CN111368892A - 一种广义s变换和svm的电能质量扰动高效识别方法 - Google Patents
一种广义s变换和svm的电能质量扰动高效识别方法 Download PDFInfo
- Publication number
- CN111368892A CN111368892A CN202010124664.4A CN202010124664A CN111368892A CN 111368892 A CN111368892 A CN 111368892A CN 202010124664 A CN202010124664 A CN 202010124664A CN 111368892 A CN111368892 A CN 111368892A
- Authority
- CN
- China
- Prior art keywords
- wolf
- power quality
- svm
- quality disturbance
- frequency
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000009466 transformation Effects 0.000 title claims abstract description 18
- 239000013598 vector Substances 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 241000282461 Canis lupus Species 0.000 claims description 63
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000012706 support-vector machine Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 241000282421 Canidae Species 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 102100036534 Glutathione S-transferase Mu 1 Human genes 0.000 description 2
- 102100036533 Glutathione S-transferase Mu 2 Human genes 0.000 description 2
- 101001071694 Homo sapiens Glutathione S-transferase Mu 1 Proteins 0.000 description 2
- 101001071691 Homo sapiens Glutathione S-transferase Mu 2 Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种广义S变换和SVM的电能质量扰动高效识别方法，包括：采集电能质量扰动信号的电压数据，利用电能质量监测仪对电能质量扰动信号的电压数据进行采集，并将电压数据传输到上位机；将上位机接收的电压数据进行GST广义S变换，设置两组GST参数，分别得到时间幅值包络曲线和频率幅值包络曲线；提取电压数据的特征向量；将上一步得到的特征向量输入到GWO‑SVM分类器中进行训练与测试，完成对电能质量扰动信号的识别。本发明在进行电能质量扰动识别时具有较高的识别精度，在进行电能质量扰动识别时具有较强的抗干扰能力，在处理小样本扰动识别问题时具有良好的性能。
Description
技术领域
本发明涉及电力系统技术领域，尤其是一种广义S变换和SVM的电能质量扰动高效识别方法。
背景技术
随着智能电网的发展，各种分布式发电单元接入电网的同时，各类非线性负荷也日益增多，引起了一系列电能质量问题。电能质量扰动识别是解决电能质量问题的基础与前提，因此电能质量扰动信号的高效识别具有重要意义。电能质量扰动的识别过程主要包括信号检测和模式识别两部分。
目前，常用的信号检测方法有短时傅里叶变换、小波变换、希尔伯特-黄变换和S变换等。其中由于短时傅里叶变换采用固定窗函数，只适用于分析平稳信号，对非平稳信号的处理能力较弱；小波变换可自适应分辨率，但易受噪声干扰，且小波基难以选择；希尔伯特-黄变换存在端点效应和模态混叠等问题；S变换的时频矩阵能同时表征扰动的起止时刻、波动幅值、谐波成分等特征信息，由于自适应时频分辨率并非提取特征时的最佳的时频分辨率，因而在不同特征信号时频提取方面有一定的局限性。
常用的模式识别方法主要包括神经网络、决策分类树、极限学习机和支持向量机等。其中神经网络结构简单，有较强的求解能力和抗噪能力，但存在局部最优问题；决策分类树结构简单、分类精度高，但泛化能力较差，最优分类阈值难以确定；极限学习机参数调节简单、学习速度快，但鲁棒性和稳定性较差；支持向量机在处理高维度、小样本、非线性问题的分类方面具有良好的性能，但如何对惩罚因子和核函数参数进行合理设置是提升SVM分类性能的核心因素，随着训练集的增大所需核函数的数量明显增加，对缺失数据敏感，对参数和核函数的选择敏感。
发明内容
本发明的目的在于提供一种能够提高电能质量扰动的识别精度和抗干扰能力的广义S变换和SVM的电能质量扰动高效识别方法。
为实现上述目的，本发明采用了以下技术方案：一种广义S变换和SVM的电能质量扰动高效识别方法，该方法包括下列顺序的步骤：
(1)采集电能质量扰动信号的电压数据，利用电能质量监测仪对电能质量扰动信号的电压数据进行采集，并将电压数据传输到上位机；
(2)将上位机接收的电压数据进行GST广义S变换，设置两组GST参数，分别得到时间幅值包络曲线和频率幅值包络曲线；
(3)提取电压数据的特征向量；
(4)将步骤(3)得到的特征向量输入到GWO-SVM分类器中进行训练与测试，完成对电能质量扰动信号的识别。
所述步骤(2)中的GST广义S变换具体是指：
时域信号x(t)一维广义S变换为：
式中，τ为时移因子，f为频率，t为时间，λ为幅度拉伸因子，p为频率尺度拉伸因子；
利用快速傅里叶变换FFT，实现GST的快速算法，将式(1)改写为：
式中，fa为平移频率；X(f+fa)为x(t)的傅里叶变换并平移频率fa；
令f→n/NT，τ→jT，fa→m/NT，由式(2)可得GST的离散表达式：
式中，n，j为频率控制变量、N为采样点总数、T为采样时间间隔、m为移位控制变量、k＝0,1,2，…，N-1。
所述步骤(2)中的设置两组GST参数，分别得到时间幅值包络曲线和频率幅值包络曲线具体是指：设置GST的两个参数λ1、p1均大于1，得到模时频矩阵，提取其每一列的模最大值，组成时间幅值包络曲线；设置GST的两个参数λ2、p2均小于1，得到模时频矩阵，提取其每一行的模最大值，组成频率幅值包络曲线。
所述步骤(3)具体是指：提取步骤(2)中时间幅值包络曲线的最大值Amax、最小值Amin、均值Amean和标准差SA-t，以及频率幅值包络曲线最大的三个波峰值P1、P2、P3及其对应的频率值f1、f2、f3，形成组合特征。
所述步骤(4)具体是指：利用灰狼优化算法即GWO算法对支持向量机的惩罚因子C与核函数参数γ进行寻优，GWO算法描述为：
建立狼群包围猎物的数学模型，假设t表示当前迭代次数，Xp(t)为第t次迭代的猎物位置，X(t)为第t次迭代的灰狼位置，则第t次迭代灰狼与猎物的距离D和第t+1次迭代后灰狼调整的位置为：
D＝|C·Xp(t)-X(t)| (4)
X(t+1)＝Xp(t)-A·D (5)
式中，A、C为参数向量，且A＝2ɑ·r1-ɑ，C＝2·r2，其中a随着迭代次数的增加从2线性递减到0，r1、r2为[0,1]区间的随机向量；当狼群包围猎物后开始猎捕行动；灰狼群体ω狼群位置更新公式如下：
Dα＝|C1·Xα(t)-X(t)| (6)
Dβ＝|C2·Xβ(t)-X(t)| (7)
Dδ＝|C3·Xδ(t)-X(t)| (8)
X1＝Xα(t)-A1·Dα (9)
X2＝Xβ(t)-A2·Dβ (10)
X3＝Xδ(t)-A3·Dδ (11)
X(t+1)＝(X1+X2+X3)/3 (12)
式中，Dα、Dβ、Dδ分别为α、β、δ狼与ω狼的距离，A1、A2、A3、C1、C2、C3均为参数向量，Xα(t)、Xβ(t)、Xδ(t)分别为第t次迭代的α、β、δ狼位置，X1、X2、X3分别为α、β、δ狼的矢量位置，X(t+1)为ω狼更新的位置；最终由式(12)确定了猎物所在的位置，然后狼群进行攻击并捕获猎物，即通过GWO算法取得最优解；
利用GWO算法对SVM的参数C、γ进行寻优，从而构造GWO-SVM分类器，其算法步骤为：
5a)首先输入电能质量扰动信号特征样本集，并分为训练集与测试集；
5b)设置SVM惩罚因子C和核函数参数γ的取值范围，设置种群规模、最大迭代次数，初始化狼群，每个灰狼群个体位置由C和γ组成；
5c)SVM模型根据初始的C和γ，对训练集进行学习，并计算每头灰狼的适应度值，得到适应度值排列前三的灰狼α、β、δ；
5d)根据公式(6)至公式(8)对狼群位置进行更新，在新位置上计算狼群个体的适应度值，并与上一迭代最优适应度值作比较，若新适应度值大于最优适应度值，则替换，否则便保留；
5e)若当前迭代次数大于最大迭代次数,算法终止,输出SVM模型最优参数C和γ；
5f)将最优参数C和γ用于SVM预测模型的构建,并利用训练好的预测模型对测试集进行预测，输出电能质量扰动类型；
通过以上GWO-SVM分类器便可完成对电能质量扰动信号的识别。
由上述技术方案可知，本发明的有益效果为：第一，本发明在进行电能质量扰动识别时具有较高的识别精度，无噪声时的平均识别率达99.8％，高出标准S变换4.0％左右；第二，本发明在进行电能质量扰动识别时具有较强的抗干扰能力，在20dB噪声环境下的平均识别率达99.0％；第三，本发明在处理小样本扰动识别问题时具有良好的性能，在训练样本较少时，扰动识别精度也能达到较高水平，无噪声时的识别准确率均在99.0％以上。
附图说明
图1为本发明的方法流程图；
图2为离散广义S变换算法流程图；
图3为狼群狩猎位置更新图；
图4为GWO-SVM分类流程图；
图5为GST改进时频特征提取方法分类结果。
具体实施方式
如图1所示，一种广义S变换和SVM的电能质量扰动高效识别方法，该方法包括下列顺序的步骤：
(1)采集电能质量扰动信号的电压数据，利用PQ-BOX 300电能质量监测仪对电能质量扰动信号的电压数据进行采集，并通过TCP/IP网口或USB接口将电压数据传输到上位机；
根据电能质量扰动参数标准，建立10种常见的扰动信号模型：正常信号C1、电压暂升C2、电压暂降C3、电压中断C4、谐波C5、高频振荡C6、暂态脉冲C7、电压闪变C8、暂升+谐波C9和暂降+谐波C10；利用MATLAB对扰动信号模型进行仿真，设信号的基频为50Hz，采样频率为3.2kHz，采样点设为640个，即10个周期，每个周期64个采样点；根据扰动模型和参数，每种扰动随机生成200个信号；
利用PQ-BOX 300电能质量监测仪对电能质量扰动信号的电压数据进行采集，并通过TCP/IP网口或USB接口将电压数据传输到上位机。
(2)将上位机接收的电压数据进行GST广义S变换，设置两组GST参数，分别得到分别得到时间分辨率较高时的时间幅值包络曲线，以及频率分辨率较高时的频率幅值包络曲线；
(3)提取电压数据的特征向量；
(4)将步骤(3)得到的特征向量输入到GWO-SVM分类器中进行训练与测试，完成对电能质量扰动信号的识别。
所述步骤(2)中的GST广义S变换具体是指：
时域信号x(t)一维广义S变换为：
式中，τ为时移因子，f为频率，t为时间，λ为幅度拉伸因子，p为频率尺度拉伸因子；
利用快速傅里叶变换FFT，实现GST的快速算法，将式(1)改写为：
式中，fa为平移频率；X(f+fa)为x(t)的傅里叶变换并平移频率fa；
令f→n/NT，τ→jT，fa→m/NT，由式(2)可得GST的离散表达式：
式中，n，j为频率控制变量、N为采样点总数、T为采样时间间隔、m为移位控制变量、k＝0,1,2，…，N-1。
如图2所示，所述步骤(2)中的设置两组GST参数，分别得到时间幅值包络曲线和频率幅值包络曲线具体是指：设置GST的两个参数λ1、p1均大于1，得到模时频矩阵，提取其每一列的模最大值，组成时间幅值包络曲线；设置GST的两个参数λ2、p2均小于1，得到模时频矩阵，提取其每一行的模最大值，组成频率幅值包络曲线。
设置两组GST参数λ1＝1.1，p1＝1.1和λ2＝0.6，p2＝0.5，分别对生成的信号进行GST，得到时间分辨率较高时的模时频矩阵GSTM1，以及频率分辨率较高时的模时频矩阵GSTM2。再提取GSTM1每一列的模最大值，得到信号经GST之后的时间幅值包络曲线；提取GSTM2每一行的模最大值，得到频率幅值包络曲线。
所述步骤(3)具体是指：提取步骤(2)中时间幅值包络曲线的最大值Amax、最小值Amin、均值Amean和标准差SA-t，以及频率幅值包络曲线最大的三个波峰值P1、P2、P3及其对应的频率值f1、f2、f3，形成组合特征。
1)Amax、Amin：时间幅值包络曲线的最大值和最小值，主要用于区分正常信号、暂升、暂降、中断和闪变等扰动信号；
2)Amean：时间幅值包络曲线幅值的平均值，反映扰动信号变化的中心趋势；
3)SA-t：时间幅值包络曲线幅值的标准差，能有效地评估扰动信号时域数据的离散程度；
4)P1、P2、P3、f1、f2、f3：频率幅值包络曲线的最大三个波峰值及其对应的频率值，反映扰动信号的主要频率成分与主次特性。
如表1所示，对每种类型的扰动信号提取了10个特征向量，其中幅值的最大值、最小值、均值、标准差以及波峰值均以归一化的形式表示。从表1中可以看出，不同类型的扰动信号对应着不同的特征向量，无相互混叠的现象，能较好地区分扰动类型，可作为分类器的输入。
表1电能质量扰动信号特征向量
所述步骤(4)具体是指：利用灰狼优化算法即GWO算法对支持向量机的惩罚因子C与核函数参数γ进行寻优，GWO算法描述为：
建立狼群包围猎物的数学模型，假设t表示当前迭代次数，Xp(t)为第t次迭代的猎物位置，X(t)为第t次迭代的灰狼位置，则第t次迭代灰狼与猎物的距离D和第t+1次迭代后灰狼调整的位置为：
D＝|C·Xp(t)-X(t)| (4)
X(t+1)＝Xp(t)-A·D (5)
式中，A、C为参数向量，且A＝2ɑ·r1-ɑ，C＝2·r2，其中a随着迭代次数的增加从2线性递减到0，r1、r2为[0,1]区间的随机向量；当狼群包围猎物后开始猎捕行动；灰狼群体ω狼群位置更新公式如下：
Dα＝|C1·Xα(t)-X(t)| (6)
Dβ＝|C2·Xβ(t)-X(t)| (7)
Dδ＝|C3·Xδ(t)-X(t)| (8)
X1＝Xα(t)-A1·Dα (9)
X2＝Xβ(t)-A2·Dβ (10)
X3＝Xδ(t)-A3·Dδ (11)
X(t+1)＝(X1+X2+X3)/3 (12)
式中，Dα、Dβ、Dδ分别为α、β、δ狼与ω狼的距离，A1、A2、A3、C1、C2、C3均为参数向量，Xα(t)、Xβ(t)、Xδ(t)分别为第t次迭代的α、β、δ狼位置，X1、X2、X3分别为α、β、δ狼的矢量位置，X(t+1)为ω狼更新的位置；最终由式(12)确定了猎物所在的位置，然后狼群进行攻击并捕获猎物，即通过GWO算法取得最优解；
狼群狩猎的位置更新如图3所示，由式(12)确定了猎物所在的位置，然后狼群进行攻击并捕获猎物，即GWO算法取得最优解。
如图4所示，利用GWO算法对SVM的参数C、γ进行寻优，从而构造GWO-SVM分类器，其算法步骤为：
5a)首先输入电能质量扰动信号特征样本集，并分为训练集与测试集；
5b)设置SVM惩罚因子C和核函数参数γ的取值范围，设置种群规模、最大迭代次数，初始化狼群，每个灰狼群个体位置由C和γ组成；
5c)SVM模型根据初始的C和γ，对训练集进行学习，并计算每头灰狼的适应度值，得到适应度值排列前三的灰狼α、β、δ；
5d)根据公式(6)至公式(8)对狼群位置进行更新，在新位置上计算狼群个体的适应度值，并与上一迭代最优适应度值作比较，若新适应度值大于最优适应度值，则替换，否则便保留；
5e)若当前迭代次数大于最大迭代次数,算法终止,输出SVM模型最优参数C和γ；
5f)将最优参数C和γ用于SVM预测模型的构建,并利用训练好的预测模型对测试集进行预测，输出电能质量扰动类型；
通过以上GWO-SVM分类器便可完成对电能质量扰动信号的识别。
将特征样本输入到GWO-SVM分类器中进行训练与测试，完成对电能质量扰动信号的识别。利用灰狼优化算法较好的全局寻优能力和收敛能力，对支持向量机的惩罚因子C与核函数参数γ进行寻优，提高SVM分类器的速度与准确率。
图5为本发明改进的GST时频特征提取方法分类结果，可以看出本发明提出的识别方法准确率高达99.8％，识别效果理想。仅将2个电压暂降C3信号错分到电压中断C4类型中去，这是由于C3和C4模型相同且参数设置上有重叠点，导致个别信号不易区分。
为探究训练样本个数对识别准确率的影响程度，每种扰动类型分别用30、50、80、100、120、150个样本训练GWO-SVM分类器，再对2000个测试样本(10种扰动类型各200个)进行测试分类，扰动识别结果如表2所示。由表2可知，在训练样本较少时，平均识别准确率也能达到较高水平，均在99％以上。当训练样本增加到100个时，识别准确率开始趋于平稳。因此，GWO-SVM分类器在处理电能质量扰动信号小样本分类问题时，具有良好的性能。
表2训练样本个数对识别准确率的影响
为了更加贴合工程实际，给电能质量扰动信号分别加上信噪比为20dB、30dB、40dB、50dB的高斯白噪声，每种类型训练样本与测试样本各100个，表3为在不同信噪比下的识别准确率，可以看出，随着信噪比的减小，各类扰动信号的识别准确率有所下降，但都保持在97％及以上，平均准确率均在99.0％及以上，这表明本发明提出的识别方法有着较高的识别精度和抗干扰能力。
表3不同信噪比下的识别准确率
电能质量扰动信号的识别方法多种多样，现将其他方法的识别效果与本发明进行对比，结果如表4所示。通过对比可以发现，本发明的平均识别精度最高，表明本发明在识别精度和抗干扰能力上具有优越性。
表4不同识别方法性能对比
综上所述，本发明针对电力系统电能质量扰动信号的检测与分类问题，首先采集扰动信号的电压数据并传输至上位机，通过调节广义S变换的参数，分别得到时间和频率分辨率较高时的模时频矩阵，并提取前者的时域特征和后者的频域特征，形成组合特征样本；再输入经灰狼优化算法(GWO)优化的支持向量机(SVM)分类器中进行训练与测试，完成扰动识别。本发明的核心是通过调节广义S变换的参数，分别得到时间和频率分辨率较高时的模时频矩阵，并提取前者时间幅值包络曲线的最大值、最小值、均值和标准差，以及后者频率幅值包络曲线最大的三个波峰值及其对应的频率值，形成组合特征。仿真实验结果表明，本发明具有较高的识别精度和较强的抗干扰能力，无噪声时的平均识别率达99.8％，高出标准S变换4％左右，在20dB噪声环境下的平均识别率达99.0％，适用于电能质量扰动信号的高效识别。
Claims (5)
1.一种广义S变换和SVM的电能质量扰动高效识别方法，其特征在于：该方法包括下列顺序的步骤：
(1)采集电能质量扰动信号的电压数据，利用电能质量监测仪对电能质量扰动信号的电压数据进行采集，并将电压数据传输到上位机；
(2)将上位机接收的电压数据进行GST广义S变换，设置两组GST参数，分别得到时间幅值包络曲线和频率幅值包络曲线；
(3)提取电压数据的特征向量；
(4)将步骤(3)得到的特征向量输入到GWO-SVM分类器中进行训练与测试，完成对电能质量扰动信号的识别。
2.根据权利要求1所述的广义S变换和SVM的电能质量扰动高效识别方法，其特征在于：所述步骤(2)中的GST广义S变换具体是指：
时域信号x(t)一维广义S变换为：
式中，τ为时移因子，f为频率，t为时间，λ为幅度拉伸因子，p为频率尺度拉伸因子；
利用快速傅里叶变换FFT，实现GST的快速算法，将式(1)改写为：
式中，fa为平移频率；X(f+fa)为x(t)的傅里叶变换并平移频率fa；
令f→n/NT，τ→jT，fa→m/NT，由式(2)可得GST的离散表达式：
式中，n，j为频率控制变量、N为采样点总数、T为采样时间间隔、m为移位控制变量、k＝0,1,2，…，N-1。
3.根据权利要求1所述的广义S变换和SVM的电能质量扰动高效识别方法，其特征在于：所述步骤(2)中的设置两组GST参数，分别得到时间幅值包络曲线和频率幅值包络曲线具体是指：设置GST的两个参数λ1、p1均大于1，得到模时频矩阵，提取其每一列的模最大值，组成时间幅值包络曲线；设置GST的两个参数λ2、p2均小于1，得到模时频矩阵，提取其每一行的模最大值，组成频率幅值包络曲线。
4.根据权利要求1所述的广义S变换和SVM的电能质量扰动高效识别方法，其特征在于：所述步骤(3)具体是指：提取步骤(2)中时间幅值包络曲线的最大值Amax、最小值Amin、均值Amean和标准差SA-t，以及频率幅值包络曲线最大的三个波峰值P1、P2、P3及其对应的频率值f1、f2、f3，形成组合特征。
5.根据权利要求1所述的广义S变换和SVM的电能质量扰动高效识别方法，其特征在于：所述步骤(4)具体是指：利用灰狼优化算法即GWO算法对支持向量机的惩罚因子C与核函数参数γ进行寻优，GWO算法描述为：
建立狼群包围猎物的数学模型，假设t表示当前迭代次数，Xp(t)为第t次迭代的猎物位置，X(t)为第t次迭代的灰狼位置，则第t次迭代灰狼与猎物的距离D和第t+1次迭代后灰狼调整的位置为：
D＝|C·Xp(t)-X(t)| (4)
X(t+1)＝Xp(t)-A·D (5)
式中，A、C为参数向量，且A＝2ɑ·r1-ɑ，C＝2·r2，其中a随着迭代次数的增加从2线性递减到0，r1、r2为[0,1]区间的随机向量；当狼群包围猎物后开始猎捕行动；灰狼群体ω狼群位置更新公式如下：
Dα＝|C1·Xα(t)-X(t)| (6)
Dβ＝|C2·Xβ(t)-X(t)| (7)
Dδ＝|C3·Xδ(t)-X(t)| (8)
X1＝Xα(t)-A1·Dα (9)
X2＝Xβ(t)-A2·Dβ (10)
X3＝Xδ(t)-A3·Dδ (11)
X(t+1)＝(X1+X2+X3)/3 (12)
式中，Dα、Dβ、Dδ分别为α、β、δ狼与ω狼的距离，A1、A2、A3、C1、C2、C3均为参数向量，Xα(t)、Xβ(t)、Xδ(t)分别为第t次迭代的α、β、δ狼位置，X1、X2、X3分别为α、β、δ狼的矢量位置，X(t+1)为ω狼更新的位置；最终由式(12)确定了猎物所在的位置，然后狼群进行攻击并捕获猎物，即通过GWO算法取得最优解；
利用GWO算法对SVM的参数C、γ进行寻优，从而构造GWO-SVM分类器，其算法步骤为：
5a)首先输入电能质量扰动信号特征样本集，并分为训练集与测试集；
5b)设置SVM惩罚因子C和核函数参数γ的取值范围，设置种群规模、最大迭代次数，初始化狼群，每个灰狼群个体位置由C和γ组成；
5c)SVM模型根据初始的C和γ，对训练集进行学习，并计算每头灰狼的适应度值，得到适应度值排列前三的灰狼α、β、δ；
5d)根据公式(6)至公式(8)对狼群位置进行更新，在新位置上计算狼群个体的适应度值，并与上一迭代最优适应度值作比较，若新适应度值大于最优适应度值，则替换，否则便保留；
5e)若当前迭代次数大于最大迭代次数,算法终止,输出SVM模型最优参数C和γ；
5f)将最优参数C和γ用于SVM预测模型的构建,并利用训练好的预测模型对测试集进行预测，输出电能质量扰动类型；
通过以上GWO-SVM分类器便可完成对电能质量扰动信号的识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010124664.4A CN111368892B (zh) | 2020-02-27 | 2020-02-27 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010124664.4A CN111368892B (zh) | 2020-02-27 | 2020-02-27 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111368892A true CN111368892A (zh) | 2020-07-03 |
| CN111368892B CN111368892B (zh) | 2024-01-30 |
Family
ID=71212181
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010124664.4A Active CN111368892B (zh) | 2020-02-27 | 2020-02-27 | 一种广义s变换和svm的电能质量扰动高效识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111368892B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036296A (zh) * | 2020-08-28 | 2020-12-04 | 合肥工业大学 | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 |
| CN112083327A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压真空断路器机械故障诊断方法及系统 |
| CN112597816A (zh) * | 2020-12-07 | 2021-04-02 | 合肥工业大学 | 一种电能质量信号特征提取方法 |
| CN113238110A (zh) * | 2021-05-10 | 2021-08-10 | 合肥工业大学 | 一种电能质量扰动诊断方法及系统 |
| CN113887327A (zh) * | 2021-09-10 | 2022-01-04 | 淮阴工学院 | Gwo-svm的装载机循环工况作业阶段识别方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447502A (zh) * | 2015-11-05 | 2016-03-30 | 国家电网公司 | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| 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 |
| CN110132596A (zh) * | 2019-04-24 | 2019-08-16 | 昆明理工大学 | 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 |
-
2020
- 2020-02-27 CN CN202010124664.4A patent/CN111368892B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105447502A (zh) * | 2015-11-05 | 2016-03-30 | 国家电网公司 | 一种基于s变换和改进svm算法的暂态电能扰动识别方法 |
| WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
| 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 |
| CN110132596A (zh) * | 2019-04-24 | 2019-08-16 | 昆明理工大学 | 一种基于小波包和gwo-svm的滚动轴承故障诊断的方法 |
Non-Patent Citations (5)
| Title |
|---|
| 王新环;武雪峥;付子义;刘志超;: "基于GST的煤矿电能质量扰动特性分析", 测控技术, no. 09 * |
| 王琦: "基于广义S变换和优化DDAGSVM的电能质量扰动识别与分类", 《中国知网》 * |
| 王琦: "基于广义S变换和优化DDAGSVM的电能质量扰动识别与分类", 《中国知网》, 15 February 2019 (2019-02-15), pages 1 - 97 * |
| 赵洛印等: "基于 GWO-SVM 的电压暂降扰动源识别", 《电测与仪表》 * |
| 赵洛印等: "基于 GWO-SVM 的电压暂降扰动源识别", 《电测与仪表》, 4 November 2019 (2019-11-04), pages 1 - 11 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036296A (zh) * | 2020-08-28 | 2020-12-04 | 合肥工业大学 | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 |
| CN112036296B (zh) * | 2020-08-28 | 2022-08-05 | 合肥工业大学 | 一种基于广义s变换和woa-svm的电机轴承故障诊断方法 |
| CN112083327A (zh) * | 2020-09-08 | 2020-12-15 | 广东电网有限责任公司广州供电局 | 一种高压真空断路器机械故障诊断方法及系统 |
| CN112597816A (zh) * | 2020-12-07 | 2021-04-02 | 合肥工业大学 | 一种电能质量信号特征提取方法 |
| CN112597816B (zh) * | 2020-12-07 | 2022-09-13 | 合肥工业大学 | 一种电能质量信号特征提取方法 |
| CN113238110A (zh) * | 2021-05-10 | 2021-08-10 | 合肥工业大学 | 一种电能质量扰动诊断方法及系统 |
| CN113887327A (zh) * | 2021-09-10 | 2022-01-04 | 淮阴工学院 | Gwo-svm的装载机循环工况作业阶段识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111368892B (zh) | 2024-01-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
| CN108562811B (zh) | 基于双向长短期记忆的复杂电能质量扰动分析方法 | |
| 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 | |
| CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
| CN112580471A (zh) | 基于AdaBoost特征提取和RNN模型的非侵入式负荷辨识方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| 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 | |
| CN113571067A (zh) | 一种基于边界攻击的声纹识别对抗样本生成方法 | |
| CN110276256A (zh) | 基于调参随机共振的低信噪比通信信号调制识别方法及装置 | |
| CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
| CN113111731A (zh) | 基于测信道信息的深度神经网络黑盒对抗样本生成方法及系统 | |
| CN114841199A (zh) | 配电网故障诊断方法、装置、设备及可读存储介质 | |
| CN114264478A (zh) | 一种柴油机曲轴轴承磨损程度预测方法及系统 | |
| Ni et al. | Power quality disturbances identification based on adaptive symplectic geometric mode decomposition and improved marine predators algorithm | |
| CN112636328A (zh) | 一种中压配电网设备负荷状态辨识方法 | |
| CN112581940A (zh) | 基于边缘计算与神经网络的放电声音检测方法 | |
| CN116298725A (zh) | 故障电弧检测方法、系统及存储介质 | |
| CN112329535B (zh) | 基于cnn的电力系统低频振荡模态特征的快速辨识方法 | |
| 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 | |
| CN113762078A (zh) | 基于vmd-cssa-lstm-mlr组合模型的湖泊tn预测方法 | |
| CN106897553A (zh) | 基于单传感器的家庭智能用电模型建立方法 | |
| CN110135281B (zh) | 一种电力系统低频振荡智能在线识别方法 | |
| Chiam et al. | Global attention-based LSTM for noisy power quality disturbance classification | |
| Wang et al. | Power Quality Disturbance Recognition Method in Park Distribution Network Based on One-Dimensional VGGNet and Multi-label Classification | |
| CN115828719B (zh) | 基于生成对抗网络的电力系统次同步振荡数据生成方法 |
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 |