练和分类时间短,可以高效准确的分类电能质量扰动。
1.本发明提供一种基于DWT和多层感知器极限学习机的电能质量扰动分类方法,所述方案包括以下步骤:
1)建立电能质量扰动信号模型,对电能质量扰动进行离散小波变换,并提取电能质量扰动特征数据。
2)建立电能质量扰动特征选择模型,根据1中的电能质量扰动特征,采样粒子群特征选择算法和支持向量机进行最佳特征选择,选取最佳的分类扰动特征组合。
3)根据2中所选取的最佳特征组合,采样最佳特征对分层极限学习机进行训练,调节多层感知器极限学习机的参数,训练一个最优模型。
4)根据最佳特征组合的特征对电能质量扰动进行特征提取,并通过步骤3训练的模型进行分类。
5)针对实际扰动数据不平衡和实际采集的数据量不足等问题,采用数据增强的方法对实测数据进行处理。
所述步骤1中,根据IEEE 1159标准搭建各种电能质量扰动模型,并通过小波变换对电能质量扰动进行特征的提取。首先通过经验小波变换将电能质量扰动分解。经验小波变换函数为:
根据所用电能质量扰动数据特点,选用合适的母小波进行分析,本发明采用Daubechies(db4)母小波用于电能质量扰动(Power quality disturbance,PQD)波形的特征提取。分解级别的数量l也是非常重要。分解数量更多水平导致计算成本增加。另外,选择更高的l将在系统中带来更多信息即扩展特征向量,并以这种方式提供分类具有更高的准确性,由于文中选用PSO特征选择算法,为了更精确的找出最优特征集,因此,我们选择l=8。通过DWT变换获取特征,电能质量波形被分解到八个级别,八个级别提供八个细节系数和一个近似系数,获得的总特征为63个,所选出的原始特征集如表1所示。
统计特征熵(entropy,Ent)
标准差(standard deviation,σ)
平均值(mean value,μ)
峰度(kurtosis,KT)
偏度(skewness,SK)
均方根(root-mean square,RMS)
范围(range,RG)值
RGi=Max(Aij,Dij)-Min(Aij,Dij)
其中i=1,2,...,l表示级别l的小波分解数。这里N是每个分解数据中的系数数。PQD波形被分解为多达八个级别,这八个级别提供八个细节系数(D1,D2,D3,D4,D5,D6,D7,D8)和一个近似系数(A8)。
所述步骤2中,为了选出最佳的特征集,需要采用特征选择的方法进行选择最佳特征。专家根据经验选择的特征并不是最优的,而采取大量的特征意味着高计算成本,减少特征是必要的,而且冗余的特征有可能降低分类器的性能,因此需要采用优化的方法来筛选出最佳的特征组合。现有的特征选择算法多为多目标优化特征选择算法,以最小化特征量和最小化分类误差为目标函数。然而,通过分析H-ELM框架的性质,在特征量不大的情况下,可以只以最小化分类误差为目标函数,进行选择最佳特征组合,这样简化了特征选择的复杂度,而且经过仿真验证发现,单目标优化的最佳特征组合对分类器的分类准确率比多目标选取的准确率要高,而且分类器也有较高的分类速度快。因此,本发明选用粒子群优化算法对分类器的误差进行优化选取最佳特征组合,通过PSO-SVM选择最佳的特征组合。
PSO进行特征选择其主要思想是:将子集的选择看作是一个搜索寻优问题,生成不同的组合,对组合进行评价,再与其他的组合进行比较。这样就将子集的选择看作是一个优化问题。
本发明采用的算法以SVM的分类准确率为目标函数,其中ai为SVM分类精度。
Qfitness=ai
对于适应度定义,表示正确分类的示例的百分比的分类准确度a由下式评估。正确和错误分类的示例的数量分别由C和U表示。
以SVM的分类准确率为目标函数,使分类误差最低,选出最适合的特征组合,通过PSO单目标优化的特征选择,所选出的特征组合具有较高的分类准确率。
所述步骤3中,多层感知器极限学习机是隐藏前馈神经网络,需要在训练之前设置隐藏节点的个数。针对电能质量扰动仿真时,需要对隐藏层节点进行设置,文中仿真实验采用的节点为N1=N2=20,N3=330。H-ELM相对于神经网络有相对较少的超参数需要设置,ELM最后一层的L2惩罚设置为P=2^-40,比例因子S=0.8,自编码器中正则化最小参数设置为C=10-3。根据步骤二所选择的最佳特征进行分类器的训练。图1为H-ELM的框架结构。
所以在所述步骤4中,根据步骤三所训练的网络,对测试集的数据进行分类,首先由前三步所知,最佳特征选取的特征具有良好的分类效果,因此在对数据进行特征提取时只提取最佳特征,然后根据步骤三所训练的网络进行分类。算法的整体流程如图2所示。
所述步骤5中,介绍了一种解决电能质量扰动数据不平衡和数据量少的方法,实际的电能质量扰动数据具有不平衡的特征。例如电压暂降的扰动类型占所有扰动的80%以上,针对这个问题并没有相关的研究处理。本发明提出了一种数据增强的方法,来对数据进行预处理。在计算机视觉中,经常使用数据增强来增加训练样本的数量,以增强分类器的泛化性能。本发明针对数据不平衡的问题,采用数据增强的方法,均衡数据量,针对数据量较少的扰动,进行数据增强操作。数据增强操作,主要采用的是随机裁剪,适度增加随机噪声,对信号进行反转操作等,同时对所有操作的信号进行随机抽取验证,确保数据增强后的数据属于扰动类别数据。
仿真使用包括纯正弦波在内的十五种电能质量扰动信号的参数方程来评估所提出的算法的分类性能。电能质量扰动由9种单一类型和6种复合扰动组成,9种单一扰动即纯正弦波形,电压暂降,电压暂升,电压中断,谐波,振荡瞬态,闪变,陷波和尖峰。6种复合扰动的电能质量扰动类型包括谐波暂降,谐波暂升,谐波中断,谐波闪变,脉冲暂降和脉冲暂升。电能质量扰动方程的参数变化符合IEEE-1159标准的参数方程,部分扰动信号如图3所示。所有电能质量扰动信号规格均为:幅度为1p.u,持续时间t=0.2s,总数周期T=10,总样本1280,采样频率6.4kHz,工频50Hz。每个扰动模拟300个信号,即总共4500个信号。这些信号是存储为尺寸为4500×1280的矩阵。类似的矩阵在信噪比下增加了高斯白噪声比率(SNR)为50,40,30和20dB。
通过DWT特征提取的特征如表1所示,然后通过粒子群特征选择,选择最佳特征,如表2所示。然后采样分层极限学习机进行训练模型,并进行分类。
表1 特征提取原始特征集
表2 特征提取最佳特征集
多层感知器极限学习机一个重要的特性就是分类速度快,算法运行时间短,具有深度学习框架的分类准确率,又比现有的深度学习算法训练时间短,对数据的需求量小。为了验证多层感知器极限学习机的特性,本发明从概率神经网络(Probabilistic neuralnetwork,PNN),多层感知器极限学习机(hierarchical ELM,H-ELM)和使用最佳特征组合的H-ELM算法进行仿真验证,表3为三种算法的运行总时间,所有算法都运行在4核CPU的MATLAB 2016b上。
表3 三种算法运行时间对比
从表3中可以看出H-ELM的运行速度明显由于其它两种算法。这说明H-ELM算法有明显优于其他分类器的分类效率。
为了验证多层感知器极限学习机的分类准确率,本发明通过与五种现有的方法进行对比,对比结果如表4和图4。
表4 五种算法分类准确率对比
从中可以看出,使用原始数据集进行分类时,可以看出H-ELM方法比现有的方法具有更好的分类效果,分类准确率高。经过最佳特征提取,使用最佳特征组合进行分类时,分类速度有明显的提升,准确率也有明显的提升。可以看出采用本发明方法比其他五种方法准确率高1%以上,分类速度也快。
表5为现有方法与本发明方法在使用相同特征进行分类时的分类结果。前四种方法采用原始特征集进行验证,PSO-H-ELM采用最佳特征集进行验证。图5直观的显示最佳特征进行训练和测试的训练时间比用原始特征分类所需时间更短,图6直观的展示了训练集和测试集的准确率。
表5 PSO-H-ELM与H-ELM算法对比
表6为单个扰动的分类准确率,总体扰动分类准确率在95%以上,满足实际的分类需要,分类效果明显。
表6 PSO-H-ELM各个扰动类型分类效果
电能质量扰动数据实测方案
为了进一步验证本发明方法在实际信号中的可行性,在这部分中,采用一组实际信号来测试H-ELM的有效性。数据组由IEEE PES数据库提供,用于PQD分类。所提供信号的采样率为每周期256点。每个信号的长度为1536,部分实测信号如图7所示。对获得的波形进行逐个标签的确定,由于其中所获得的实际数据较少,采用数据增强的方法进行数据的扩充,数据增强结果如图8所示,从图中可以看出,数据增强操作后,一个信号可以转变为多个不同的信号,增大了数据集,也提高了所训练分类器的泛化能力。
实测信号的验证中实测数据和仿真参数,选取的最佳特征如表7所示。
表7 H-ELM算法参数设置
分类结果表明所提出的方法中,扰动分类准确率达到了93%,满足实际信号测试的需要。仿真分类结果如表8所示。
表8 真实信号分类结果
实测信号训练和测试时间均为0.01s,体现出H-ELM算法的快速性。
本领域技术人员可以理解附图只是一个优选实施例的示意图,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于DWT和极限学习机的电能质量扰动分类方法,其特征是,步骤如下:
1)建立电能质量扰动信号模型,对电能质量扰动进行离散小波变换DWT(Discretewavelet transform),并提取电能质量扰动特征数据;
2)建立电能质量扰动特征选择模型,根据1)中的电能质量扰动特征,采样粒子群特征选择算法和支持向量机进行最佳特征选择,选取最佳的分类扰动特征组合;
3)根据2)中所选取的最佳特征组合,采样最佳特征对分层极限学习机进行训练,调节多层感知器极限学习机的参数,训练一个最优模型;
4)根据最佳特征组合的特征对电能质量扰动进行特征提取,并通过步骤3训练的模型进行分类。
2.如权利要求1所述的基于DWT和极限学习机的电能质量扰动分类方法,其特征是,针对实际扰动数据不平衡和实际采集的数据量不足等问题,采用数据增强的方法对实测数据进行处理。
3.如权利要求1所述的基于DWT和极限学习机的电能质量扰动分类方法,其特征是,所述步骤1)中,根据IEEE 1159标准搭建各种电能质量扰动模型,并通过小波变换对电能质量扰动进行特征的提取,首先通过经验小波变换将电能质量扰动分解,经验小波变换函数为:
缩放和平移参数分别由m和n整数代替,其中a=a0 m和b=kb0a0 m,而f(k)是连续时间信号f(t)的离散点的序列,k是离散点的个数;
采用Daubechies母小波用于PQD波形的特征提取,选择l=8,通过DWT变换获取特征,电能质量波形被分解到八个级别,八个级别提供八个细节系数和一个近似系数,获得的总特征为63个:
统计特征熵Ent(entropy)
标准差σ(standard deviation)
平均值μ(mean value)
峰度KT(kurtosis)
偏度SK(skewness)
均方根RMS(root-mean square)
范围RG(range)值
RGi=Max(Aij,Dij)-Min(Aij,Dij)
其中i=1,2,...,l表示级别l的小波分解数,j表示信号采样数据个数,这里N是每个分解数据中的系数,PQD波形被分解为多达八个级别,这八个级别提供八个细节系数D1、D2、D3、D4、D5、D6、D7、D8和一个近似系数A8。
4.如权利要求1所述的基于DWT和极限学习机的电能质量扰动分类方法,其特征是,所述步骤2)中,具体选用粒子群优化算法PSO(Particle swarm optimization)对分类器的误差进行优化选取最佳特征组合,通过PSO-SVM选择最佳的特征组合;PSO:将子集的选择看作是一个搜索寻优问题,生成不同的组合,对组合进行评价,再与其他的组合进行比较;
以支持向量机SVM(Support Vector Machines)的分类准确率为目标函数,其中ai为SVM分类精度,
Qfitness=ai
对于适应度定义,表示正确分类的示例的百分比的分类准确度a由下式评估,正确和错误分类的示例的数量分别由C和U表示:
以SVM的分类准确率为目标函数,使分类误差最低,选出最适合的特征组合,通过PSO单目标优化的特征选择,所选出的特征组合具有较高的分类准确率。
5.如权利要求1所述的基于DWT和极限学习机的电能质量扰动分类方法,其特征是,所述步骤3)中,多层感知器极限学习机是隐藏前馈神经网络,需要在训练之前设置隐藏节点的个数,针对电能质量扰动仿真时,需要对隐藏层节点进行设置,具体采用的节点为N1=N2=20,N3=330,H-ELM相对于神经网络有相对较少的超参数需要设置,极限学习机ELM(Extreme learning machine)最后一层的L2惩罚设置为P=2^-40,比例因子S=0.8,自编码器中正则化最小参数设置为C=10-3,根据步骤二所选择的最佳特征进行分类器的训练。
6.如权利要求1所述的基于DWT和极限学习机的电能质量扰动分类方法,其特征是,所以在所述步骤4中,根据步骤三所训练的网络,对测试集的数据进行分类,首先由前三步所知,最佳特征选取的特征具有良好的分类效果,因此在对数据进行特征提取时只提取最佳特征,然后根据步骤三所训练的网络进行分类。
7.如权利要求2所述的基于DWT和极限学习机的电能质量扰动分类方法,其特征是,数据增强方法是对数据进行预处理,采用的是随机裁剪,适度增加随机噪声,对信号进行反转操作,同时对所有操作的信号进行随机抽取验证,确保数据增强后的数据属于扰动类别数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910819003.0A CN110610203A (zh) | 2019-08-30 | 2019-08-30 | 基于dwt和极限学习机的电能质量扰动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910819003.0A CN110610203A (zh) | 2019-08-30 | 2019-08-30 | 基于dwt和极限学习机的电能质量扰动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110610203A true CN110610203A (zh) | 2019-12-24 |
Family
ID=68890704
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910819003.0A Pending CN110610203A (zh) | 2019-08-30 | 2019-08-30 | 基于dwt和极限学习机的电能质量扰动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110610203A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266277A (zh) * | 2021-12-27 | 2022-04-01 | 四川大学 | 一种电能质量扰动分类方法 |
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 |
Citations (4)
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 |
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 |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 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 |
CN109884419A (zh) * | 2018-12-26 | 2019-06-14 | 中南大学 | 一种智慧电网电能质量在线故障诊断方法 |
-
2019
- 2019-08-30 CN CN201910819003.0A patent/CN110610203A/zh active Pending
Patent Citations (4)
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 |
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 |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 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 |
CN109884419A (zh) * | 2018-12-26 | 2019-06-14 | 中南大学 | 一种智慧电网电能质量在线故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
JIDONG WANG等: "Power Quality Disturbance Classification Based on DWT and Multilayer Perceptron Extreme Learning Machine", 《APPLIED SCIENCES》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266277A (zh) * | 2021-12-27 | 2022-04-01 | 四川大学 | 一种电能质量扰动分类方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728360B (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
Kong et al. | Weakly labelled audioset tagging with attention neural networks | |
CN109065030B (zh) | 基于卷积神经网络的环境声音识别方法及系统 | |
He et al. | Generative adversarial networks with comprehensive wavelet feature for fault diagnosis of analog circuits | |
Yin et al. | Wasserstein generative adversarial network and convolutional neural network (WG-CNN) for bearing fault diagnosis | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN112633317A (zh) | 基于注意力机制的cnn-lstm风机故障预测方法及系统 | |
CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
CN110147760B (zh) | 一种高效电能质量扰动图像特征提取与识别新方法 | |
CN110197205A (zh) | 一种多特征来源残差网络的图像识别方法 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN103558519A (zh) | 一种gis局部放电超声波信号识别方法 | |
CN109359693A (zh) | 一种电能质量扰动分类方法 | |
CN102279358A (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
Halkias et al. | Classification of mysticete sounds using machine learning techniques | |
Zheng et al. | Fault diagnosis of wind power converters based on compressed sensing theory and weight constrained AdaBoost-SVM | |
CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
CN111985528B (zh) | 一种基于pdgan的电缆局放数据增强方法 | |
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 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 | |
CN112347910A (zh) | 一种基于多模态深度学习的信号指纹识别方法 | |
CN116520140A (zh) | 融合特征提取与小样本分类的永磁直驱电机故障检测方法 | |
CN108805206A (zh) | 一种用于模拟电路故障分类的改进型lssvm建立方法 | |
CN113109782B (zh) | 一种直接应用于雷达辐射源幅度序列的分类方法 |
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: 20191224 |
|
RJ01 | Rejection of invention patent application after publication |