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

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

一种基于小波分析的录波数据奇异熵特征提取方法

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f_m；

S42、对S41中的小波矩阵f_m利用矩阵分析进行奇异值分解f_m＝UDV^T，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)＝{x_t,x_t+1,……,x_t+n}，其中x_t+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x_min与x_max分别为h(t)的最小值与最大值，估计式为

x_min＝min{x_t,x_t+1,……,x_t+n}

x_max＝max{x_t,x_t+1,……,x_t+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；

利用Haar小波对h′(t)＝{x′_t,x′_t+1,……,x′_t+n}进行m层小波包分解，设

是一个多分辨率分析尺度函数

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：

H_j-1h(t)与D_j-1h(t)(H_j-1h(t)为平滑分量，D_j-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：

与

分别为低通与高通滤波系数，计算表达式如下：

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f_m；

f_m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f_m；

S42、对S41中的小波矩阵f_m利用矩阵分析进行奇异值分解f_m＝UDV^T，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f_m利用矩阵分析进行奇异值分解

f_m＝UDV^T

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,…,d_k](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]

其中

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f_m；

S42、对S41中的小波矩阵f_m利用矩阵分析进行奇异值分解f_m＝UDV^T，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′。

5.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：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]

6.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：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

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++。

Images