CN112630560A - 一种基于小波分析的录波数据奇异熵特征提取方法 - Google Patents
一种基于小波分析的录波数据奇异熵特征提取方法 Download PDFInfo
- Publication number
- CN112630560A CN112630560A CN202011386191.1A CN202011386191A CN112630560A CN 112630560 A CN112630560 A CN 112630560A CN 202011386191 A CN202011386191 A CN 202011386191A CN 112630560 A CN112630560 A CN 112630560A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- singular
- recording data
- matrix
- 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.)
- Pending
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
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及电力系统、大数据挖掘、人工智能技术领域,且公开了一种基于小波分析的录波数据奇异熵特征提取方法,S1:对待处理的录波数据进行无量纲化化处理;S2:利用Haar小波对S1中无量纲化后的数据进行m层小波包分解,保存小波分解系数;S3:将S2中各层小波分解表示成矩阵;S4:对S3中的矩阵进行奇异值分解(SVD),得到奇异值矩阵(对角矩阵);S5:找出前l个最大的奇异值,并单位化处理;S6:对S5中的单位化的奇异值,利用熵计算方法计算奇异熵;S7:通过软件实现S2到S6的功能,得到特征;将熵方法引入故障录波数据特征提取过程,与小波系数奇异值相结合,提取的特征具有时域与频率特性,熵方法的引入将各层小波系数进行融合。
Description
技术领域
本发明涉及电力系统、大数据挖掘、人工智能技术领域,具体为一种基于小波分析的录波数据奇异熵特征提取方法。
背景技术
电力系统的安全经济运行是社会发展,人们工作生活的前提,社会的高速发展对电力需求不断增加,其中2018年全社会用电量同比增长8.7%,创近七年来新高,对电力系统的稳定性、安全性提出更高要求;录波设备是当前电气量数据采集装置的主要装置,数据采集稳定性强、采集频率高等优点,由于电力系统数据的不稳定性,当前录波装置也存在诸多缺点,对故障的识别率还远不能满足智能电网的要求。
故障的识别的准确性很大程度上取决于特征选择,传统的录波数据特征提取通常采用短时傅里叶变换(STFFT)、专家系统(ES)等方法,都具有一定的局限性,STFFT虽具有时域和频域信息,其窗口的大小和形状是固定的,即窗口没有自适应性,随着智能电网的普及,该方法不能满足电力智能化的需求。
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据奇异熵特征提取方法,具备鲁棒性、适应性强的优点,解决了窗口没有自适应性的问题。
(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据奇异熵特征提取方法,包括以下步骤:
S1:对待处理的录波数据进行无量纲化化处理;
S2:利用Haar小波对S1中无量纲化后的数据进行m层小波包分解,保存小波分解系数;
S3:将S2中各层小波分解表示成矩阵;
S4:对S3中的矩阵进行奇异值分解(SVD),得到奇异值矩阵(对角矩阵);
S5:找出前l个最大的奇异值,并单位化处理;
S6:对S5中的单位化的奇异值,利用熵计算方法计算奇异熵;
S7:通过软件实现S2到S6的功能,得到特征。
优选的,S1中录波数据进行无量纲化处理方法如下:
S11、录波数据无量纲化方法采用但不限于Max-Min方法。
优选的,S2中小波包分解过程如下:
S21、小波变换采用但不限于Haar小波,变换层数为m;
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依尺度进行存储。
优选的,S4中奇异值分解方法如下:
S41、以时间与变换尺度为行列变化指标,各尺度小波变换下的小波系数为元素,存储小波系数矩阵,记为fm;
S42、对S41中的小波矩阵fm利用矩阵分析进行奇异值分解fm=UDVT,U,V为正交矩阵,D为对角矩阵;
S43、提取出对角矩阵D的对角非零元素,并从大到小排序,记排序后的元素为d′。
优选的,S5中单位化方法如下:
S51、将d″单位化处理,单位化,记为d″′=[d″′1,d″′2,…,d″′l]
优选的,S6中小波奇异熵方法如下:
S61、利用熵方法计算5中的单位化的奇异值向量d″′的信息熵,计算方法如下
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据奇异熵特征提取方法,具备以下有益效果:
1、将奇异值分解方法引入小波包分解,将各层小波系数信息进行整合压缩,提取主要变差信息,简化了后续处理过程,传统特征处理方法通常将各层小波系数进行独立处理,不仅过程复杂,计算量也较大,不利于推广应用。本方案利用奇异值分解对小波系数进行压缩处理,简化后续处理步骤,提高了特征对数据的表现力。
2、将熵方法引入故障录波数据特征提取过程,与小波系数奇异值相结合,提取的特征具有时域与频率特性,熵方法的引入将各层小波系数进行融合。传统的特征提取往往只保留时域信息,或表征特征量过多,在录波数据匹配时对内存要求较高。本方案将熵方法、小波分析用于录波数据的特征提取,结合两种方法的优势,增强了特征的稳定性,提高计算速度。
3、对录波数据无量纲化预处理,提高了特征的可扩展性,传统特征提取一般直接对数据进行变换,导致最后得到的特征在不同系统之间的表现出较大差异。本方案基于录波数据特性,对数据进行必要的预处理,提高了特征的通用性。
附图说明
图1为本发明结构示意图;
图2为本发明中的小波变换示意图。
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据奇异熵特征提取方法,包括以下步骤:
S1:对待处理的录波数据进行无量纲化化处理;
S2:利用Haar小波对S1中无量纲化后的数据进行m层小波包分解,保存小波分解系数;
S3:将S2中各层小波分解表示成矩阵;
S4:对S3中的矩阵进行奇异值分解(SVD),得到奇异值矩阵(对角矩阵);
S5:找出前l个最大的奇异值,并单位化处理;
S6:对S5中的单位化的奇异值,利用熵计算方法计算奇异熵;
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中录波数据进行无量纲化处理方法如下:
S11、录波数据无量纲化方法采用但不限于Max-Min方法;
获取录播数据序列,记为h(t)={xt,xt+1,……,xt+n},其中xt+i,0≤i≤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Max-Min将录波序列无量纲化,归一化表达式如下
记h′(t)={x′t,x′t+1,……,x′t+n},其中xmin与xmax分别为h(t)的最小值与最大值,估计式为
xmin=min{xt,xt+1,……,xt+n}
xmax=max{xt,xt+1,……,xt+n}。
本实施例中,具体的,S2中小波包分解过程如下:
S21、小波变换采用但不限于Haar小波,变换层数为m;
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依尺度进行存储;
利用Haar小波对S1中无量纲化后的数据进行m层小波包分解,保存小波分解系数;
构造双尺度方程
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
本实施例中,具体的,采用Mallat算法进行小波变换的具体示意图如说明书附图所示:
Hj-1h(t)与Dj-1h(t)(Hj-1h(t)为平滑分量,Dj-1h(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:
本实施例中,具体的,将S2中各层小波分解表示成矩阵
以录波数据时间与分解层次为矩阵行列变化指标,构造小波系数矩阵,仍记为fm;
fm可更具体表示为
称之为小波矩阵。
本实施例中,具体的,S4中奇异值分解方法如下:
S41、以时间与变换尺度为行列变化指标,各尺度小波变换下的小波系数为元素,存储小波系数矩阵,记为fm;
S42、对S41中的小波矩阵fm利用矩阵分析进行奇异值分解fm=UDVT,U,V为正交矩阵,D为对角矩阵;
S43、提取出对角矩阵D的对角非零元素,并从大到小排序,记排序后的元素为d′;
对S3中的矩阵进行奇异值分解(SVD),得到奇异值矩阵(对角矩阵)
对S3中的小波矩阵fm利用矩阵分析进行奇异值分解
fm=UDVT
其中U,V为正交矩阵,D为对角矩阵。
提取出对角矩阵D的对角非零元素d=[d1,d2,…,dk](录波数据的基本对成性保证了d中元素基本大于零),并从大到小排序,记排序后的元素为
d′=[d′1,d′2,…,d′k]。
本实施例中,具体的,S5中单位化方法如下:
S51、将d″单位化处理,单位化,记为d″′=[d″′1,d″′2,…,d″′l]
取前l个最大的奇异值,并单位化处理;
取S4中前l个最大奇异值,其中l≤k,d″=[d′1,d′2,…,d′l];
将d″单位化处理,单位化,记为d″′
d″′=[d″′1,d″′2,…,d″′l]
本实施例中,具体的,S6中小波奇异熵方法如下:
S61、利用熵方法计算5中的单位化的奇异值向量d″′的信息熵,计算方法如下
对S5中的单位化的奇异值向量d″′,利用熵计算方法计算奇异熵
利用熵理论计算S5中的单位化的奇异值向量d″′的信息熵,记为E,得到小波奇异熵特征。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Max-Min方法对录波数据进行归一化处理,提高特征的稳定性;其次,利用Haar小波分析进行小波包分解,得到小波分解系数矩阵;然后利用矩阵分析技术对系数矩阵进行奇异值分解{SVD};最后利用熵方法将最大的三个奇异值转化成单个的特征(奇异熵),用单个特征表征多个奇异值,简化了数据表示,减少了存储消耗。本方案能快速有效地提取录波数据的奇异熵特征,为电力系统的智能化提供有效的数据支持。
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 (7)
1.一种基于小波分析的录波数据奇异熵特征提取方法,其特征在于包括以下步骤:
S1:对待处理的录波数据进行无量纲化化处理;
S2:利用Haar小波对S1中无量纲化后的数据进行m层小波包分解,保存小波分解系数;
S3:将S2中各层小波分解表示成矩阵;
S4:对S3中的矩阵进行奇异值分解(SVD),得到奇异值矩阵(对角矩阵);
S5:找出前l个最大的奇异值,并单位化处理;
S6:对S5中的单位化的奇异值,利用熵计算方法计算奇异熵;
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据奇异熵特征提取方法,其特征在于:S1中录波数据进行无量纲化处理方法如下:
S11、录波数据无量纲化方法采用但不限于Max-Min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据奇异熵特征提取方法,其特征在于:S2中小波包分解过程如下:
S21、小波变换采用但不限于Haar小波,变换层数为m;
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依尺度进行存储。
4.根据权利要求1所述的一种基于小波分析的录波数据奇异熵特征提取方法,其特征在于:S4中奇异值分解方法如下:
S41、以时间与变换尺度为行列变化指标,各尺度小波变换下的小波系数为元素,存储小波系数矩阵,记为fm;
S42、对S41中的小波矩阵fm利用矩阵分析进行奇异值分解fm=UDVT,U,V为正交矩阵,D为对角矩阵;
S43、提取出对角矩阵D的对角非零元素,并从大到小排序,记排序后的元素为d′。
7.根据权利要求1所述的一种基于小波分析的录波数据奇异熵特征提取方法,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 |
---|---|---|---|
CN202011386191.1A CN112630560A (zh) | 2020-12-01 | 2020-12-01 | 一种基于小波分析的录波数据奇异熵特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011386191.1A CN112630560A (zh) | 2020-12-01 | 2020-12-01 | 一种基于小波分析的录波数据奇异熵特征提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112630560A true CN112630560A (zh) | 2021-04-09 |
Family
ID=75307190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011386191.1A Pending CN112630560A (zh) | 2020-12-01 | 2020-12-01 | 一种基于小波分析的录波数据奇异熵特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112630560A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344913A (zh) * | 2007-07-10 | 2009-01-14 | 电子科技大学中山学院 | 一种通过提取虹膜纹理特征进行身份识别的方法 |
CN103454528A (zh) * | 2013-08-30 | 2013-12-18 | 华南理工大学 | 基于形态奇异熵的电力系统元件故障检测及识别方法 |
CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
CN108197645A (zh) * | 2017-12-28 | 2018-06-22 | 国家电网公司 | 一种基于小波包奇异熵的费控故障智能诊断方法 |
CN110346157A (zh) * | 2018-04-04 | 2019-10-18 | 国网安徽省电力有限公司电力科学研究院 | 一种小波奇异熵在堆垛机周期性故障检测的应用方法 |
CN110781854A (zh) * | 2019-11-04 | 2020-02-11 | 上海联影智能医疗科技有限公司 | 故障检测模型的训练方法和机电设备的故障检测方法 |
CN111965508A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种基于小波变换的局部放电信号检测方法 |
-
2020
- 2020-12-01 CN CN202011386191.1A patent/CN112630560A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101344913A (zh) * | 2007-07-10 | 2009-01-14 | 电子科技大学中山学院 | 一种通过提取虹膜纹理特征进行身份识别的方法 |
CN103454528A (zh) * | 2013-08-30 | 2013-12-18 | 华南理工大学 | 基于形态奇异熵的电力系统元件故障检测及识别方法 |
CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
CN108197645A (zh) * | 2017-12-28 | 2018-06-22 | 国家电网公司 | 一种基于小波包奇异熵的费控故障智能诊断方法 |
CN110346157A (zh) * | 2018-04-04 | 2019-10-18 | 国网安徽省电力有限公司电力科学研究院 | 一种小波奇异熵在堆垛机周期性故障检测的应用方法 |
CN110781854A (zh) * | 2019-11-04 | 2020-02-11 | 上海联影智能医疗科技有限公司 | 故障检测模型的训练方法和机电设备的故障检测方法 |
CN111965508A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种基于小波变换的局部放电信号检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109344731B (zh) | 基于神经网络的轻量级的人脸识别方法 | |
He et al. | A dual global–local attention network for hyperspectral band selection | |
He et al. | Rotation invariant texture descriptor using local shearlet-based energy histograms | |
CN110598584A (zh) | 一种基于小波变换和dct的卷积神经网络人脸识别算法 | |
CN108205703B (zh) | 多输入多输出矩阵平均值池化向量化实现方法 | |
Kumar et al. | An efficient technique for image compression and quality retrieval using matrix completion | |
CN112949533B (zh) | 一种基于相对小波包熵脑网络和改进版lasso的运动想象脑电识别方法 | |
Oh et al. | Convolutional neural network and 2-D image based fault diagnosis of bearing without retraining | |
CN111476339A (zh) | 滚动轴承故障特征提取方法、智能诊断方法及系统 | |
Lotfi et al. | Combining wavelet transforms and neural networks for image classification | |
CN112215490B (zh) | 一种基于相关性系数改进K-means的电力负荷聚类分析方法 | |
CN112630560A (zh) | 一种基于小波分析的录波数据奇异熵特征提取方法 | |
CN113505856A (zh) | 一种高光谱影像无监督自适应分类方法 | |
Wang et al. | Hyperspectral image feature classification using stationary wavelet transform | |
Chen et al. | Texture image retrieval based on contourlet-2.3 and generalized Gaussian density model | |
CN112395545B (zh) | 一种基于小波分析的录波数时频熵值特征提取方法 | |
CN111753904A (zh) | 一种快速高光谱图像聚类方法、装置、设备及介质 | |
Hilles | Sofm and vector quantization for image compression by component | |
CN116720060A (zh) | 一种基于轻量化深度学习模型的射频指纹识别方法 | |
Alim et al. | The most discriminant subbands for face recognition: A novel information-theoretic framework | |
CN108304885A (zh) | 一种Gabor小波CNN图像分类方法 | |
CN114139586A (zh) | 基于多尺度分析二维特征提取的电能质量复合扰动识别方法 | |
CN106650678A (zh) | Gabor小波子带相关结构人脸识别方法 | |
CN113159185A (zh) | 一种基于嵌套网络模型的相似图像检索方法及系统 | |
Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210409 |