CN112395545B - 一种基于小波分析的录波数时频熵值特征提取方法 - Google Patents
一种基于小波分析的录波数时频熵值特征提取方法 Download PDFInfo
- Publication number
- CN112395545B CN112395545B CN202011348561.2A CN202011348561A CN112395545B CN 112395545 B CN112395545 B CN 112395545B CN 202011348561 A CN202011348561 A CN 202011348561A CN 112395545 B CN112395545 B CN 112395545B
- Authority
- CN
- China
- Prior art keywords
- wavelet
- frequency
- time
- data
- entropy
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及电力系统、大数据挖掘和人工智能技术领域,且公开了一种基于小波分析的录波数时频熵值特征提取方法,包括以下步骤:S1:对待处理的录波数据进行归一化处理;S2:利用Morlet小波对S1中归一化后的数据进行最大尺度为100小波变换,保存小波系数与尺度数据;S3:将S2中小波尺度数据转化为频率;S4:利用S2中的小波系数与S3中频率,并结合录波数据的时间特性,频谱特征矩阵;S5:利用积分法对S4中的时频特征进行处理,得到录波数据的能量谱矩阵;在进行录波数据特征提取之前对数据进行无量纲化处理,提高了特征的鲁棒性与可迁移能力,本方案基于录波数据特性,对数据进行必要的前期预处理,提高了特征的稳定性。
Description
技术领域
本发明涉及电力系统、大数据挖掘和人工智能技术领域,具体为一种基于小波分析的录波数时频熵值特征提取方法。
背景技术
电力作为广泛使用的能源,为人类提供方便高效的生活工作方式,2018年国内人均年用电达144.1度。电力系统作为电网的核心部分,电力系统的安全经济运行是人们有效使用电能前提。录波装置作为电力系统中广泛使用的电气量数据记录装置,具有数据采集便捷、采集频率高等优点,另一方面由于电力系统数据的复杂性,录波装置也存在诸多不足,如在故障识别方面存在较多的误判、漏报等情况。
当前录波数据特征提取基本采用传统的傅里叶变换、规则提取、专家系统等方法,这几类方法都具有一定的局限性,傅里叶变换不同时具有时域和频域信息,专家系统工作量大且可移植性差等。随着智能电网的应用于普及,这种处理方式不能满足智能化的要求。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于小波分析的录波数时频熵值特征提取方法,具备强鲁棒性、适应性强的特点的优点,解决了局限性的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基于小波分析的录波数时频熵值特征提取方法,包括以下步骤:
S1:对待处理的录波数据进行归一化处理;
S2:利用Morlet小波对S1中归一化后的数据进行最大尺度为100小波变换,保存小波系数与尺度数据;
S3:将S2中小波尺度数据转化为频率;
S4:利用S2中的小波系数与S3中频率,并结合录波数据的时间特性,频谱特征矩阵;
S5:利用积分法对S4中的时频特征进行处理,得到录波数据的能量谱矩阵;
S6:对S5中的能量谱,利用熵的计算理论,得到时频熵;
S7:通过软件实现S2到S6的功能,得到特征。
优选的,S1中录波数据进行归一化处理方法如下:
S11、录波数据归一化方法采用但不限于z-score方法。
优选的,S2中小波变换过程如下:
S21、小波变换采用但不限于Symmlet小波变换,变换最大尺度为100;
S22、小波变换具体过程具体采用Mallat算法,并对变换后的小波系数与尺度进行存储。
优选的,S4中时频谱矩阵计算方法如下:
S41、以时间与频率为行列变化指标,各尺度小波变换下的小波系数为元素,存储时频谱矩阵,记为Cr。
优选的,S5中能量谱矩阵方法如下:
优选的,S6中小波时频熵方法如下:
S63、利用熵理论求出各层小波系数的信息熵。
优选的,S7所述的软件编程:
S71、编程语言采用但不限于Python,C++。
(三)有益效果
与现有技术相比,本发明提供了一种基于小波分析的录波数时频熵值特征提取方法,具备以下有益效果:
1、在进行录波数据特征提取之前对数据进行无量纲化处理,提高了特征的鲁棒性与可迁移能力。传统特征提取过程中往往对数据直接进行小波处理,导致最后得到的特征在不同系统之间的表现出较大差异,而不得重新计算特征库,本方案基于录波数据特性,对数据进行必要的前期预处理,提高了特征的稳定性;
2、将信息熵引入故障录波数据特征提取过程,并与小波变换相结合,使得提取的特征不经同时具有时域与频率特性,同时信息熵的引入将大量小波尺度统一起来,得到整个数据的重要表征。传统的特征提取往往只保留时域信息或只保留了频率信息,同时变换后特征数量较大,在进行数据匹配时耗时较高。本方案将小波分析用于录波数据的特征提取,并引入信息熵方法,将信息熵与小波分析相结合,将两者的优势结合起来,提高了特征的鲁棒性,减少了后续的计算量,提高运算速度。
附图说明
图1为本发明结构示意图;
图2为采用Mallat算法进行小波变换的具体示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
请参阅图1-2,一种基于小波分析的录波数时频熵值特征提取方法,包括以下步骤:
S1:对待处理的录波数据进行归一化处理;
S2:利用Morlet小波对S1中归一化后的数据进行最大尺度为100小波变换,保存小波系数与尺度数据;
S3:将S2中小波尺度数据转化为频率;
S4:利用S2中的小波系数与S3中频率,并结合录波数据的时间特性,频谱特征矩阵;
S5:利用积分法对S4中的时频特征进行处理,得到录波数据的能量谱矩阵;
S6:对S5中的能量谱,利用熵的计算理论,得到时频熵;
S7:通过软件实现S2到S6的功能,得到特征。
本实施例中,具体的,S1中录波数据进行归一化处理方法如下:
S11、录波数据归一化方法采用但不限于z-score方法;
获取录播数据序列,记为f(t)={rt,rt+1,……,rt+n},其中ri,t≤i≤t+n为数据元素,t与n分别为录波起始时间与序列长度;
利用z-score将录波序列归一化,归一化表达式如下
记f’(t)={r’t,r’t+1,……,r’t+n},其中r与σr分别为f(t)的平均值与标准差,估计式为
本实施例中,具体的,S2中小波变换过程如下:
S21、小波变换采用但不限于Symmlet小波变换,变换最大尺度为100;
S22、小波变换具体过程具体采用Mallat算法,并对变换后的小波系数与尺度进行存储;
并利用尺度函数构造
双尺度方程中系数可通过以下表达式计算
其中<·,·>表示内积;
Hj-1f(t)与Dj-1f(t)(Hj-1f(t)为平滑分量,Dj-1f(t)为细节分量)之间的基本关系如下:
离散平滑逼近:
离散细节分量:
小波分解得到的各层小波系数记为Cr={C1,C2,……,Ck},各层分解尺度记为Sr={s1,s2,……,sk};
本实施例中,具体的,S3中频率计算过程如下:
小波变换时尺度与频率的关系式
这里s,T,f0,fa,b分别为小波尺度,录波数据的采用间隔(单位为秒),母小波频窗中心频率与小波基函数(尺度参数为a,平移参数为b的基波)的中心频率,计算得到的频率序列记为ωr={ω1,ω2,……,ωk}。
本实施例中,具体的,S4中时频谱矩阵计算方法如下:
S41、以时间与频率为行列变化指标,各尺度小波变换下的小波系数为元素,存储时频谱矩阵,记为Cr;
Cr可更具体表示为
称之为时频谱矩阵。
本实施例中,具体的,S5中能量谱矩阵方法如下:
本实施例中,具体的,S6中小波时频熵方法如下:
S63、利用熵理论求出各层小波系数的信息熵;
对S5中的能量谱,利用积分求和与熵的计算理论,得到时频熵特征
利用熵理论求出各层小波系数的信息熵,记为E,得到小波时频熵特征。计算方法如下:
本实施例中,具体的,S7所述的软件编程:
S71、编程语言采用但不限于Python,C++。
工作原理:首先,利用z-score方法对录波数据进行无量纲化处理,避免由于不同系统之间数据的量纲差异,提高特征的鲁棒性;通诺小波分析进行小波分解,结合小波尺度与频率的变换关系,得到时频谱,同时保留信号的时间特性与频率特征;利用信息熵方法时频谱转化成单个的特征(时频熵),避免在序列匹配过程计算量过大,提高了计算速度。本方案能快速有效地提取录波数据的时频熵特征,为电力系统的智能化提供有效的数据支撑。
本实施例中,将小波方法与信息熵相结合,提取录波数据的信息熵特征。该特征同时具有时域与频域的特征信息,具有强鲁棒性、适应性强的特点。将该特征应用在电力系统的故障诊断中,能在一定程度上提高故障识别精度,对智能电网具有一定的推动作用。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种基于小波分析的录波数时频熵值特征提取方法,其特征在于包括以下步骤:
S1:对待处理的录波数据进行归一化处理;
S2:利用Morlet小波对S1中归一化后的数据进行最大尺度为100小波变换,保存小波系数与尺度数据;
S3:将S2中小波尺度数据转化为频率;
S4:利用S2中的小波系数与S3中频率,并结合录波数据的时间特性,频谱特征矩阵;
其中,S4中时频谱矩阵计算方法如下:
S41、以时间与频率为行列变化指标,各尺度小波变换下的小波系数为元素,存储时频谱矩阵,记为Cr;
S5:利用积分法对S4中的时频特征进行处理,得到录波数据的能量谱矩阵;
S51、对S41中的Cr时频谱矩阵个元素分别平方得到能量谱矩阵,进行存储;
S6:对S5中的能量谱,利用熵的计算理论,得到时频熵;
S7:通过软件实现S2到S6的功能,得到特征。
2.根据权利要求1所述的一种基于小波分析的录波数时频熵值特征提取方法,其特征在于:S1中录波数据进行归一化处理方法如下:
S11、录波数据归一化方法采用但不限于z-score方法。
3.根据权利要求1所述的一种基于小波分析的录波数时频熵值特征提取方法,其特征在于:S2中小波变换过程如下:
S21、小波变换采用但不限于Symmlet小波变换,变换最大尺度为100;
S22、小波变换具体过程具体采用Mallat算法,并对变换后的小波系数与尺度进行存储。
4.根据权利要求1所述的一种基于小波分析的录波数时频熵值特征提取方法,其特征在于:S6中小波时频熵方法如下:
S61、对S51中的能量谱矩阵各元素分别求和,数值记为S;
S62、对能量谱矩阵各行求和,并利用S61的S单位化,得到列向量G;
S63、利用熵理论求出各层小波系数的信息熵。
5.根据权利要求1所述的一种基于小波分析的录波数时频熵值特征提取方法,其特征在于:S7所述的软件编程:S71、编程语言采用但不限于Python,C++。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011348561.2A CN112395545B (zh) | 2020-11-26 | 2020-11-26 | 一种基于小波分析的录波数时频熵值特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011348561.2A CN112395545B (zh) | 2020-11-26 | 2020-11-26 | 一种基于小波分析的录波数时频熵值特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395545A CN112395545A (zh) | 2021-02-23 |
CN112395545B true CN112395545B (zh) | 2022-12-06 |
Family
ID=74605267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011348561.2A Active CN112395545B (zh) | 2020-11-26 | 2020-11-26 | 一种基于小波分析的录波数时频熵值特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395545B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115455451B (zh) * | 2022-09-23 | 2023-10-24 | 北京国联视讯信息技术股份有限公司 | 一种加密数据分级解密方法及ai系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5262958A (en) * | 1991-04-05 | 1993-11-16 | Texas Instruments Incorporated | Spline-wavelet signal analyzers and methods for processing signals |
CN103217213B (zh) * | 2013-02-21 | 2014-12-10 | 北京工业大学 | 基于响应信号时频联合分布特征的模态参数辨识方法 |
CN106597260B (zh) * | 2016-12-29 | 2020-04-03 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN109974782B (zh) * | 2019-04-10 | 2021-03-02 | 郑州轻工业学院 | 基于大数据敏感特征优化选取的设备故障预警方法及系统 |
CN110595765A (zh) * | 2019-08-26 | 2019-12-20 | 西安理工大学 | 基于vmd和fa_pnn风电机组齿轮箱故障诊断方法 |
CN111557660A (zh) * | 2020-06-08 | 2020-08-21 | 东北大学 | 一种亚群体深度学习框架下的心律失常识别方法 |
-
2020
- 2020-11-26 CN CN202011348561.2A patent/CN112395545B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112395545A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qiu et al. | Power quality disturbances recognition using modified s transform and parallel stack sparse auto-encoder | |
Yadav et al. | Electrocardiogram signal denoising using non‐local wavelet transform domain filtering | |
Zhang et al. | Automated detection of myocardial infarction using a gramian angular field and principal component analysis network | |
CN110840402A (zh) | 一种基于机器学习的房颤信号识别方法及系统 | |
Ma et al. | Multi-classification of arrhythmias using ResNet with CBAM on CWGAN-GP augmented ECG Gramian Angular Summation Field | |
CN112395545B (zh) | 一种基于小波分析的录波数时频熵值特征提取方法 | |
Grossi et al. | High-rate compression of ECG signals by an accuracy-driven sparsity model relying on natural basis | |
Istepanian et al. | Comparative analysis of genomic signal processing for microarray data clustering | |
Yao et al. | A new method based CEEMDAN for removal of baseline wander and powerline interference in ECG signals | |
Yao et al. | Interpretation of electrocardiogram heartbeat by CNN and GRU | |
CN106788092A (zh) | 一种基于原子分解法的同步电机参数辨识方法 | |
CN115429289A (zh) | 一种脑机接口训练数据扩增方法、装置、介质及电子设备 | |
Ji et al. | An intelligent diagnostic method of ECG signal based on Markov transition field and a ResNet | |
Zhu et al. | A novel asymmetrical autoencoder with a sparsifying discrete cosine stockwell transform layer for gearbox sensor data compression | |
Pal et al. | A hybrid 2d ecg compression algorithm using dct and embedded zero tree wavelet | |
Singhal et al. | Gsmd-srst: Group sparse mode decomposition and superlet transform based technique for multi-level classification of cardiac arrhythmia | |
CN117054803A (zh) | 一种含分布式光伏配电网接地故障辨识方法及系统 | |
CN115281676A (zh) | 基于gru神经网络和ecg信号的疲劳检测方法 | |
CN114530847A (zh) | 非活性电流谐波结合XGBoost的非侵入式负荷辨识方法 | |
CN115544476A (zh) | Ecg身份识别方法、装置、电子设备及存储介质 | |
CN103908243A (zh) | 一种提升小波和中值滤波相结合的算法 | |
Latif et al. | ECG signal compression based on ASCII coding using CUDA architecture | |
Abdali-Mohammadi | 12 lead electrocardiography signals compression by a new genetic programming based mathematical modeling algorithm | |
Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm | |
CN112446307A (zh) | 基于局部约束的非负矩阵分解的心电身份识别方法及系统 |
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 |