CN111610394A - 一种电气化铁路牵引供电系统电能质量扰动定位与识别方法 - Google Patents

一种电气化铁路牵引供电系统电能质量扰动定位与识别方法 Download PDF

Info

Publication number
CN111610394A
CN111610394A CN202010433097.0A CN202010433097A CN111610394A CN 111610394 A CN111610394 A CN 111610394A CN 202010433097 A CN202010433097 A CN 202010433097A CN 111610394 A CN111610394 A CN 111610394A
Authority
CN
China
Prior art keywords
deep belief
belief network
disturbance
training
boltzmann machine
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
Application number
CN202010433097.0A
Other languages
English (en)
Inventor
易灵芝
王仕通
桂庆忠
赵健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN202010433097.0A priority Critical patent/CN111610394A/zh
Publication of CN111610394A publication Critical patent/CN111610394A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/001—Measuring interference from external sources to, or emission from, the device under test, e.g. EMC, EMI, EMP or ESD testing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Electromagnetism (AREA)
  • Water Supply & Treatment (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种电气化铁路牵引供电电能质量扰动识别方法，特别涉及一种基于集合经验模态分解和深度信念网络的牵引供电系统电能质量识别方法。它包括以下步骤：对原始检测信号加入白噪声；用EMD分解算法分解得到的优化后的信号得到IMF；对得到的IMF的均值进行Hilbert变换；采用深度信念网络进行扰动识别；本发明能更好获取扰动的信息，对电气化铁路牵引供电系统电能质量扰动识别率高。

Description

一种电气化铁路牵引供电系统电能质量扰动定位与识别方法
技术领域
本发明涉及一种电气化铁路牵引供电电能质量扰动识别方法，特别涉及一种基于集合经验模态分解和深度信念网络的牵引供电系统电能质量识别方法。
背景技术
自从电力电子技术得到广泛应用以来，给我们的日常生活带来了极大的便利。但与此同时，电力电子装置和非线性电气装置的大规模使用也使得电网中的电压和电流波形产生了严重的畸变，这导致了电能质量的严重恶化。因此，如何提高电能质量成为目前电力系统相关领域的热点课题。而作为电网中重要的组成部分，电气化铁路既是国民经济命脉之一同时又是产生电网污染的重要来源。因此，对电气化铁路牵引供电系统电能质量扰动的研究和治理受到了越来越多的重视，而快速、准确地对牵引电能质量扰动识别类型进行判断也是其中的重要环节，同时也是评价和改善电能质量的重要措施。
目前国内外对电气化铁路牵引供电系统研究还不是很多，目前比较常见的主要为时域仿真技术和数学变换。基于数字变换的方法主要是利用如短时傅立叶变换，S变换等技术，但他们都存在各自的不足。短时傅立叶变换由于其时间窗长度和形状相对固定，不能同时体现高频及低频的特征，存在局限性；用S变换法对电能质量扰动进行检测与分类，检测定位精度较高，分类相对准确，但S变换运算量较大，实时性难保证；
发明内容
为了解决电气化牵引供电系统电能质量扰动识别类型的技术问题，本发明提供一种速度更快，实时性更强且定位精度高的牵引供电系统电能质量扰动定位与识别的方法。
本发明解决上述技术问题的技术方案是：
对原始检测信号加入白噪声；
用EMD分解算法分解得到的优化后的信号得到IMF；
对得到的IMF的均值进行Hilbert变换；
采用深度信念网络进行扰动识别。
附图说明
图1是本发明的流程图
图2是本发明中给原始信号加入白噪声的过程
图3是本发明中用EMd分解算法得到IMF的流程图
图4是本发明中深度信念网络训练流程图
具体实施方式
步骤一：添加白噪声，在原始信号x(t)的基础上，将白噪声加入到待分解的信号中，得到信号s(t)，通过对原始信号的优化，弥补了原有信号缺失时间尺度的缺点，使信号更加的平滑，克服模态混叠的现象；
步骤二：分解，计算信号的s(t)的极值分布，通过三次样条插值的方法构造极大值和极小值的包络线，设信号的极值包络函数为f(t)，则有公式
Figure BDA0002499983710000021
在上述公式中，u(t)和v(t)分别为信号的上包络线和下包络线。同时设极值的包络函数f(t)的均值为e1，计算信号s(t)与e1的差值，并设该差值为c1
c1＝s(t)-e1 (2)
通过与IMF分量进行对比，若c1符合IMF的条件，则将其标记为第一个固有模态IMF，标号为c1，如果不符合，则用f(t)替换原来的c1，继续执行公式2，将第一个IMF分量c1从信号x(t)中分离出来得到r1为
r1＝x(t)-e1 (3)
步骤三：将分离得到的r1作为新的分解信号x(t)，继续执行步骤二，以此类推不断循环，分离得到IMF的各次分量，直至循环第n个分量rn为单调函数时，执行完毕。由此得到重构后的信号为
Figure BDA0002499983710000031
上式4中，rn表示残余分量，ci表示信号从低到高不同的频率成分。将上述从原始信号分离出IMF的方法称为“筛分”。但实际过程中，由于包络线均值m1很难为零，为此引入标准偏差系数作为评判是否满足IMF条件的标准。其中标准偏差系数SD表达式如下
Figure BDA0002499983710000032
式5中：通常&1的取值在0.2到0.3之间，i为分解层数，当标准偏差系数满足式5时，此时认为分解得到的IMF固有模态分量符合要求；
步骤四：对得到的满足要求的IMF固有模态分量进行Hilbert变换
Figure BDA0002499983710000041
其中解析信号可以表示为
Figure BDA0002499983710000042
幅值函数和相位函数分别为
Figure BDA0002499983710000043
瞬时频率为
Figure BDA0002499983710000044
通过上面两个式子可以提取扰动信号的瞬时幅值和瞬时频率，以对扰动发生的特征进行描述。
本发明的利用深度信念网络对扰动信号识别步骤如下：
步骤一：初始化神经元层数n以及神经元数量N，每一次训练送入的数据数量M，训练深度信念网络的迭代次数P，训练深度信念网络中每一个限制波尔兹曼机的迭代次数p′，训练深度信念网络的当前迭代次数T，训练深度信念网络中限制波尔兹曼机的当前迭代次数T′；
步骤二：获取正常样本和故障样本；
步骤三：训练深度信念网络中第一个限制波尔兹曼机，将训练数据赋给显层v(0)，计算它使隐层神经元被开启的概率
Figure BDA0002499983710000045
其中上标用于区分不同向量，下标j代表维度；
步骤四：从计算出的概率分布中抽取一个样本
Figure BDA0002499983710000051
步骤五：用h(0)重构显层，同时抽取其中的一个样本；
步骤六：计算重构后隐层神经元被开启的概率
Figure BDA0002499983710000052
步骤七：更新权重W,b,c
Figure BDA0002499983710000053
bj＝bj+v(0)-v(1)
Figure BDA0002499983710000054
步骤八：判断T′＝P′，否，T′＝T′+1，返回到步骤3；是，继续下一步；
步骤九：将第一个限制波尔兹曼机的权重系数和偏移系数固定好，然后使用其最终输出作为第二个限制波尔兹曼机的输入；
步骤十：重复步骤三至步骤八训练好第二个限制波尔兹曼机；
步骤十一：计算第二个限制波尔兹曼机的输出Yi；
步骤十二：计算输出误差MSE
Figure BDA0002499983710000055
步骤十三：用梯度下降法对误差函数进行优化，再反向传播回每一层进行参数微调；
步骤十四：判断T＝P，否，T＝T+1，返回到步骤11；是，继续下一步；
步骤十五：将定位后的样本数据送入训练好的模型中进行分类识别。

Claims (2)

1.一种基于集合经验模态分解和深度信念网络的电气化铁路牵引供电质量扰动定位与识别方法，包括以下步骤：
给原始信号添加白噪声；
用EMd分解算法得到IMF；
对得到的IMF的均值进行Hilbert变换；
采用深度信念网络进行扰动识别。
2.根据权利要求1所述的基于集合经验模态分解和深度信念网络的配电网系统电能质量扰动定位与识别方法，所述采用深度信念网络进行扰动识别的步骤为：
步骤一：初始化神经元层数n以及神经元数量N，每一次训练送入的数据数量M，训练深度信念网络的迭代次数P，训练深度信念网络中每一个限制波尔兹曼机的迭代次数p′，训练深度信念网络的当前迭代次数T，训练深度信念网络中限制波尔兹曼机的当前迭代次数T′；
步骤二：获取正常样本和故障样本；
步骤三：训练深度信念网络中第一个限制波尔兹曼机，将训练数据赋给显层v(0)，计算它使隐层神经元被开启的概率
Figure FDA0002499983700000011
其中上标用于区分不同向量，下标j代表维度；
步骤四：从计算出的概率分布中抽取一个样本
Figure FDA0002499983700000012
步骤五：用h(0)重构显层，同时抽取其中的一个样本；
步骤六：计算重构后隐层神经元被开启的概率
Figure FDA0002499983700000013
步骤七：更新权重W,b,c
Figure FDA0002499983700000021
bj＝bj+v(0)-v(1)
Figure FDA0002499983700000022
步骤八：判断T′＝P′，否，T′＝T′+1，返回到步骤三；是，继续下一步；
步骤九：将第一个限制波尔兹曼机的权重系数和偏移系数固定好，然后使用其最终输出作为第二个限制波尔兹曼机的输入；
步骤十：重复步骤三至步骤八训练好第二个限制波尔兹曼机；
步骤十一：计算第二个限制波尔兹曼机的输出Yi；
步骤十二：计算输出误差MSE
Figure FDA0002499983700000023
步骤十三：用梯度下降法对误差函数进行优化，再反向传播回每一层进行参数微调；
步骤十四：判断T＝P，否，T＝T+1，返回到步骤十一；是，继续下一步；
步骤十五：将定位后的样本数据送入训练好的模型中进行分类识别。
CN202010433097.0A 2020-05-20 2020-05-20 一种电气化铁路牵引供电系统电能质量扰动定位与识别方法 Pending CN111610394A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010433097.0A CN111610394A (zh) 2020-05-20 2020-05-20 一种电气化铁路牵引供电系统电能质量扰动定位与识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010433097.0A CN111610394A (zh) 2020-05-20 2020-05-20 一种电气化铁路牵引供电系统电能质量扰动定位与识别方法

Publications (1)

Publication Number Publication Date
CN111610394A true CN111610394A (zh) 2020-09-01

Family

ID=72195032

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010433097.0A Pending CN111610394A (zh) 2020-05-20 2020-05-20 一种电气化铁路牵引供电系统电能质量扰动定位与识别方法

Country Status (1)

Country Link
CN (1) CN111610394A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409058A (zh) * 2022-05-17 2022-11-29 中国人民解放军国防科技大学 面向自动调制识别深度网络的对抗扰动生成方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109358230A (zh) * 2018-10-29 2019-02-19 国网甘肃省电力公司电力科学研究院 一种微电网中计及间谐波的智能电能计量方法
CN110119846A (zh) * 2019-05-10 2019-08-13 湘潭大学 一种用于中期电力负荷预测的多目标深度信念网络

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109358230A (zh) * 2018-10-29 2019-02-19 国网甘肃省电力公司电力科学研究院 一种微电网中计及间谐波的智能电能计量方法
CN110119846A (zh) * 2019-05-10 2019-08-13 湘潭大学 一种用于中期电力负荷预测的多目标深度信念网络

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115409058A (zh) * 2022-05-17 2022-11-29 中国人民解放军国防科技大学 面向自动调制识别深度网络的对抗扰动生成方法及系统

Similar Documents

Publication Publication Date Title
CN109214575B (zh) 一种基于小波长短期记忆网络的超短期风电功率预测方法
EP3832553A1 (en) Method for identifying energy of micro-energy device on basis of bp neural network
CN107702922B (zh) 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法
CN109101910B (zh) 一种基于噪声甄别的大地电磁信号去噪方法
CN110808580B (zh) 基于小波变换和极限学习机的电压暂降源快速辨识方法
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
CN104751000A (zh) 一种机电复合传动状态监测信号小波降噪方法
CN113821978B (zh) 基于改进步长lms自适应算法的行波检测方法和系统
CN112086100B (zh) 基于量化误差熵的多层随机神经网络的城市噪音识别方法
Barrios et al. Partial discharge identification in MV switchgear using scalogram representations and convolutional AutoEncoder
CN112147474A (zh) Xlpe电力电缆典型缺陷局部放电类型识别系统及方法
CN113378652A (zh) 一种基于ewt-mpe-pso-bp的扰动分类方法
CN111610394A (zh) 一种电气化铁路牵引供电系统电能质量扰动定位与识别方法
CN111860664A (zh) 超声平面波复合成像方法、装置及存储介质
CN114333773A (zh) 一种基于自编码器的工业场景异常声音检测与识别方法
CN113514743B (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN111506868A (zh) 一种基于hht权值优化的超短期风速预测方法
CN113987831A (zh) 一种多虚拟同步发电机低频振荡特征的辨识方法
CN113780160A (zh) 一种电能质量扰动信号分类方法和系统
CN113076892A (zh) 一种基于深度学习sdae-bp的暂降类型识别方法、装置和系统
CN113740671A (zh) 一种基于vmd和elm的故障电弧识别方法
An et al. A parameter-optimized variational mode decomposition investigation for fault feature extraction of rolling element bearings
CN115936196A (zh) 基于时序卷积网络的月降水模型预测方法
Moliner et al. Realistic gramophone noise synthesis using a diffusion model
CN113919388A (zh) 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置

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: 20200901