CN110889396A - 能源互联网扰动分类方法、装置、电子设备和存储介质 - Google Patents
能源互联网扰动分类方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110889396A CN110889396A CN201911271695.6A CN201911271695A CN110889396A CN 110889396 A CN110889396 A CN 110889396A CN 201911271695 A CN201911271695 A CN 201911271695A CN 110889396 A CN110889396 A CN 110889396A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- energy
- classified
- feature
- energy signal
- 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 60
- 239000002245 particle Substances 0.000 claims abstract description 83
- 238000013145 classification model Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 26
- 230000000739 chaotic effect Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 238000005537 brownian motion Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 9
- 238000009499 grossing Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 241000282326 Felis catus Species 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009131 signaling function Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例提供一种能源互联网扰动分类方法、装置、电子设备和存储介质。其中,方法包括:对待分类的能源信号进行预处理,获取待分类的能源信号的各特征的值,组成特征向量;将特征向量输入分类模型,获取待分类的能源信号的扰动类型;其中,各特征是基于分布式粒子群滤波算法对各候选特征进行筛选获得的;分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。本发明实施例提供的技术方案,通过分布式粒子群滤波算法对各候选特征进行筛选获得各特征,提取待分类的能源信号的各特征的值组成特征向量,将特征向量输入分类模型,获取待分类的能源信号的扰动类型,能筛选出更精确的特征,获得更准确的扰动分类结果。
Description
技术领域
本发明涉及计算机技术领域,更具体地,涉及一种能源互联网扰动分类方法、装置、电子设备和存储介质。
背景技术
能源互联网是一种新型的能源系统,综合运用先进的电力电子技术、信息技术和智能管理技术,将大量由分布式能量采集装置、分布式能量储存装置和各种类型负载构成的新型电力网络、石油网络、天然气网络等能源节点互联起来,以实现能量双向流动的能量对等交换与共享网络。能源互联网能够利用信息采集与监控处理技术实现对网络运行状态的精确感知。能源互联网系统通常面临的不可预知的扰动,会对系统平稳运行造成不利影响,如果不及时进行处理,会导致扰动范围的扩大和扰动幅度的增加,造成部分设备脱网并最终可能导致系统崩溃。因此需要对系统扰动进行及时的感知和判断,对其进行正确的分类,并根据分类结果采取切实可行的治理措施,使得系统运行恢复正常。例如通过对电网状态扰动的识别结果,可以精确判断系统运行健康状态,实现及时有效的全局态势感知,从而生成相应的控制策略,保障系统运行的鲁棒性和精确性。
在扰动分类过程中,为保证特征识别的精确性和鲁棒性,需要对多种相关特征进行筛选并实现联合判断,特征的选取和权重的设定是必不可少的步骤,且所涉及的特征数和特征采样数量巨大,特征间关系复杂,且特征具有时变特性,难以通过简单的分析推导得到理想结果,从而选择出合适的特征,因此,现有扰动分类方法只能实现对几种扰动类型进行分类,识别出的扰动类型较少,并且分类结果的精度也不高。
发明内容
本发明实施例提供一种能源互联网扰动分类方法、装置、电子设备和存储介质,用以解决或者至少部分地解决现有技术分类精度较低的缺陷。
第一方面,本发明实施例提供一种能源互联网扰动分类方法,包括:
对待分类的能源信号进行预处理,获取所述待分类的能源信号的各特征的值,组成特征向量;
将所述特征向量输入分类模型,获取所述待分类的能源信号的扰动类型;
其中,所述各特征是基于分布式粒子群滤波算法对各候选特征进行筛选获得的;所述分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。
优选地,所述对待分类的能源信号进行预处理,获取所述待分类的能源信号的各特征的值,组成特征向量之前,还包括:
对所述能源信号的样本数据中的每一样本进行预处理,获取所述样本的所述各候选特征的值;
根据各所述样本的所述各候选特征的值进行分布式粒子群滤波,根据滤波结果选择所述各候选特征中的至少2个作为所述各特征;
其中,所述各候选特征包括基准频率下的标准差、有无扰动情况下矩阵最大最小值的和之差、矩阵能量和、高频分量的能量和、信号最大频率或中频域最大平均幅度。
优选地,所述分类模型为概率神经网络模型。
优选地,所述根据各所述样本的所述各候选特征的值进行分布式粒子群滤波的具体步骤包括:
将候选特征集合的子集作为粒子群滤波算法的输入,并随机生成一定数量的粒子,建立速度更新方程;
根据三维混沌映射方法,确定所述速度更新方程中的参数;
根据确定参数之后的所述速度更新方程,获取所述滤波结果。
优选地,所述将候选特征集合的子集作为粒子群滤波算法的输入,并随机生成一定数量的粒子,建立速度更新方程的具体步骤包括:
将所述候选特征集合的子集作为粒子群滤波算法的输入,并随机生成一定数量的粒子,建立原始速度更新方程;
对所述原始速度更新方程进行伪布朗运动修正,获取所述速度更新方程。
优选地,所述根据确定参数之后的所述速度更新方程,获取所述滤波结果的具体步骤包括:
根据确定参数之后的所述速度更新方程,获取各粒子的位置;
对各粒子的位置进行离散化,获得所述滤波结果。
优选地,所述将所述特征向量输入分类模型,获取所述待分类的能源信号的扰动类型之后,还包括:
根据所述待分类的能源信号的扰动类型,更新所述分类模型。
第二方面,本发明实施例提供一种能源互联网扰动分类装置,包括:
特征提取模块,用于对待分类的能源信号进行预处理,获取所述待分类的能源信号的各特征的值,组成特征向量;
扰动分类模块,用于将所述特征向量输入分类模型,获取所述待分类的能源信号的扰动类型;
其中,所述各特征是基于分布式粒子群滤波算法对各候选特征进行筛选获得的;所述分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,执行所述程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的能源互联网扰动分类方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的能源互联网扰动分类方法的步骤。
本发明实施例提供的技术方案,通过分布式粒子群滤波算法对各候选特征进行筛选获得各特征,提取待分类的能源信号的各特征的值组成特征向量,将特征向量输入分类模型,获取待分类的能源信号的扰动类型,能筛选出能更精确地对能源信号进行表征的特征,从而能基于该特征向量获得更准确的扰动分类结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的能源互联网扰动分类方法的流程示意图;
图2为根据本发明实施例提供的能源互联网扰动分类系统的结构示意图;
图3为根据本发明实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将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,所描述的实施例是本发明一部分实施例,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作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。
为了克服现有技术的上述问题,本发明实施例提供一种能源互联网扰动分类方法及装置,其发明构思是,基于粒子群滤波算法实现对分类特征的选取,筛选出能更精确地对能源信号进行表征的特征,从而能在此基础上获得更准确的扰动分类结果。
图1为根据本发明实施例提供的能源互联网扰动分类方法的流程示意图。如图1所示,该方法包括:
步骤S101、对待分类的能源信号进行预处理,获取待分类的能源信号的各特征的值,组成特征向量。
其中,各特征是基于粒子群滤波算法对各候选特征进行筛选获得的。
具体地,待分类的能源信号为一定时长内的能源信号数据,可以是电压、燃气气压、石油油压等幅度时间序列的形式表示。
预处理的步骤主要包括:
对幅度时间序列进行离散S变换,获得待分类的能源信号对应的S矩阵;
根据该S矩阵获取的各特征的值,将各特征的值组成特征向量。
S变换结合了小波变换和短时傅里叶变换的优点,并且对噪声不敏感,是一种常用的扰动信号预处理方法。
S变换的基本公式为
其中,σ为窗口扩张参数,一般取值为频率f的倒数。
上述S变换基本公式适用于连续能源信号函数h(t),但可以获得的数据集往往是对连续信号进行离散取样的时间序列。因此需要离散形式的S变换,其相应的变换公式为:
其中,T表示取样间隔;N表示样本点总数;j表示取样时间指数;n表示频率区间指数;i表示虚数单位;H[·]可以通过以下的离散傅里叶变换获得:
其中T表示取样间隔;N表示样本点总数;n表示频率指数;i表示虚数单位;h[kT]表示对能源信号h(t)进行取样的离散时间序列。
离散S变换的结果是一个二维矩阵,称为S矩阵。S矩阵的列对应采样点时间,行对应频率值,矩阵元素是一个复数,可以从这个元素里面获取幅值和相位信息。
需要说明的是,根据S矩阵可以提取出多个用于表征能源信号特征的量的值。上述用于表征能源信号特征的量为候选特征。在步骤S101之前,根据能源信号的样本数据和分布式粒子群滤波算法,对各候选特征进行筛选,确定其中的多个作为特征。
粒子群滤波技术是进行最优化求解的一种方法。粒子群算法的本质是利用当前位置、全局极值和个体极值3个信息,指导粒子下一步迭代位置。其个体充分利用自身经验和群体经验调整自身的状态是粒子群算法具有优异特性的关键。粒子群的优势在于求解一些连续函数的优化问题时,具有相当快的逼近最优解的速度,可以有效的对系统的参数进行优化;并且更新方程简洁,控制参数少,便于修改和优化。
步骤S102、将特征向量输入分类模型,获取待分类的能源信号的扰动类型。
其中,分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。
需要说明的是,步骤S102之前,基于能源信号的样本数据以及预先确定的扰动类型标签进行学习,获得分类模型。
扰动类型,可以包括幅值暂降、幅值暂升、间断、谐波、谐波暂降、谐波暂升、谐波间断、闪变、瞬时振荡、瞬时脉冲、周期陷波、脉冲、闪变谐波、闪变暂降和闪变暂升等。
扰动类型标签,指能源信号的每一样本数据对应哪一种扰动类型。
分类模型,可以是基于人工智能技术构建的模型。例如,分类模型,可以为任一种人工神经网络模型。
人工神经网络可以通过模仿人类思考和神经信息传递过程,实现对任意形式函数的精确有效模拟,从而在模拟非线性、时变、随机过程中,具有巨大的应用优势。
通过训练获得的分类模型,可以描述能源信号的特征向量,与该能源信号的扰动类型的内在联系。因此,将待分类的能源信号的特征向量输入训练好的分类模型,训练好的分类模型可以输出待分类的能源信号的扰动类型。
扰动类型的分类结果为能源互联网状态感知和故障预判服务,基于分类结果可以采取及时有效的治理措施,保障系统平稳、鲁棒运行。
本发明实施例通过分布式粒子群滤波算法对各候选特征进行筛选获得各特征,提取待分类的能源信号的各特征的值组成特征向量,将特征向量输入分类模型,获取待分类的能源信号的扰动类型,能筛选出能更精确地对能源信号进行表征的特征,从而能基于该特征向量获得更准确的扰动分类结果。
基于上述各实施例的内容,对待分类的能源信号进行预处理,获取待分类的能源信号的各特征的值,组成特征向量之前,还包括:对能源信号的样本数据中的每一样本进行预处理,获取样本的各候选特征的值。
其中,各候选特征包括基准频率下的标准差、有无扰动情况下矩阵最大最小值的和之差、矩阵能量和、高频分量的能量和、信号最大频率和中频域最大平均幅度中的多个。
具体地,步骤S101之前,根据能源信号的样本数据和粒子群滤波算法,对各候选特征进行筛选,确定其中的多个作为特征。
能源信号的样本数据中的每一样本,均为能源信号,其扰动类型是预先获知的。
对能源信号的样本数据中的每一样本进行预处理的具体步骤,包括:
对该样本的幅度时间序列进行S变换,获得该样本对应的S矩阵;
根据该S矩阵获取的各候选特征的值。
基准频率下的标准差大小的计算公式为
其中,n0表示基准频率;N表示样本点的个数;S(k,n0)表示S矩阵第k行第n0列元素。
有无扰动情况下矩阵最大最小值的和之差的计算公式为
max(A)+min(A)-max(B)-min(B)
其中,A表示频率扰动幅度矩阵;B表示无频率扰动幅度矩阵;矩阵A和B均为S矩阵的子阵。
矩阵能量和的计算公式为
其中S(j,n)表示S矩阵第j行第n列元素。
高频分量的能量和的计算公式为
其中,Shf(j,n)表示S矩阵高频域第j行第n列元素。
中频域最大平均幅度的计算公式为
其中,N表示样本点个数;nm表示中频域频率;S(j,nm)表示S矩阵在中频域的第j行第nm列元素。
根据各样本的各候选特征的值进行分布式粒子群滤波,根据滤波结果选择各候选特征中的多个作为各特征。
具体地,将特征选择转化为最优化问题,利用分布式粒子群滤波算法获取该最优化问题的解,可以确定是否选择某一候选特征作为特征。
其中,J(x)表示合适度函数;U表示候选特征组成的集合;x表示U的子集;x*表示满足最优化条件的U的子集。
可用的合适度函数包括:各种分类精度指标及其线性组合等。
例如,合适度函数可以选取以下函数形式:
其中,Specificity表示专一性;Recall表示召回率;Precision表示准确率;F1-measure表示综合评价指标;Accuracy表示精确度;TN表示真阴性数量;FP表示假阳性数量;TP表示真阳性数量;FN表示假阴性数量。
合适度函数还可以为
其中,Accuracy表示精确度;n表示候选特征总数;x*表示筛选的候选特征;α为0到1之间的一个常量。
通过运动,粒子群滤波获得本时间段的全局最优位置和局部最优位置,根据相关位置调整运动的大小和方向。
用粒子的位置表示特征选择的结果,0表示不选择该粒子某一维所对应的候选特征,1表示选择该粒子某一维所对应的候选特征。
本发明实施例基于分布式粒子群滤波算法对候选特征进行筛选,确定特征,充分利用能源互联网的分布式特点,能更方便、快速地进行特征选择,从而能提高扰动分类的速度和效率。
基于上述各实施例的内容,根据各样本的各候选特征的值进行分布式粒子群滤波的具体步骤包括:将候选特征集合的子集作为输入,并随机生成一定数量的粒子,建立速度更新方程。
具体地,将候选特征集合的子集作为输入,并生成一定数量的粒子,粒子的初始位置随机选定。对于每次迭代,将该粒子某一维的当前位置表示是否选择该粒子的该维所对应的候选特征。
候选特征集合,指各候选特征构成的集合。
通常的多维度速度更新公式为
其中,下标i表示粒子的编号,上标j表示运动的维度;t表示当前迭代次数;w表示惯性权重;pi (j)和pg (j)分别为局部最优位置和全局最优位置;xi (j)表示第i个粒子的当前位置;vi (j)表示表示第i个粒子的速度;c1,c2为控制参数;r1 (j),r2 (j)为0到1之间的随机变量。第j维对应第j个候选特征。
迭代时初始速率通过如下方法确定:
vi (j)在[0,1]区间进行采样,若采样值值大于0.5,则粒子群中各粒子的初始位置的该维度坐标设为1,否则为0。
惯性权重的更新公式为
其中,wmax表示最大权重;wmin表示最小权重;maxiter表示迭代总次数。
根据三维混沌映射方法,确定速度更新方程中的参数。
具体地,可以基于三维混沌映射方法,采用三维混沌系统映射参数,获得速度更新方程中的参数。
采用三维混沌映射,可以将通常的多维度运动公式改写为
混沌参数可以通过三维混沌猫映射(即三维Arnold猫映射)算法确定。计算公式为
其中,ax,ay,az,bx,by,bz为控制参数。
通常粒子群滤波最主要的问题是容易产生早熟收敛(尤其是在处理复杂的多峰搜索问题中)、局部寻优能力较差等。算法陷入局部最小,主要是种群在搜索空间中多样性的丢失。通过三维混沌映射方法,可以有效解决该问题。
基于3维Arnold猫映射的混沌系统相比于2维混沌系统通过维数的增加,提高了算法解的多样性,避免过快局部收敛,从而加大了算法正确收敛的概率。
根据确定参数之后的速度更新方程,获取滤波结果。
具体地,可以将各样本的各候选特征的值代入合适度函数,根据确定参数之后的速度更新方程,获取使得合适度函数的最大值对应的各粒子的当前位置xi (j),根据各粒子的当前位置xi (j),可以获得对各候选特征的选择结果。对各候选特征的选择结果,即滤波结果。
本发明实施例根据三维混沌映射方法,确定速度更新方程中的参数,能增加粒子群滤波算法收敛结果的多样性,避免陷入局部最小,能够明显减少局部最优情况的出现,能提升特征选择的精确性,从而能获得更精确地对能源信号进行表征的特征,能基于该特征向量获得更准确的扰动分类结果。
基于上述各实施例的内容,将候选特征集合的子集作为输入,建立速度更新方程的具体步骤包括:将候选特征集合的子集作为输入,生成一定数量的粒子,粒子初始位置随机选定,并建立原始速度更新方程。
具体地,原始速度更新方程即上述实施例中的通常的多维度运动公式
对原始速度更新方程进行伪布朗运动修正,获取速度更新方程。
需要说明的是,为了解决通常粒子群滤波最主要的问题是容易产生早熟收敛、局部寻优能力较差的问题,还可以对原始速度更新方程进行伪布朗运动修正,获得速度更新方程。
速度更新方程为
本发明实施例通过进行在速度更新方程中加入伪布朗运动修正因子,给粒子的运动轨迹造成随机的扰动,能避免粒子群滤波收敛过快导致局部收敛,能够明显减少局部最优情况的出现,能提升特征选择的精确性,从而能获得更精确地对能源信号进行表征的特征,能基于该特征向量获得更准确的扰动分类结果。
基于上述各实施例的内容,根据确定参数之后的速度更新方程,获取滤波结果的具体步骤包括:根据确定参数之后的速度更新方程,获取各粒子的位置。
具体地,粒子群滤波包括基于分布式粒子群算法获取粒子位置和滤波两个步骤。
基于分布式粒子群算法获取粒子位置,指可以将各样本的各候选特征的值代入合适度函数,根据确定参数之后的速度更新方程,获取使得合适度函数的最大值对应的各粒子的当前位置xi (j)。
对各粒子的位置进行离散化,获得滤波结果。
具体地,滤波步骤包括对各粒子的位置进行离散化,从而可以获得滤波结果。
对第i个粒子的位置进行离散化的具体公式为
Sigmoid函数σ(y)的表达式为
本发明实施例通过对各粒子的位置进行离散化,实现滤波,获得滤波结果,能能提升特征选择的精确性,从而能获得更精确地对能源信号进行表征的特征,能基于该特征向量获得更准确的扰动分类结果。
基于上述各实施例的内容,分类模型为概率神经网络模型。
具体地,可以基于概率神经网络模型构建分类模型。
概率神经网络的结构可以分为输入层、特征层、求和层、输出层。
概率神经网络训练速度快,需要训练的相关参数少,并且方便随时对训练集数据进行调整。
特征层可以采用d维高斯分布作为概率分布核函数,具体公式为
概率神经网络的平滑参数可以采用上述各实施例提供的粒子群算法获取。将平滑参数作为粒子群滤波算法的新增维度,粒子的位置在该维度上的分量为平滑参数的取值,基于粒子群算法,可以获得平滑参数。由于平滑参数为连续值,因而不需要进行离散化。
本发明实施例基于概率神经网络分类模型,模型的训练更简单、方便,能更快速、方便地获得分类模型。
基于上述各实施例的内容,将特征向量输入分类模型,获取待分类的能源信号的扰动类型之后,还包括:根据待分类的能源信号的扰动类型,更新分类模型。
具体地,获得待分类的能源信号的扰动类型之后,可以将待分类的能源信号,取代概率神经网络的特征层中该扰动类型的一个随机样本,即将该待分类的能源信号作为一个新的样本数据,实现对分类模型的更新。更新后的分类模型,可以用于获取新的待分类的能源信号的扰动类型。
上述方式为分类模型的半监督学习。半监督学习指对部分样本进行有监督学习,对部分样本进行无监督学习的学习方式。本发明实施例中,基于能源信号的样本数据以及预先确定的扰动类型标签进行学习为有监督学习,而基于待分类的能源信号的学习为无监督学习。
训练过程中学习样本的数量不足,会导致人工神经网络学习能力不足,无法获得准确的分类结果。通常的扰动分类方法受样本数量的限制,导致分类结果不准确。本发明实施例采用半监督学习方法,可以通过逐步学习和分类逐渐提高神经网络的学习和判断能力,获得更准确的分类结果,可以更加适应扰动分类样本点数限制,提高特征选择性能和分类精确度,保证能源互联网的正常运行,实现对能源互联网的全局状态感知。
本发明实施例通过半监督学习能逐步提高分类模型的分类精度,逐步获得更准确的扰动类型分类结果,能克服分类装置运行初期,被标记分类样本不足导致分类精度不足的缺陷。
图2为根据本发明实施例提供的能源互联网扰动分类装置的结构示意图。基于上述各实施例的内容,如图2所示,该装置包括特征提取模块201和扰动分类模块202,其中:
特征提取模块201,用于对待分类的能源信号进行预处理,获取待分类的能源信号的各特征的值,组成特征向量;
扰动分类模块202,用于将特征向量输入分类模型,获取待分类的能源信号的扰动类型;
其中,各特征是基于分布式粒子群滤波算法对各候选特征进行筛选获得的;分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。
具体地,特征提取模块201对待分类的能源信号进行S变换,获得待分类的能源信号对应的S矩阵;根据该S矩阵获取的各特征的值,将各特征的值组成特征向量。
扰动分类模块202将待分类的能源信号的特征向量输入训练好的分类模型,训练好的分类模型可以输出待分类的能源信号的扰动类型。
本发明实施例提供的能源互联网扰动分类装置,用于执行本发明上述各实施例提供的能源互联网扰动分类方法,该能源互联网扰动分类装置包括的各模块实现相应功能的具体方法和流程详见上述能源互联网扰动分类方法的实施例,此处不再赘述。
该能源互联网扰动分类装置用于前述各实施例的能源互联网扰动分类方法。因此,在前述各实施例中的能源互联网扰动分类方法中的描述和定义,可以用于本发明实施例中各执行模块的理解。
本发明实施例通过分布式粒子群滤波算法对各候选特征进行筛选获得各特征,提取待分类的能源信号的各特征的值组成特征向量,将特征向量输入分类模型,获取待分类的能源信号的扰动类型,能筛选出能更精确地对能源信号进行表征的特征,从而能基于该特征向量获得更准确的扰动分类结果。
图3为根据本发明实施例提供的电子设备的实体结构示意图。基于上述实施例的内容,如图3所示,该电子设备可以包括:处理器(processor)301、存储器(memory)302和总线303;其中,处理器301和存储器302通过总线303完成相互间的通信;处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令,以执行上述各方法实施例所提供的能源互联网扰动分类方法,例如包括:对待分类的能源信号进行预处理,获取待分类的能源信号的各特征的值,组成特征向量;将特征向量输入分类模型,获取待分类的能源信号的扰动类型;其中,各特征是基于分布式粒子群滤波算法对各候选特征进行筛选获得的;分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。
本发明另一实施例公开一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的能源互联网扰动分类方法,例如包括:对待分类的能源信号进行预处理,获取待分类的能源信号的各特征的值,组成特征向量;将特征向量输入分类模型,获取待分类的能源信号的扰动类型;其中,各特征是基于分布式粒子群滤波算法对各候选特征进行筛选获得的;分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。
此外,上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明另一实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的能源互联网扰动分类方法,例如包括:对待分类的能源信号进行预处理,获取待分类的能源信号的各特征的值,组成特征向量;将特征向量输入分类模型,获取待分类的能源信号的扰动类型;其中,各特征是基于分布式粒子群滤波算法对各候选特征进行筛选获得的;分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行上述各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种能源互联网扰动分类方法,其特征在于,包括:
对待分类的能源信号进行预处理,获取所述待分类的能源信号的各特征的值,组成特征向量;
将所述特征向量输入分类模型,获取所述待分类的能源信号的扰动类型;
其中,所述各特征是基于分布式粒子群滤波算法对各候选特征进行筛选获得的;所述分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。
2.根据权利要求1所述的能源互联网扰动分类方法,其特征在于,所述对待分类的能源信号进行预处理,获取所述待分类的能源信号的各特征的值,组成特征向量之前,还包括:
对所述能源信号的样本数据中的每一样本进行预处理,获取所述样本的所述各候选特征的值;
根据各所述样本的所述各候选特征的值进行分布式粒子群滤波,根据滤波结果选择所述各候选特征中的至少2个作为所述各特征;
其中,所述各候选特征包括基准频率下的标准差、有无扰动情况下矩阵最大最小值的和之差、矩阵能量和、高频分量的能量和、信号最大频率或中频域最大平均幅度。
3.根据权利要求1或2所述的能源互联网扰动分类方法,其特征在于,所述分类模型为概率神经网络模型。
4.根据权利要求2所述的能源互联网扰动分类方法,其特征在于,所述根据各所述样本的所述各候选特征的值进行分布式粒子群滤波的具体步骤包括:
将候选特征集合的子集作为粒子群滤波算法的输入,并随机生成一定数量的粒子,建立速度更新方程;
根据三维混沌映射方法,确定所述速度更新方程中的参数;
根据确定参数之后的所述速度更新方程,获取所述滤波结果。
5.根据权利要求4所述的能源互联网扰动分类方法,其特征在于,所述将候选特征集合的子集作为粒子群滤波算法的输入,并随机生成一定数量的粒子,建立速度更新方程的具体步骤包括:
将所述候选特征集合的子集作为粒子群滤波算法的输入,并随机生成一定数量的粒子,建立原始速度更新方程;
对所述原始速度更新方程进行伪布朗运动修正,获取所述速度更新方程。
6.根据权利要求4或5所述的能源互联网扰动分类方法,其特征在于,所述根据确定参数之后的所述速度更新方程,获取所述滤波结果的具体步骤包括:
根据确定参数之后的所述速度更新方程,获取各粒子的位置;
对各粒子的位置进行离散化,获得所述滤波结果。
7.根据权利要求3所述的能源互联网扰动分类方法,其特征在于,所述将所述特征向量输入分类模型,获取所述待分类的能源信号的扰动类型之后,还包括:
根据所述待分类的能源信号的扰动类型,更新所述分类模型。
8.一种能源互联网扰动分类装置,其特征在于,包括:
特征提取模块,用于对待分类的能源信号进行预处理,获取所述待分类的能源信号的各特征的值,组成特征向量;
扰动分类模块,用于将所述特征向量输入分类模型,获取所述待分类的能源信号的扰动类型;
其中,所述各特征是基于分布式粒子群滤波算法对各候选特征进行筛选获得的;所述分类模型,是基于能源信号的样本数据以及预先确定的扰动类型标签进行训练后获得的。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的能源互联网扰动分类方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述的能源互联网扰动分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271695.6A CN110889396A (zh) | 2019-12-12 | 2019-12-12 | 能源互联网扰动分类方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911271695.6A CN110889396A (zh) | 2019-12-12 | 2019-12-12 | 能源互联网扰动分类方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889396A true CN110889396A (zh) | 2020-03-17 |
Family
ID=69751612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911271695.6A Pending CN110889396A (zh) | 2019-12-12 | 2019-12-12 | 能源互联网扰动分类方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889396A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063626A (zh) * | 2010-12-29 | 2011-05-18 | 吉林大学 | 一种电能质量扰动模式判别方法 |
CN104156412A (zh) * | 2014-07-30 | 2014-11-19 | 华北电力大学 | 一种基于复杂事件处理的电能质量扰动事件分类监测方法 |
CN106874950A (zh) * | 2017-02-13 | 2017-06-20 | 云南电网有限责任公司电力科学研究院 | 一种暂态电能质量录波数据的识别分类方法 |
CN108320080A (zh) * | 2018-01-05 | 2018-07-24 | 上海电力学院 | 基于两层一致性算法的能源互联网实时动态功率分配方法 |
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 |
US20190049525A1 (en) * | 2017-08-10 | 2019-02-14 | United States Of America As Represented By Secretary Of The Navy | Methods and Systems for Classifying Optically Detected Power Quality Disturbances |
-
2019
- 2019-12-12 CN CN201911271695.6A patent/CN110889396A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102063626A (zh) * | 2010-12-29 | 2011-05-18 | 吉林大学 | 一种电能质量扰动模式判别方法 |
CN104156412A (zh) * | 2014-07-30 | 2014-11-19 | 华北电力大学 | 一种基于复杂事件处理的电能质量扰动事件分类监测方法 |
CN106874950A (zh) * | 2017-02-13 | 2017-06-20 | 云南电网有限责任公司电力科学研究院 | 一种暂态电能质量录波数据的识别分类方法 |
US20190049525A1 (en) * | 2017-08-10 | 2019-02-14 | United States Of America As Represented By Secretary Of The Navy | Methods and Systems for Classifying Optically Detected Power Quality Disturbances |
CN108320080A (zh) * | 2018-01-05 | 2018-07-24 | 上海电力学院 | 基于两层一致性算法的能源互联网实时动态功率分配方法 |
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 |
Non-Patent Citations (2)
Title |
---|
MANOHAR MISHRA: "Power quality disturbance detection and classification using signal processing and soft computing techniques: A comprehensive review", 《INTERNATIONAL TRANSACTIONS ON ELECTRICAL ENERGY SYSTEMS》 * |
徐星等: "基于布朗运动的改进粒子群优化算法", 《计算机应用研究》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102492318B1 (ko) | 모델 학습 방법 및 장치, 및 데이터 인식 방법 | |
CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
WO2018206504A1 (en) | Pre-training system for self-learning agent in virtualized environment | |
Langone et al. | Incremental kernel spectral clustering for online learning of non-stationary data | |
KR20200022739A (ko) | 데이터 증강에 기초한 인식 모델 트레이닝 방법 및 장치, 이미지 인식 방법 및 장치 | |
CN108564326A (zh) | 订单的预测方法及装置、计算机可读介质、物流系统 | |
CN110705029B (zh) | 一种基于迁移学习的振荡扑翼能量采集系统流场预测方法 | |
He et al. | MTAD-TF: Multivariate time series anomaly detection using the combination of temporal pattern and feature pattern | |
Ranaee et al. | Control chart pattern recognition using neural networks and efficient features: A comparative study | |
Ahila et al. | Particle swarm optimization-based feature selection and parameter optimization for power system disturbances classification | |
CN115809596A (zh) | 一种数字孪生故障诊断方法和装置 | |
CN110889396A (zh) | 能源互联网扰动分类方法、装置、电子设备和存储介质 | |
CN117252105A (zh) | 一种在线类增量连续学习的对比多级回放方法及组件 | |
Halkias et al. | Sparse penalty in deep belief networks: using the mixed norm constraint | |
CN116993548A (zh) | 基于增量学习的LightGBM-SVM的教育培训机构信用评估方法及系统 | |
Baruque et al. | THE S 2-ENSEMBLE FUSION ALGORITHM | |
CN116400168A (zh) | 一种基于深度特征聚类的电网故障诊断方法及系统 | |
Paassen et al. | Gaussian process prediction for time series of structured data. | |
Song et al. | A data-efficient reinforcement learning method based on local Koopman operators | |
Randazzo et al. | Nonstationary topological learning with bridges and convex polytopes: the G-EXIN neural network | |
CN108898227A (zh) | 学习率计算方法及装置、分类模型计算方法及装置 | |
KR102340387B1 (ko) | 뇌 연결성 학습 방법 및 이를 위한 시스템 | |
Gharehchopogh et al. | A novel approach for edge detection in images based on cellular learning automata | |
Dorogyy et al. | Designing spiking neural networks | |
US11609936B2 (en) | Graph data processing method, device, and computer program product |
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: 20200317 |
|
RJ01 | Rejection of invention patent application after publication |