CN113516066B - 电能质量扰动信号分类方法、装置、存储介质和电子设备 - Google Patents
电能质量扰动信号分类方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN113516066B CN113516066B CN202110758832.XA CN202110758832A CN113516066B CN 113516066 B CN113516066 B CN 113516066B CN 202110758832 A CN202110758832 A CN 202110758832A CN 113516066 B CN113516066 B CN 113516066B
- Authority
- CN
- China
- Prior art keywords
- signal
- classification
- target
- feature vector
- sparrow
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/045—Combinations of 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开涉及一种电能质量扰动信号分类方法、装置、存储介质和电子设备,所述方法包括:获取目标信号,所述目标信号包括需要进行分类的信号;根据所述目标信号,通过预先训练得到的特征提取模型,获取所述目标信号的特征向量;根据所述特征向量,通过预先训练得到的信号分类模型,确定分类结果,所述信号分类模型包括平滑因子,所述平滑因子通过tSSA确定,这样,可以极大地提高概率神经网络的分类精度,对电能质量扰动信号进行准确有效地分类,对于提高电能质量具有重要意义。
Description
技术领域
本公开涉及信号分类领域,具体地,涉及一种电能质量扰动信号分类方法、装置、存储介质和电子设备。
背景技术
对风力发电机组的电能质量信号进行识别分类是评估风电系统供电质量优劣的重要依据,可以针对不同类型的扰动信号及时采取针对性措施解决电能质量问题,是控制和改善电能供应的基础,具有非常重要的实际意义,为了更准确地对电能质量信号进行分类,在电能质量扰动信号分类系统中建立合适的分类模型尤为重要。
目前电能质量扰动信号的主要分类技术如PNN(Probabilistic NeuralNetworks,概率神经网络),融合了概率密度函数估计和贝叶斯最小风险准则,能用线性学习算法解决非线性问题,具有很好的鲁棒性、容错性和自适应能力,非常适合电能质量扰动信号分类研究,但是传统的PNN中存在平滑因子难以确定的问题,平滑因子的取值直接影响分类的结果,取值依靠人为经验赋值或有限样本聚类的方法得到,不仅效率低而且很难寻得最优值,导致电能质量扰动信号分类精度不高。
发明内容
为了解决上述问题,本公开的目的是提供一种电能质量扰动信号分类方法、装置、存储介质和电子设备。
第一方面,提供一种电能质量扰动信号分类方法,所述方法包括:获取目标信号,所述目标信号包括需要进行分类的信号;根据所述目标信号,通过预先训练得到的特征提取模型,获取所述目标信号的特征向量;根据所述特征向量,通过预先训练得到的信号分类模型,确定分类结果,所述信号分类模型包括平滑因子,所述平滑因子通过tSSA(SparrowSearch Algorithm based on t-distribution,自适应t分布的麻雀搜索算法)确定。
可选地,所述预先训练得到的信号分类模型,通过以下方式预先训练:获取所述样本特征向量,以及所述样本特征向量对应的信号分类;根据所述样本特征向量和所述样本特征向量对应的信号分类对目标训练模型进行训练,得到信号分类模型。
可选地,所述信号分类模型包括基于tSSA的PNN,所述PNN包括输入层、模式层、求和层和输出层,所述输入层的输出与所述模式层的输入耦合,所述模式层的输出与所述求和层的输入耦合,所述求和层的输出与所述输出层的输入耦合:所述输入层用于接收目标信号特征向量,并将所述目标信号特征向量输出至所述模式层;所述模式层用于针对多个预设信号类别中的每个信号类别,计算所述目标信号特征向量与当前信号类别的多个相似度,并将每个信号类别对应的相似度输出至所述求和层;所述求和层用于计算每个信号类别对应的相似度的和值,并将所述和值输出至所述输出层;所述输出层用于输出所述相似度的和值最大的情况下对应的信号类别,并将所述信号类别作为所述目标信号的分类。
可选地,所述模式层用于计算目标信号特征向量与目标分类的相似度包括:通过所述tSSA确定所述平滑因子;通过所述目标信号特征向量与所述目标分类权向量的标量积,以及所述平滑因子来确定目标信号特征向量与目标分类的相似度。
可选地,所述通过所述tSSA确定所述平滑因子包括:将所述麻雀位置作为平滑因子,以样本特征向量的分类错误率作为tSSA算法的适应度值,通过迭代选出最小适应度值对应的麻雀位置作为平滑因子。
可选地,所述通过迭代选出最小适应度值对应的麻雀位置作为平滑因子包括:N只麻雀在d维搜索空间内觅食,则第i只麻雀在d维搜索空间内觅食位置为Xi=[xi1,xi2,...,xid];其中i=1,2,...,N,xid表示第i只麻雀在d维搜索空间内的位置;
则N只麻雀的适应度值表示为:
可选地,所述预先训练得到的特征提取模型,通过以下方式预先训练:获取信号分类训练样本,所述信号分类训练样本包括按照预设的范围随机生成的电能质量扰动信号,以及所述信号分类训练样本对应的分量信号提取的样本特征向量;根据所述信号分类训练样本和所述信号分类训练样本对应的分量信号提取的样本特征向量对目标训练模型进行训练,得到特征提取模型。
第二方面,提供一种电能质量扰动信号分类装置,所述装置包括:获取模块,用于获取目标信号,所述目标信号包括需要进行分类的信号;提取模块,用于根据所述目标信号,通过预先训练得到的特征提取模型,获取所述目标信号的特征向量;分类模块,用于根据所述特征向量,通过预先训练得到的信号分类模型,确定分类结果,所述信号分类模型包括平滑因子,所述平滑因子通过tSSA确定。
可选地,所述分类模块,用于通过以下方式得到预先训练的信号分类模型:获取所述样本特征向量,以及所述样本特征向量对应的信号分类;根据所述样本特征向量和所述样本特征向量对应的信号分类对目标训练模型进行训练,得到信号分类模型。
可选地,所述信号分类模型包括基于tSSA的PNN,所述PNN包括输入层、模式层、求和层和输出层,所述输入层的输出与所述模式层的输入耦合,所述模式层的输出与所述求和层的输入耦合,所述求和层的输出与所述输出层的输入耦合:所述输入层用于接收目标信号特征向量,并将所述目标信号特征向量输出至所述模式层;所述模式层用于针对多个预设信号类别中的每个信号类别,计算所述目标信号特征向量与当前信号类别的多个相似度,并将每个信号类别对应的相似度输出至所述求和层;所述求和层用于计算每个信号类别对应的相似度的和值,并将所述和值输出至所述输出层;所述输出层用于输出所述相似度的和值最大的情况下对应的信号类别,并将所述信号类别作为所述目标信号的分类。
可选地,所述分类模块,用于通过所述tSSA确定所述平滑因子;通过所述目标信号特征向量与所述目标分类权向量的标量积,以及所述平滑因子来确定目标信号特征向量与目标分类的相似度。
可选地,所述分类模块,还用于将所述麻雀位置作为平滑因子,以样本特征向量的分类错误率作为tSSA算法的适应度值,通过迭代选出最小适应度值对应的麻雀位置作为平滑因子。
可选地,所述分类模块,还用于通过迭代选出最小适应度值对应的麻雀位置作为平滑因子包括:N只麻雀在d维搜索空间内觅食,则第i只麻雀在d维搜索空间内觅食位置为Xi=[xi1,xi2,...,xid];其中i=1,2,...,N,xid表示第i只麻雀在d维搜索空间内的位置;
则N只麻雀的适应度值表示为:
可选地,所述提取模块,用于通过以下方式得到预先训练的特征提取模型:获取信号分类训练样本,所述信号分类训练样本包括按照预设的范围随机生成的电能质量扰动信号,以及所述信号分类训练样本对应的分量信号提取的样本特征向量;根据所述信号分类训练样本和所述信号分类训练样本对应的分量信号提取的样本特征向量对目标训练模型进行训练,得到特征提取模型。
第三方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述任一项所述方法的步骤。
第四方面,提供一种电子设备,包括:存储器,其上存储有计算机程序;处理器,用于执行所述存储器中的所述计算机程序,以实现上述任一项所述方法的步骤。
采用上述技术方案,可以通过tSSA确定平滑因子,可以极大地提高PNN的分类精度,对电能质量扰动信号进行准确有效地分类,对于提高电能质量具有重要意义。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种电能质量扰动信号分类方法的流程示意图;
图2是根据一示例性实施例示出的一种电能质量扰动信号分类装置的装置框图;
图3是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
首先对本公开的应用场景进行说明,本公开可以应用于对风力发电机组的电能质量扰动信号进行识别分类的场景,目前电能质量扰动信号的主要分类技术如PNN,融合了概率密度函数估计和贝叶斯最小风险准则,能用线性学习算法解决非线性问题,具有很好的鲁棒性、容错性和自适应能力,非常适合电能质量扰动信号分类研究,但是传统的PNN中存在平滑因子难以确定的问题,平滑因子的取值直接影响分类的结果,取值依靠经验赋值或有限样本聚类的方法得到,不仅效率低而且很难寻得最优值,导致电能质量扰动信号分类精度不高。
为了解决上述问题,本公开提供一种电能质量扰动信号分类方法、装置、存储介质和电子设备,该方法包括:获取目标信号,该目标信号包括需要进行分类的信号;根据该目标信号,通过预先训练得到的特征提取模型,获取该目标信号的特征向量;根据该特征向量,通过预先训练得到的信号分类模型,确定分类结果,该信号分类模型包括平滑因子,该平滑因子通过tSSA确定,准确性得到极大的提升,有利于提高电能质量扰动信号的分类精度。
下面结合具体实施例对本公开进行说明。
图1为本公开实施例提供的一种电能质量扰动信号分类方法,如图1所示,该方法包括:
S101、获取目标信号。
其中,该目标信号包括需要进行分类的信号。
S102、根据该目标信号,通过预先训练得到的特征提取模型,获取该目标信号的特征向量。
其中,该预先训练得到的特征提取模型,可以通过以下方式预先训练:获取信号分类训练样本,该信号分类训练样本包括按照预设的范围随机生成的电能质量扰动信号,以及该信号分类训练样本对应的分量信号提取的样本特征向量;根据该信号分类训练样本和该信号分类训练样本对应的分量信号提取的样本特征向量对目标训练模型进行训练,得到特征提取模型。
另外,该特征向量,用于表征该目标信号的特征及特征值;在电能质量扰动信号的识别分类中,选取合适的特征十分重要,常见的扰动信号特征有时间、频率、幅值、能量、熵、峭度和波形因子等,可以选取能量和样本熵作为特征值,不同信号含有的能量有所差异,而且不同的特征分量有不同的能量值且差异巨大,选取能量特征可以提高分类的准确率,而选取样本熵特征只需要较短的数据就能达到有效的分析目的,有很好的鲁棒性。
示例地,该特征提取模型可以是ESMD(Extreme-point Symmetric ModeDecomposition,极点对称模态分解法),ESMD是在EMD(Empirical Mode Decomposition,经验模态分解)的基础上发展起来的,能够有效缓解模态混叠问题,实现复杂信号的自适应分解,效果较好。采用ESMD算法对上述目标信号进行分解,可得到各个目标信号的IMF(Intrinsic Mode Function,本征模态函数)分量,不同的信号经过ESMD分解得到的IMF分量个数不同,为保证特征向量维度一致,可以计算目标信号与IMF分量的相关系数,选取与目标信号相关系数最大的3组IMF分量提取特征值,计算IMF分量的能量和样本熵,可以得到目标信号的特征向量:X=[E1,E2,E3,S1,S2,S3];其中,E用于表征IMF分量的能量值,S用于表征IMF分量的样本熵值。
S103、根据该特征向量,通过预先训练得到的信号分类模型,确定分类结果,该信号分类模型包括平滑因子,该平滑因子通过tSSA确定。
这一步骤中,该预先训练得到的信号分类模型,可以通过以下方式预先训练:获取该样本特征向量,以及该样本特征向量对应的信号分类;根据该样本特征向量和该样本特征向量对应的信号分类对目标训练模型进行训练,得到信号分类模型,还可以添加测试特征向量以及测试特征向量对应的信号分类,将该测试特征向量输入该信号分类模型进行测试。
其中,该信号分类模型包括基于tSSA的PNN,该PNN包括输入层、模式层、求和层和输出层,该输入层的输出与该模式层的输入耦合,该模式层的输出与该求和层的输入耦合,该求和层的输出与该输出层的输入耦合:该输入层用于接收目标信号特征向量,并将该目标信号特征向量输出至该模式层;该模式层用于针对多个预设信号类别中的每个信号类别,计算该目标信号特征向量与当前信号类别的多个相似度,并将每个信号类别对应的相似度输出至该求和层;该求和层用于计算每个信号类别对应的相似度的和值,并将该和值输出至该输出层;该输出层用于输出该相似度的和值最大的情况下对应的信号类别,并将该信号类别作为该目标信号的分类。
可选地,该模式层用于计算目标信号特征向量与目标分类的相似度包括:通过该tSSA确定该平滑因子;通过该目标信号特征向量与该目标分类权向量的标量积,以及该平滑因子来确定目标信号特征向量与目标分类的相似度;tSSA前期迭代次数较小时具有较强的全局搜索能力,后期迭代次数较大时具有较强的局部搜索能力,从而提高算法的搜索能力,因此可以通过该tSSA确定该平滑因子。
上述计算目标信号特征向量与目标分类的相似度可以通过下述公式进行表达:其中,X为目标信号的特征向量,W为目标分类的权向量,i为目标分类,δ为平滑因子,用于决定该分类的精度,可以通过该tSSA来确定。
示例地,可以将该麻雀位置作为平滑因子,以样本特征向量的分类错误率作为tSSA算法的适应度值,或者以样本特征向量的分类错误率和测试特征向量的分类错误率的和值作为tSSA算法的适应度值,通过迭代选出最小适应度值对应的麻雀位置作为平滑因子,具体过程如下:
设置麻雀种群数量N,发现者比例N1,加入者比例N2,警戒者比例N3,目标维度为d,最大迭代次数H以及变异概率p,例如可以将该麻雀种群数量设置为20,这样在减少模型运行时间的同时又保障分类的高精度和高稳定性,该发现者比例可以设置为20%,该加入者比例可以设置为80%,该警戒者比例可以设置为20%,此处该发现者比例、该加入者比例以及该警戒者比例为该tSSA算法的优选比例,该最大迭代次数可以设置为10,该变异概率p可以设置为0.5;该目标维度d用于表征预先设置的目标参数的数量,本公开目标参数只存在该平滑因子,因此d设置为1;另外需要说明的是,上述麻雀种群数量、发现者比例、加入者比例、警戒者比例、最大迭代次数以及变异概率只是用于举例说明的优选实施例,并不限制本公开。
将该麻雀位置作为平滑因子,在预设的范围内随机选取20个随机数初始化麻雀位置,该预设的范围用于表征该平滑因子可能存在的范围,并计算每只麻雀的适应度值fi,将适应度值按照从小到大的顺序排列,选出最小适应度值作为最优适应度值,并将该最优适应度值记录为全局最优适应度值,将该全局最优适应度值对应的麻雀位置记录为当前最优平滑因子,记录麻雀的全局最优适应度值fg及其位置根据tSSA的规则更新发现者、加入者、警戒者的位置,并重新计算每只麻雀的适应度值,若新的最优适应度值小于上一次最优适应度值,则记录新的最优适应度值作为全局最优适应度值,同时记录该新的最优适应度值对应的麻雀位置,并将该麻雀位置更新为最优平滑因子,若新的最优适应度值大于或者等于上一次最优适应度值,则保持记录的全局最优适应度值及其对应的麻雀位置不变;通过变异概率p确定麻雀位置是否进行变异,引入以算法的迭代次数H为参数自由度的自适应t分布确定麻雀的变异位置;若对麻雀的位置进行变异,则重新计算变异后麻雀的最优适应度值,并与上一次最优适应度值进行比较,确定全局最优适应度值及其对应的麻雀位置,并将该对应的麻雀位置作为最优平滑因子;判断算法运行是否达到最大迭代次数,若达到最大迭代次数,则输出麻雀的全局最优适应度值及其对应的位置,并将该对应的位置作为最优平滑因子构建最优PNN网络,若没有达到最大迭代次数,则继续迭代更新麻雀位置。
上述确定最优平滑因子的步骤可以通过下述公式进行表达:N只麻雀在d维搜索空间内觅食,则第i只麻雀在d维搜索空间内觅食位置为Xi=[xi1,xi2,...,xid];
其中i=1,2,...,N,xid表示第i只麻雀在d维搜索空间内的位置;
则N只麻雀的适应度值表示为:
该发现者的位置更新公式如下:
h为当前迭代次数,H为最大迭代次数,为当前麻雀位置,/>为麻雀更新后的位置,α∈(0,1)的随机数,R2∈(0,1)表示警戒值,ST∈(0.5,1)表示安全阈值,Q是服从标准正态分布的随机数,L是元素为1,大小1×d的矩阵。当R2<ST时,表示种群无危险,发现者可以扩大觅食范围;当R2≥ST时,表明种群有危险,警戒者释放危险信号,所有麻雀迅速飞到安全区域。
该加入者的位置更新公式如下:
表示第h次迭代时麻雀在第d维的最劣位置,/>表示在第h+1次迭代时的最佳位置。当/>时,表示第个加入者没有获得食物,它将飞到其他地方获得食物;当/>时,表示第个加入者在最佳位置附近寻找食物。
该警戒者的位置更新公式如下:
β为步长控制参数,为当前全局最佳位置,K∈(0,1)的随机数,e为极小常数,避免分母为0的情况发生,fi为当前第i个麻雀的适应度值,fg和fw为麻雀种群的全局最优和最差适应度值。当fi>fg时,表示第个麻雀处于种群边缘,容易发生危险;当fi=fg时,表示第个处于种群中心的麻雀意识到危险,需要移动位置靠近其他麻雀。
引入以迭代次数H为参数自由度的自适应t分布的公式如下:
其中为麻雀变异后的位置,/>为第i只麻雀个体的位置,t(H)为以算法迭代次数H为参数自由度的t分布。
采用上述方法,可以通过tSSA得出准确率较高的平滑因子,避免了人工赋值导致偏差较大,极大地提高PNN的分类精度,对电能质量扰动信号进行准确有效地分类具有重要意义。
图2为本公开实施例提供的一种电能质量扰动信号分类装置,如图2所示,该装置包括:
获取模块201,用于获取目标信号,该目标信号包括需要进行分类的信号;
提取模块202,用于根据该目标信号,通过预先训练得到的特征提取模型,获取该目标信号的特征向量;
分类模块203,用于根据该特征向量,通过预先训练得到的信号分类模型,确定分类结果,该信号分类模型包括平滑因子,该平滑因子通过tSSA确定。
示例地,该特征提取模型可以是ESMD,该提取模块202,用于通过以下方式得到预先训练的特征提取模型:获取信号分类训练样本,该信号分类训练样本包括按照预设的范围随机生成的电能质量扰动信号,以及该信号分类训练样本对应的分量信号提取的样本特征向量;根据该信号分类训练样本和该信号分类训练样本对应的分量信号提取的样本特征向量对目标训练模型进行训练,得到特征提取模型。
可选地,该分类模块203,用于通过以下方式得到预先训练的信号分类模型:获取该样本特征向量,以及该样本特征向量对应的信号分类;根据该样本特征向量和该样本特征向量对应的信号分类对目标训练模型进行训练,得到信号分类模型。
可选地,该信号分类模型包括基于tSSA的PNN,该PNN包括输入层、模式层、求和层和输出层,该输入层的输出与该模式层的输入耦合,该模式层的输出与该求和层的输入耦合,该求和层的输出与该输出层的输入耦合:该输入层用于接收目标信号特征向量,并将该目标信号特征向量输出至该模式层;该模式层用于针对多个预设信号类别中的每个信号类别,计算该目标信号特征向量与当前信号类别的多个相似度,并将每个信号类别对应的相似度输出至该求和层;该求和层用于计算每个信号类别对应的相似度的和值,并将该和值输出至该输出层;该输出层用于输出该相似度的和值最大的情况下对应的信号类别,并将该信号类别作为该目标信号的分类。
可选地,该分类模块203,还用于通过该tSSA确定平滑因子;通过该目标信号特征向量与该目标分类权向量的标量积,以及该平滑因子来确定目标信号特征向量与目标分类的相似度。
可选地,该分类模块203,还用于将该麻雀位置作为平滑因子,以样本特征向量的分类错误率作为tSSA算法的适应度值,通过迭代选出最小适应度值对应的麻雀位置作为平滑因子。
可选地,该分类模块203,还用于通过迭代选出最小适应度值对应的麻雀位置作为平滑因子包括:N只麻雀在d维搜索空间内觅食,则第i只麻雀在d维搜索空间内觅食位置为Xi=[xi1,xi2,...,xid];其中i=1,2,...,N,xid表示第i只麻雀在d维搜索空间内的位置;则N只麻雀的适应度值表示为:
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
图3是根据一示例性实施例示出的一种电子设备300的框图。如图3所示,该电子设备300可以包括:处理器301,存储器302。该电子设备300还可以包括多媒体组件303,输入/输出(I/O)接口304,以及通信组件305中的一者或多者。
其中,处理器301用于控制该电子设备300的整体操作,以完成上述的电能质量扰动信号分类方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作,这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口304为处理器301和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件305可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备300可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的电能质量扰动信号分类方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的电能质量扰动信号分类方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器302,上述程序指令可由电子设备300的处理器301执行以完成上述的电能质量扰动信号分类方法。
在另一示例性实施例中,还提供一种计算机程序产品,该计算机程序产品包含能够由可编程的装置执行的计算机程序,该计算机程序具有当由该可编程的装置执行时用于执行上述的电能质量扰动信号分类方法的代码部分。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (9)
1.一种电能质量扰动信号分类方法,其特征在于,所述方法包括:
获取目标信号,所述目标信号包括需要进行分类的信号;所述目标信号包括待分类的电能质量扰动信号;
根据所述目标信号,通过预先训练得到的特征提取模型,获取所述目标信号的特征向量;所述特征向量用于表征所述电能质量扰动信号的特征及特征值;所述特征值包括所述电能质量扰动信号的能量和样本熵;
根据所述特征向量,通过预先训练得到的信号分类模型,确定分类结果,所述信号分类模型包括平滑因子,所述平滑因子通过基于自适应t分布的麻雀搜索算法tSSA确定;
所述信号分类模型通过样本特征向量训练得到,以所述样本特征向量的分类错误率作为所述tSSA的适应度值,通过迭代选出最小适应度值对应的麻雀位置,将所述麻雀位置作为所述平滑因子;所述样本特征向量为对与按照预设的范围随机生成的电能质量扰动信号对应的分量信号,提取特征后得到的样本特征向量;
所述通过迭代选出最小适应度值对应的麻雀位置,将所述麻雀位置作为所述平滑因子包括:
根据tSSA的规则更新麻雀的位置,并重新计算每只麻雀的适应度值,若新的最优适应度值小于上一次最优适应度值,则记录所述新的最优适应度值作为全局最优适应度值,同时记录所述新的最优适应度值对应的麻雀位置,并将所述新的最优适应度值对应的麻雀位置更新为最优平滑因子。
2.根据权利要求1所述的方法,其特征在于,所述预先训练得到的信号分类模型,通过以下方式预先训练:
获取所述样本特征向量,以及所述样本特征向量对应的信号分类;
根据所述样本特征向量和所述样本特征向量对应的信号分类对目标训练模型进行训练,得到信号分类模型。
3.根据权利要求2所述的方法,其特征在于,所述信号分类模型包括基于tSSA的PNN,所述PNN包括输入层、模式层、求和层和输出层,所述输入层的输出与所述模式层的输入耦合,所述模式层的输出与所述求和层的输入耦合,所述求和层的输出与所述输出层的输入耦合:
所述输入层用于接收目标信号特征向量,并将所述目标信号特征向量输出至所述模式层;
所述模式层用于针对多个预设信号类别中的每个信号类别,计算所述目标信号特征向量与当前信号类别的多个相似度,并将每个信号类别对应的相似度输出至所述求和层;
所述求和层用于计算每个信号类别对应的相似度的和值,并将所述和值输出至所述输出层;
所述输出层用于输出所述相似度的和值最大的情况下对应的信号类别,并将所述信号类别作为所述目标信号的分类。
4.根据权利要求3所述的方法,其特征在于,所述模式层用于计算目标信号特征向量与目标分类的相似度包括:
通过所述tSSA确定所述平滑因子;
通过所述目标信号特征向量与所述目标分类权向量的标量积,以及所述平滑因子来确定目标信号特征向量与目标分类的相似度。
5.根据权利要求4所述方法,其特征在于,通过迭代选出最小适应度值对应的麻雀位置作为平滑因子包括:
N只麻雀在d维搜索空间内觅食,则第i只麻雀在d维搜索空间内觅食位置为Xi=[xi1,xi2,...,xid];
其中i=1,2,...,N,xid表示第i只麻雀在d维搜索空间内的位置;
则N只麻雀的适应度值表示为:
6.根据权利要求1-5任一项所述的方法,其特征在于,所述预先训练得到的特征提取模型,通过以下方式预先训练:
获取信号分类训练样本,所述信号分类训练样本包括按照预设的范围随机生成的电能质量扰动信号,以及所述信号分类训练样本对应的分量信号提取的样本特征向量;
根据所述信号分类训练样本和所述信号分类训练样本对应的分量信号提取的样本特征向量对目标训练模型进行训练,得到特征提取模型。
7.一种电能质量扰动信号分类装置,其特征在于,所述装置包括:
获取模块,用于获取目标信号,所述目标信号包括需要进行分类的信号;所述目标信号包括待分类的电能质量扰动信号;
提取模块,用于根据所述目标信号,通过预先训练得到的特征提取模型,获取所述目标信号的特征向量;所述特征向量用于表征所述电能质量扰动信号的特征及特征值;所述特征值包括所述电能质量扰动信号的能量和样本熵;
分类模块,用于根据所述特征向量,通过预先训练得到的信号分类模型,确定分类结果,所述信号分类模型包括平滑因子,所述平滑因子通过基于自适应t分布的麻雀搜索算法tSSA确定;
所述信号分类模型通过样本特征向量训练得到,以所述样本特征向量的分类错误率作为所述tSSA的适应度值,通过迭代选出最小适应度值对应的麻雀位置,将所述麻雀位置作为所述平滑因子;所述样本特征向量为对与按照预设的范围随机生成的电能质量扰动信号对应的分量信号,提取特征后得到的样本特征向量;
所述分类模块,还用于根据tSSA的规则更新麻雀的位置,并重新计算每只麻雀的适应度值,若新的最优适应度值小于上一次最优适应度值,则记录所述新的最优适应度值作为全局最优适应度值,同时记录所述新的最优适应度值对应的麻雀位置,并将所述新的最优适应度值对应的麻雀位置更新为最优平滑因子。
8.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6中任一项所述方法的步骤。
9.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1-6中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758832.XA CN113516066B (zh) | 2021-07-05 | 2021-07-05 | 电能质量扰动信号分类方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110758832.XA CN113516066B (zh) | 2021-07-05 | 2021-07-05 | 电能质量扰动信号分类方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113516066A CN113516066A (zh) | 2021-10-19 |
CN113516066B true CN113516066B (zh) | 2023-08-08 |
Family
ID=78066315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110758832.XA Active CN113516066B (zh) | 2021-07-05 | 2021-07-05 | 电能质量扰动信号分类方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113516066B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117060405B (zh) * | 2023-10-11 | 2024-02-02 | 广东鑫钻节能科技股份有限公司 | 一种数字能源氧气站的电能质控方法、系统、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5276772A (en) * | 1991-01-31 | 1994-01-04 | Ail Systems, Inc. | Real time adaptive probabilistic neural network system and method for data sorting |
CN102930870A (zh) * | 2012-09-27 | 2013-02-13 | 福州大学 | 利用抗噪幂归一化倒谱系数的鸟类声音识别方法 |
CN104897992A (zh) * | 2015-06-08 | 2015-09-09 | 湖南城市学院 | 一种分布式电源扰动分类装置及其在线检测方法 |
CN109975665A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种电力设备局部放电信号放电类型识别方法 |
CN110084106A (zh) * | 2019-03-19 | 2019-08-02 | 中国地质大学(武汉) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 |
CN110111015A (zh) * | 2019-05-13 | 2019-08-09 | 中南大学 | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 |
CN110889396A (zh) * | 2019-12-12 | 2020-03-17 | 国家电网有限公司大数据中心 | 能源互联网扰动分类方法、装置、电子设备和存储介质 |
CN110909802A (zh) * | 2019-11-26 | 2020-03-24 | 西安邮电大学 | 一种基于改进的pso优化pnn平滑因子的故障分类方法 |
CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
CN112990419A (zh) * | 2021-03-19 | 2021-06-18 | 浙江科技学院 | 基于改进麻雀搜索算法的优化方法 |
-
2021
- 2021-07-05 CN CN202110758832.XA patent/CN113516066B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5276772A (en) * | 1991-01-31 | 1994-01-04 | Ail Systems, Inc. | Real time adaptive probabilistic neural network system and method for data sorting |
CN102930870A (zh) * | 2012-09-27 | 2013-02-13 | 福州大学 | 利用抗噪幂归一化倒谱系数的鸟类声音识别方法 |
CN104897992A (zh) * | 2015-06-08 | 2015-09-09 | 湖南城市学院 | 一种分布式电源扰动分类装置及其在线检测方法 |
CN110084106A (zh) * | 2019-03-19 | 2019-08-02 | 中国地质大学(武汉) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 |
CN109975665A (zh) * | 2019-03-22 | 2019-07-05 | 华南理工大学 | 一种电力设备局部放电信号放电类型识别方法 |
CN110111015A (zh) * | 2019-05-13 | 2019-08-09 | 中南大学 | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 |
CN110909802A (zh) * | 2019-11-26 | 2020-03-24 | 西安邮电大学 | 一种基于改进的pso优化pnn平滑因子的故障分类方法 |
CN110889396A (zh) * | 2019-12-12 | 2020-03-17 | 国家电网有限公司大数据中心 | 能源互联网扰动分类方法、装置、电子设备和存储介质 |
CN111553495A (zh) * | 2020-04-29 | 2020-08-18 | 山东卓文信息科技有限公司 | 一种基于概率神经网络的小型断路器故障分析方法 |
CN112990419A (zh) * | 2021-03-19 | 2021-06-18 | 浙江科技学院 | 基于改进麻雀搜索算法的优化方法 |
Non-Patent Citations (1)
Title |
---|
基于小波与多维分形的电能质量扰动分类;胡为兵;李开成;;继电器(05);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113516066A (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111523621B (zh) | 图像识别方法、装置、计算机设备和存储介质 | |
CN108182394B (zh) | 卷积神经网络的训练方法、人脸识别方法及装置 | |
Tang et al. | An improved scheme for minimum cross entropy threshold selection based on genetic algorithm | |
CN107346448B (zh) | 基于深度神经网络的识别装置、训练装置及方法 | |
Mirza | Computer network intrusion detection using various classifiers and ensemble learning | |
EP3567498A1 (en) | Method and device for question response | |
WO2015184729A1 (en) | Method and system for hyper-parameter optimization and feature tuning of machine learning algorithms | |
CN111079780B (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
CN112465043A (zh) | 模型训练方法、装置和设备 | |
CN111260032A (zh) | 神经网络训练方法、图像处理方法及装置 | |
CN113516066B (zh) | 电能质量扰动信号分类方法、装置、存储介质和电子设备 | |
Rostami et al. | A clustering based genetic algorithm for feature selection | |
JP7214863B2 (ja) | 人工画像生成用コンピュータアーキテクチャ | |
CN111340057B (zh) | 一种分类模型训练的方法及装置 | |
US20210397973A1 (en) | Storage medium, optimum solution acquisition method, and optimum solution acquisition apparatus | |
US11721413B2 (en) | Method and system for performing molecular design using machine learning algorithms | |
CN117310389A (zh) | 一种基于cnn的配电网故障定位方法、装置及相关设备 | |
CN115033893B (zh) | 一种改进型聚类算法的信息漏洞数据分析方法 | |
CN116842447A (zh) | 分类数据的后处理方法、装置、系统和电子装置 | |
CN112115268B (zh) | 基于特征编码器的训练方法及装置、分类方法及装置 | |
CN116993374A (zh) | 基于深度神经网络的模型优化方法、装置、设备及介质 | |
US20230259619A1 (en) | Inference apparatus, inference method and computer-readable storage medium | |
CN112769540B (zh) | 一种侧信道信息泄露的诊断方法、系统、设备及存储介质 | |
Azghani et al. | Intelligent modified mean shift tracking using genetic algorithm | |
Fan et al. | A text clustering algorithm hybriding invasive weed optimization with K-means |
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 |