CN113269261B - 一种配网波形智能分类方法 - Google Patents
一种配网波形智能分类方法 Download PDFInfo
- Publication number
- CN113269261B CN113269261B CN202110605868.4A CN202110605868A CN113269261B CN 113269261 B CN113269261 B CN 113269261B CN 202110605868 A CN202110605868 A CN 202110605868A CN 113269261 B CN113269261 B CN 113269261B
- Authority
- CN
- China
- Prior art keywords
- domain
- neural network
- under
- neuron
- training
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 210000002569 neuron Anatomy 0.000 claims description 78
- 230000000875 corresponding effect Effects 0.000 claims description 34
- 230000009471 action Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims 4
- 238000000605 extraction Methods 0.000 abstract description 9
- 230000036039 immunity Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 7
- 239000002131 composite material Substances 0.000 description 5
- 230000010355 oscillation Effects 0.000 description 5
- 230000001052 transient effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Complex Calculations (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种配网波形智能分类方法,步骤S1:对神经网络进行训练,得到三个不同的BP神经网络;步骤S2:获得测试样本在各域下的特征,分别输入上述训练完成得到的三个对应的BP神经网络,得到各域下的辨识结果;然后基于证据理论对上述各域下的辨识结果进行融合,用以提高辨识结果的可靠性。本发明在各种情况下均有较高的分类精度,受特征提取方法、噪声以及扰动间干扰的影响小,识别鲁棒性和抗噪性均较强,算法的泛化能力较高。此外通过不同训练样本量下辨识结果的对比,证明了本发明所提出的方法在样本较少的情况下,仍然具有很高的辨识结果。
Description
技术领域
本发明涉及电力领域,特别是一种配网波形智能分类方法。
背景技术
目前,专家学者对电网扰动波形分类算法进行了大量的研究。具体为:(1)利用加窗傅里叶变换提取扰动中的频域信息用于含有谐波的扰动分类。(2)通过对扰动进行短时傅里叶变换提取时频相量,进而使用支持向量机完成扰动的分类。(3)利用短时傅里叶变换得到扰动特征序列以生成时频域特征曲线,利用决策树实现单一和复合扰动识别。(4)将小波变换得到的小波系数熵和能量值作为特征量输入神经网络,从而实现扰动信号的分类。(5)利用松散型小波提取系数幅值特征,进而通过梯度下降法优化的BP神经网络加以辨识。(6)基于极大重叠离散小波提取小波系数能量,利用隐马尔科夫模型对扰动进行分类识别。(7)基于可调窗的连续复小波和专家系统来识别多重电能扰动。(8)在对信号进行S变换后采用统计的方法确定两种最优特征,将其作为训练样本输入二元树结构支持向量机以实现扰动的辨识。(9)利用快速S变换提取时频特征和能量特征,通过决策树实现噪声影响下扰动信号的辨识。
综上所述,当前各种扰动分类方法主要基于各类扰动的定义或者变换到某个域下的典型特征进行分类。然而基于变换的各种特征提取方法均有其适用性,加以噪声和扰动间干扰的影响,使得提取的不同扰动典型特征间可能出现重叠现象,影响扰动辨识的准确性。
发明内容
鉴于此,本发明的目的是提供一种配网波形智能分类方法,能够具有很高的辨识结果。
本发明采用以下方案实现:一种配网波形智能分类方法,包括以下步骤:
步骤S1:对神经网络进行训练,得到三个不同的BP神经网络;
步骤S2:获得测试样本在各域下的特征,分别输入上述训练完成得到的三个对应的BP神经网络,得到各域下的辨识结果;然后基于证据理论对上述各域下的辨识结果进行融合,用以提高辨识结果的可靠性。
进一步地,所述步骤S1具体包括以下步骤:
步骤S11:提供训练样本,对训练样本分别提取各域下的特征并进行归一化处理,所述各域包括时频域、小波域和S域;时频域下的特征是对时域波形进行短时傅里叶变换得到;小波域下的特征是基于小波变换的方法得到,S域下的特征是基于S变换的方法得到;
其中:Mmax、Mmin为原始最大、最小数据;M为待处理数据;
步骤S12:将各个域下的所有特征进行混合,对BP神经网络进行初步训练,得到基神经网络;
步骤S13:分别使用各域下选取的特征对初步训练得到的BP神经网络进行二次训练,最终获得三个不同域下的BP神经网络。进一步地,所述步骤S12中所述对BP神经网络进行初步训练的具体内容为:
为防止BP神经网络在反向传播过程中易出现的梯度消失现象,采用softmax函数作为BP神经网络的激活函数,交叉熵作为衡量识别正确率的指标,过程如下:
假设神经网络输入层神经元的个数为Nin,隐藏层的神经元个数为Ny,输出层的神经元个数为No;输入层的输入为xm(m=1,2···Nin),第m个输入层神经元与第i个隐藏层神经元的连接权重为vim,则第i个隐藏层神经元的输入neti为
经激活函数后,第i个隐藏层神经元的输出f(neti)为
第k个输出层神经元与第i个隐藏层神经元的连接权重为wki,第k个输出层神经元的输入neti为
经激活函数后,第k个输出层神经元的输出Ok为
则输出的交叉熵函数为
其中,Yk为第k个输出层神经元真实的识别结果;
BP神经网络的反向传播过程中,权值wki的更新公式为
其中,h表示BP神经网络处于第h次前向传播更新,g为wki的更新步长;
权值vim的更新公式为
其中,d为vim的更新步长。
进一步地,所述步骤S13的具体内容为:
为提高单个域下特征辨识的准确性,需要分别利用各域特征对初步训练的神经网络进行二次训练;因此,经过初步训练确定初值vim和wki后,进一步使用改进Dropout算法即步骤SA至步骤SG,在每个域特征分别输入神经网络时,首先计算保留各隐藏层神经元前后交叉熵的损失差,通过该值来反映各神经元对该域样本的敏感程度,然后依据各神经元敏感程度分配其动作概率,进而得到各域子神经网络;具体步骤如下所示:
SA:把某个域下一组特征作为单个样本输入神经网络后,将第n个隐藏层神经元的影响因子置0,计算该步骤前后神经网络交叉熵的损失差Ln为
Ln=Loss-Loss\n (10)
其中,Loss\n为当第n个隐藏层神经元的影响因子为0,即移除该神经元时神经网络输出的交叉熵;为提高运行速度,计算过程中可只取泰勒级数展开的前两项;
SB:计算该域下所有样本集的平均损失差
SC:该域下第n个隐藏层神经元的动作概率为
上式中使用sigmoid函数把映射到(0,1)区间,其中T是控制/>对概率的影响程度;当T→∞,该算法为动作概率为0.5的标准dropout算法;当T→0时,则第n个隐藏层神经元的动作概率APn为
SD:求出在该域下所有隐藏层神经元的动作概率;
SE:针对各个域输入样本,重复SA-SD的步骤,得到在各个域下所有隐藏层神经元的动作概率AP;
SF:接下来,按各域的神经网络结构对应的动作概率保留其隐藏层神经元,训练3~5个周期;
SG:测试过程中,针对不同域样本输入,将各个神经元的响应与对应的动作概率AP相乘,缩放各神经元响应;
将步骤S11中提取得到的三个域下的特征再次分别输入到经过初步训练得到的基神经网络中,再一次重复BP神经网络的训练过程,此时得到分别对应于三个域下的BP神经网络。
进一步地,所述步骤S2的具体内容为:
在线测试阶段,首先将各个域特征分别输入相应域的子神经网络,按在各个域神经元的动作概率缩放所有隐藏层神经元的响应,得到各个域的辨识结果;鉴于每个域的辨识结果的可信度各不相同,为了融合上述的辨识结果,将各个域的神经网络的输出转化为各条独立证据,利用证据理论中的Dempster-Shafer(DS)组合规则,融合不同域神经网络的识别证据,得出最终的分类结果,并给出该结果的信任程度;
DS证据理论的辨别框架为Θ={S1,S2,S3···},S1表示电压暂升,S2表示电压暂降,S3表示电压中断……第j个域BP神经网络的识别结果分配的基本概率赋值为Bj∈[0,1],满足以下两个条件:
第j个域对应的分类器输出未知的x扰动属于Sa类电能质量扰动的基本概率分配为
Bj(Sa)=Pa·Pab (15)
其中:Pa为第j个域对应的分类器输出为Sa类电能质量扰动的后验概率;Pab为当第j个域对应的分类器输出为Sb类电能质量扰动时,未知扰动X的真实类别是Sa类电能质量扰动的概率;根据混淆矩阵给出的相关信息可得Pab为
其中:cab为Sa类电能质量扰动被第j个域对应的分类器误判断为Sb类扰动的样本总数;c.b为第j个域对应的分类器将未知扰动X辨别为Sb类电能质量扰动的样本总数;
对于每个分类器,给定的扰动DS证据理论的合成法则简化为
其中
其中,第1,2,3···个域的神经网络识别结果对应的焦元分别为Z1,Z2,Z3···;K=0表示证据之间所提供的信息相互矛盾,此时无法用DS证据理论合成各条证据;通过上述DS证据理论的合成法则融合各个域BP神经网络的输出,给出最终的辨识结果。
与现有技术相比,本发明具有以下有益效果:
本发明在各种情况下均有较高的分类精度,受特征提取方法、噪声以及扰动间干扰的影响小,识别鲁棒性和抗噪性均较强,算法的泛化能力较高。此外通过不同训练样本量下辨识结果的对比,证明了本发明所提出的方法在样本较少的情况下,仍然具有很高的辨识结果。
附图说明
图1为本发明实施例的方法流程图。
图2为本发明实施例的电压中断和电压暂降在时频域下两种特征的分布,其中,图2(a)为采用STFT提取得到的基频最小值的概率分布图,图2(b)为采用STFT提取得到的基频最大值的概率分布图。
图3为本发明实施例的叠加40dB噪声时,振荡瞬变和谐波在小波域下两种特征的分布情况图,其中,图3(a)为根据小波变换得到第一层归一化能量值的概率分布图,图3(b)为根据小波变换得到第二层归一化能量值的概率分布图。
图4为本发明实施例的三类电能质量扰动在S域两种特征的分布图,其中,图4(a)为采用S变换提取得到各扰动的基频幅值均值的概率分布图,图4(b)为采用S变换提取得到的各扰动的高频幅值均值的概率分布图。
图5为本发明实施例的4种辨识方法对各类扰动的辨识结果对比图,其中,图5(a)为电压暂降图,图5(b)为电压暂升图,图5(c)为电压中断图,图5(d)为谐波图,图5(e)为电压振荡图,图5(f)为电压波动图,图5(g)为谐波和电压暂降图,图5(h)为谐波加电压暂升图,图5(i)为谐波加电压中断图,图5(j)为谐波加电压振荡图。
图6为本发明实施例的4种辨识方法对电能质量扰动的平均辨识结果对比图。
图7为本发明实施例的不同训练样本量下电能质量扰动平均识别结果对比图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供一种配网波形智能分类方法,包括以下步骤:
步骤S1:对神经网络进行训练,得到三个不同的BP神经网络;
步骤S2:获得测试样本在各域下的特征,分别输入上述训练完成得到的三个对应的BP神经网络,得到各域下的辨识结果;然后基于证据理论对上述各域下的辨识结果进行融合,用以提高辨识结果的可靠性。
较佳的,在本实施例中,训练样本和测试样本可以使用监测装置对电压、电流波形数据进行监测获得,或者通过仿真手段获得。训练样本指的是在训练过程中使用的数据,因为为了达到分类的目的,需要获得BP神经网络中的相关参数,获得参数的过程就是训练过程。测试样本指的是训练得到的模型在应用过程中使用的数据。
在本实施例中,所述步骤S1具体包括以下步骤:
步骤S11:提供训练样本,对训练样本分别提取各域下的特征并进行归一化处理,所述各域包括时频域、小波域和S域;时频域下的特征是对时域波形进行短时傅里叶变换得到;小波域下的特征是基于小波变换的方法得到,S域下的特征是基于S变换的方法得到;
其中:Mmax、Mmin为原始最大、最小数据;M为待处理数据;
步骤S12:将各个域下的所有特征进行混合,对BP神经网络进行初步训练,得到基神经网络;
步骤S13:为了提高基神经网络的泛化能力,分别使用各域下选取的特征对初步训练得到的BP神经网络进行二次训练,最终获得三个不同域下的BP神经网络。
在本实施例中,所述步骤S12中所述对BP神经网络进行初步训练的具体内容为:
为防止BP神经网络在反向传播过程中易出现的梯度消失现象,采用softmax函数作为BP神经网络的激活函数,交叉熵作为衡量识别正确率的指标,过程如下:
假设神经网络输入层神经元的个数为Nin,隐藏层的神经元个数为Ny,输出层的神经元个数为No;输入层的输入为xm(m=1,2···Nin),第m个输入层神经元与第i个隐藏层神经元的连接权重为vim,则第i个隐藏层神经元的输入neti为
经激活函数后,第i个隐藏层神经元的输出f(neti)为
第k个输出层神经元与第i个隐藏层神经元的连接权重为wki,第k个输出层神经元的输入neti为
经激活函数后,第k个输出层神经元的输出Ok为
则输出的交叉熵函数为
其中,Yk为第k个输出层神经元真实的识别结果;
BP神经网络的反向传播过程中,权值wki的更新公式为
其中,h表示BP神经网络处于第h次前向传播更新,g为wki的更新步长;
权值vim的更新公式为
其中,d为vim的更新步长。
在本实施例中,所述步骤S13的具体内容为:
为提高单个域下特征辨识的准确性,需要分别利用各域特征对初步训练的神经网络进行二次训练;因此,经过初步训练确定初值vim和wki后,进一步使用改进Dropout算法即步骤SA至步骤SG,在每个域特征分别输入神经网络时,首先计算保留各隐藏层神经元前后交叉熵的损失差,通过该值来反映各神经元对该域样本的敏感程度,然后依据各神经元敏感程度分配其动作概率,进而得到各域子神经网络;具体步骤如下所示:
SA:把某个域下一组特征作为单个样本输入神经网络后,将第n个隐藏层神经元的影响因子置0,计算该步骤前后神经网络交叉熵的损失差Ln为
Ln=Loss-Loss\n (10)
其中,Loss\n为当第n个隐藏层神经元的影响因子为0,即移除该神经元时神经网络输出的交叉熵;为提高运行速度,计算过程中可只取泰勒级数展开的前两项;
SB:计算该域下所有样本集的平均损失差
SC:该域下第n个隐藏层神经元的动作概率为
上式中使用sigmoid函数把映射到(0,1)区间,其中T是控制/>对概率的影响程度;当T→∞,该算法为动作概率为0.5的标准dropout算法;当T→0时,则第n个隐藏层神经元的动作概率APn为
SD:求出在该域下所有隐藏层神经元的动作概率;
SE:针对各个域输入样本,重复SA-SD的步骤,得到在各个域下所有隐藏层神经元的动作概率AP;
SF:接下来,按各域的神经网络结构对应的动作概率保留其隐藏层神经元,训练3~5个周期;
SG:测试过程中,针对不同域样本输入,将各个神经元的响应与对应的动作概率AP相乘,缩放各神经元响应;
将步骤S11中提取得到的三个域下的特征再次分别输入到经过初步训练得到的基神经网络中,再一次重复BP神经网络的训练过程,此时得到分别对应于三个域下的BP神经网络。
在本实施例中,所述步骤S2的具体内容为:
在线测试阶段,首先将各个域特征分别输入相应域的子神经网络,按在各个域神经元的动作概率缩放所有隐藏层神经元的响应,得到各个域的辨识结果;鉴于每个域的辨识结果的可信度各不相同,为了融合上述的辨识结果,将各个域的神经网络的输出转化为各条独立证据,利用证据理论中的Dempster-Shafer(DS)组合规则,融合不同域神经网络的识别证据,得出最终的分类结果,并给出该结果的信任程度;
DS证据理论的辨别框架为Θ={S1,S2,S3···},S1表示电压暂升,S2表示电压暂降,S3表示电压中断……第j个域BP神经网络的识别结果分配的基本概率赋值为Bj∈[0,1],满足以下两个条件:
第j个域对应的分类器输出未知的x扰动属于Sa类电能质量扰动的基本概率分配为
Bj(Sa)=Pa·Pab (15)
其中:Pa为第j个域对应的分类器输出为Sa类电能质量扰动的后验概率;Pab为当第j个域对应的分类器输出为Sb类电能质量扰动时,未知扰动X的真实类别是Sa类电能质量扰动的概率;根据混淆矩阵给出的相关信息可得Pab为
其中:cab为Sa类电能质量扰动被第j个域对应的分类器误判断为Sb类扰动的样本总数;c.b为第j个域对应的分类器将未知扰动X辨别为Sb类电能质量扰动的样本总数;
对于每个分类器,给定的扰动DS证据理论的合成法则简化为
其中
其中,第1,2,3…个域的神经网络识别结果对应的焦元分别为Z1,Z2,Z3···;K=0表示证据之间所提供的信息相互矛盾,此时无法用DS证据理论合成各条证据;通过上述DS证据理论的合成法则融合各个域BP神经网络的输出,给出最终的辨识结果。较佳的,在本实施例中,时频域、小波域和S域的典型特征量具体如表1所示。
表1时频域、小波域和S域的典型特征量
较佳的,在本实施例中,
利用仿真模拟生成六种单一扰动和四种复合扰动,信号的采样频率为2.4kHz,并在信号上分别叠加40dB/20dB/10dB的高斯白噪声,每种电能质量扰动类型各生成300个训练信号和300个测试信号。
按照下述1所叙,分别采用短时傅里列变换、小波变换、S变换算法提取时频域特征、小波域特征、S域特征,并对上述特征归一化处理,表达式如式(19)。
其中:Mmax、Mmin为原始最大、最小数据;M为待处理数据。然后将归一化后各域的数据输入对应域的子神经网络,以DS证据理论融合后得到最终的辨识结果。并将上述结果与传统基于单个域特征的辨识结果对比,说明该方法的有效性。
1、提取的典型特征重叠性分析
基于单个域下的典型特征辨识可能因特征提取方法、噪声以及扰动间干扰的影响导致不同扰动的典型特征间边缘模糊,进而影响最终识别的准确性。
A.特征提取方法的影响
由于各种特征提取方法本身都具有适用性,使得提取出的扰动特征存在一定误差,进而可能影响最终辨识的准确性。本实施例利用STFT从电压中断和电压暂降测试信号中提取用于辨识二者的两种典型特征即基频最大和最小值,分布如图2所示,从该图可以明显看出两种扰动的典型特征边界模糊,主要是因为本文STFT选用的窗函数为Blackman函数,主瓣宽度宽,时间分辨率低,受窗宽影响,当扰动持续时间较短时,两者特征易出现混叠。
B.噪声的影响
基于单个域的特征辨识电能质量扰动的正确率随噪声增大均有所降低,其中基于小波域特征识别电能质量扰动对噪声尤为敏感。振荡瞬变和谐波的分类依据主要集中在高频段,图3给出叠加40dB噪声时,利用小波变换提取用于辨识振荡瞬变和谐波的两种典型特征,即1层归一化能量值和2层归一化能量值的分布,易看出两类扰动的高频特征出现重叠,主要是因为高噪声使小波系数大幅度减小,当暂态的幅值和噪声的幅值接近时,高频扰动特征易出现重叠。
C.扰动间干扰的影响
复合扰动并非各种单一扰动的线性叠加,可能导致各域下的特征都发生改变。谐波作为稳态电能质量问题,很有可能与其他电能质量扰动同时发生,因此本文利用S变换提取谐波及与谐波相关的2类复合扰动的典型特征,即基频幅值均值和高频幅值均值,分布如图4所示。从该图可以看出,三类扰动的典型特征间出现明显的混叠。
辨识结果对比和分析
A.辨识结果比较
在噪声干扰下,基于时频域特征、小波域特征、S域特征以及基于多域特征辨识各类电能质量扰动的结果和平均结果分别如图5和图6所示。
通过图5和图6中对比可知,基于单个域特征的辨识结果虽然均达到90%以上,但是受噪声的影响明显,且对个别单一扰动或复合扰动的识别效果不理想。相比之下,本实施例提出的方法对各种电能质量扰动的识别正确率都较高,且平均正确率优于基于单个域特征的辨识结果,而且受特征提取方法、噪声以及扰动间干扰的影响小,表现出了较高的鲁棒性。
应用本实施例所提出的一种配网波形智能分类方法得到的扰动辨识结果如表2所示。
表2扰动辨识结果
B.训练样本量的影响
不同样本量对本文提出的一种配网波形智能分类方法的扰动辨识正确率的影响如图7所示。由图7的结果可知每种扰动所提取的各个域训练样本数目达到100时,电能质量扰动的辨识结果已达到97.2%,样本数目再增加,电能质量扰动的识别正确率变化不明显,说明本文提出的方法对小样本的识别效果较好。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种配网波形智能分类方法,其特征在于:包括以下步骤:
步骤S1:对神经网络进行训练,得到三个不同的BP神经网络;
步骤S2:获得测试样本在各域下的特征,分别输入上述训练完成得到的三个对应的BP神经网络,得到各域下的辨识结果;然后基于证据理论对上述各域下的辨识结果进行融合,用以提高辨识结果的可靠性;
所述步骤S1具体包括以下步骤:
步骤S11:提供训练样本,对训练样本分别提取各域下的特征并进行归一化处理,所述各域包括时频域、小波域和S域;时频域下的特征是对时域波形进行短时傅里叶变换得到;小波域下的特征是基于小波变换的方法得到,S域下的特征是基于S变换的方法得到;
其中:Mmax、Mmin为原始最大、最小数据;M为待处理数据;
步骤S12:将各个域下的所有特征进行混合,对BP神经网络进行初步训练,得到基神经网络;
步骤S13:分别使用各域下选取的特征对初步训练得到的BP神经网络进行二次训练,最终获得三个不同域下的BP神经网络;
所述步骤S2的具体内容为:
在线测试阶段,首先将各个域特征分别输入相应域的子神经网络,按在各个域神经元的动作概率缩放所有隐藏层神经元的响应,得到各个域的辨识结果;鉴于每个域的辨识结果的可信度各不相同,为了融合上述的辨识结果,将各个域的神经网络的输出转化为各条独立证据,利用证据理论中的Dempster-Shafer组合规则,融合不同域神经网络的识别证据,得出最终的分类结果,并给出该结果的信任程度;
DS证据理论的辨别框架为Θ={S1,S2,S3···},S1表示电压暂升,S2表示电压暂降,S3表示电压中断……第j个域BP神经网络的识别结果分配的基本概率赋值为Bj∈[0,1],满足以下两个条件:
第j个域对应的分类器输出未知的x扰动属于Sa类电能质量扰动的基本概率分配为
Bj(Sa)=Pa Pab (15)
其中:Pa为第j个域对应的分类器输出为Sa类电能质量扰动的后验概率;Pab为当第j个域对应的分类器输出为Sb类电能质量扰动时,未知扰动X的真实类别是Sa类电能质量扰动的概率;根据混淆矩阵给出的相关信息可得Pab为
其中:cab为Sa类电能质量扰动被第j个域对应的分类器误判断为Sb类扰动的样本总数;c.b为第j个域对应的分类器将未知扰动X辨别为Sb类电能质量扰动的样本总数;
对于每个分类器,给定的扰动DS证据理论的合成法则简化为
其中
其中,第1,2,3···个域的神经网络识别结果对应的焦元分别为Z1,Z2,Z3···;K=0表示证据之间所提供的信息相互矛盾,此时无法用DS证据理论合成各条证据;通过上述DS证据理论的合成法则融合各个域BP神经网络的输出,给出最终的辨识结果。
2.根据权利要求1所述的一种配网波形智能分类方法,其特征在于:所述步骤S12中所述对BP神经网络进行初步训练的具体内容为:
为防止BP神经网络在反向传播过程中易出现的梯度消失现象,采用softmax函数作为BP神经网络的激活函数,交叉熵作为衡量识别正确率的指标,过程如下:
假设神经网络输入层神经元的个数为Nin,隐藏层的神经元个数为Ny,输出层的神经元个数为No;输入层的输入为xm(m=1,2···Nin),第m个输入层神经元与第i个隐藏层神经元的连接权重为vim,则第i个隐藏层神经元的输入neti为
经激活函数后,第i个隐藏层神经元的输出f(neti)为
第k个输出层神经元与第i个隐藏层神经元的连接权重为wki,第k个输出层神经元的输入netk为
经激活函数后,第k个输出层神经元的输出Ok为
则输出的交叉熵函数为
其中,Yk为第k个输出层神经元真实的识别结果;
BP神经网络的反向传播过程中,权值wki的更新公式为
其中,h表示BP神经网络处于第h次前向传播更新,g为wki的更新步长;
权值vim的更新公式为
其中,d为vim的更新步长;
3.根据权利要求1所述的一种配网波形智能分类方法,其特征在于:所述步骤S13的具体内容为:
为提高单个域下特征辨识的准确性,需要分别利用各域特征对初步训练的神经网络进行二次训练;因此,经过初步训练确定初值vim和wki后,进一步使用改进Dropout算法即步骤SA至步骤SG,在每个域特征分别输入神经网络时,首先计算保留各隐藏层神经元前后交叉熵的损失差,通过该值来反映各神经元对该域样本的敏感程度,然后依据各神经元敏感程度分配其动作概率,进而得到各域子神经网络;具体步骤如下所示:
SA:把某个域下一组特征作为单个样本输入神经网络后,将第n个隐藏层神经元的影响因子置0,计算该步骤前后神经网络交叉熵的损失差Ln为
Ln=Loss-Loss\n (10)
其中,Loss\n为当第n个隐藏层神经元的影响因子为0即移除该神经元时神经网络输出的交叉熵;为提高运行速度,计算过程中只取泰勒级数展开的前两项;
SB:计算该域下所有样本集的平均损失差
SC:该域下第n个隐藏层神经元的动作概率为
上式中使用sigmoid函数把映射到(0,1)区间,其中T是控制/>对概率的影响程度;当T→∞,该算法为动作概率为0.5的标准dropout算法;当T→0时,则第n个隐藏层神经元的动作概率APn为
SD:求出在该域下所有隐藏层神经元的动作概率;
SE:针对各个域输入样本,重复SA-SD的步骤,得到在各个域下所有隐藏层神经元的动作概率AP;
SF:接下来,按各域的神经网络结构对应的动作概率 保留其隐藏层神经元,训练3~5个周期;
SG:测试过程中,针对不同域样本输入,将各个神经元的响应与对应的动作概率AP相乘,缩放各神经元响应;
将步骤S11中提取得到的三个域下的特征再次分别输入到经过初步训练得到的基神经网络中,再一次重复BP神经网络的训练过程,此时得到分别对应于三个域下的BP神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605868.4A CN113269261B (zh) | 2021-05-31 | 2021-05-31 | 一种配网波形智能分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110605868.4A CN113269261B (zh) | 2021-05-31 | 2021-05-31 | 一种配网波形智能分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269261A CN113269261A (zh) | 2021-08-17 |
CN113269261B true CN113269261B (zh) | 2024-03-12 |
Family
ID=77233923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110605868.4A Active CN113269261B (zh) | 2021-05-31 | 2021-05-31 | 一种配网波形智能分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269261B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6038338A (en) * | 1997-02-03 | 2000-03-14 | The United States Of America As Represented By The Secretary Of The Navy | Hybrid neural network for pattern recognition |
CN108491404A (zh) * | 2018-01-22 | 2018-09-04 | 国电南瑞科技股份有限公司 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
CN111415270A (zh) * | 2020-03-03 | 2020-07-14 | 浙江万胜智能科技股份有限公司 | 一种基于lstm学习的电力负荷智能识别方法 |
CN112016774A (zh) * | 2019-05-29 | 2020-12-01 | 中国电力科学研究院有限公司 | 一种基于数据增强技术的配网运行状态辨识方法及系统 |
CN112131783A (zh) * | 2020-09-04 | 2020-12-25 | 国电南瑞科技股份有限公司 | 一种基于配电台区大数据的户变拓扑关系识别方法 |
CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109902798A (zh) * | 2018-05-31 | 2019-06-18 | 华为技术有限公司 | 深度神经网络的训练方法和装置 |
-
2021
- 2021-05-31 CN CN202110605868.4A patent/CN113269261B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6038338A (en) * | 1997-02-03 | 2000-03-14 | The United States Of America As Represented By The Secretary Of The Navy | Hybrid neural network for pattern recognition |
CN108491404A (zh) * | 2018-01-22 | 2018-09-04 | 国电南瑞科技股份有限公司 | 一种基于bp神经网络的状态估计不良数据辨识方法 |
CN112016774A (zh) * | 2019-05-29 | 2020-12-01 | 中国电力科学研究院有限公司 | 一种基于数据增强技术的配网运行状态辨识方法及系统 |
CN111415270A (zh) * | 2020-03-03 | 2020-07-14 | 浙江万胜智能科技股份有限公司 | 一种基于lstm学习的电力负荷智能识别方法 |
CN112131783A (zh) * | 2020-09-04 | 2020-12-25 | 国电南瑞科技股份有限公司 | 一种基于配电台区大数据的户变拓扑关系识别方法 |
CN112819158A (zh) * | 2021-02-05 | 2021-05-18 | 凌坤(南通)智能科技有限公司 | 一种基于优化的bp神经网络的气体辨识方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113269261A (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chang et al. | Learning representations of emotional speech with deep convolutional generative adversarial networks | |
CN109524020B (zh) | 一种语音增强处理方法 | |
CN113571067B (zh) | 一种基于边界攻击的声纹识别对抗样本生成方法 | |
CN110853656B (zh) | 基于改进神经网络的音频篡改识别方法 | |
CN110443417A (zh) | 基于小波变换的多模型集成负荷预测方法 | |
WO2022088643A1 (zh) | 地埋式变电站的故障诊断方法、装置及电子设备 | |
CN113378652B (zh) | 一种基于ewt-mpe-pso-bp的扰动分类方法 | |
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 | |
Liu et al. | Classification of power quality disturbance using segmented and modified S-transform and DCNN-MSVM hybrid model | |
CN110458071B (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
CN114548586A (zh) | 一种基于混合模型的短期电力负荷预测方法及系统 | |
CN113252323B (zh) | 一种基于人耳听觉特性的断路器机械故障识别方法及系统 | |
CN113269261B (zh) | 一种配网波形智能分类方法 | |
CN117077025A (zh) | 基于时域特征峭度和神经网络的电能质量扰动识别方法 | |
Chen | Signal recognition for english speech translation based on improved wavelet denoising method | |
Bammer et al. | Invariance and stability of Gabor scattering for music signals | |
CN114898776A (zh) | 一种多尺度特征联合多任务cnn决策树的语音情感识别方法 | |
Eltanashi et al. | Proposed speaker recognition model using optimized feed forward neural network and hybrid time-mel speech feature | |
Wang et al. | An underdetermined environmental sound source separation algorithm based on improved complete ensemble EMD with adaptive noise and ICA | |
CN111091816A (zh) | 一种基于语音评测的数据处理系统及方法 | |
Chiu et al. | A micro-control device of soundscape collection for mixed frog call recognition | |
CN117313001B (zh) | 用于分布式光纤声波传感系统的混合事件分解及识别方法 | |
Mirhassani et al. | Fuzzy decision fusion of complementary experts based on evolutionary cepstral coefficients for phoneme recognition | |
Kreme et al. | Consistent Spectrogram Separation from Nonstationary Mixture | |
Kim et al. | Multi-Task Learning for Animal Species and Group Category Classification |
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 |