CN113934972A - 基于改进小波阈值法与mpa优化pnn的电能质量扰动识别方法 - Google Patents
基于改进小波阈值法与mpa优化pnn的电能质量扰动识别方法 Download PDFInfo
- Publication number
- CN113934972A CN113934972A CN202111231403.3A CN202111231403A CN113934972A CN 113934972 A CN113934972 A CN 113934972A CN 202111231403 A CN202111231403 A CN 202111231403A CN 113934972 A CN113934972 A CN 113934972A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- pnn
- mpa
- quality disturbance
- power quality
- 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
- 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
-
- 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
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/047—Probabilistic or stochastic 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,包括如下步骤:步骤1、采用小波阈值法对电能质量扰动信号进行预处理,再添加一个循环命令对小波阈值法的参数进行随机选择直到消噪效果的评价值达到设定值;步骤2、将步骤1中得到的信号进行小波分解,并从中提取若干个维度能量构成输入特征向量;步骤3、将输入特征向量输入到PNN神经网络,并采用MPA优化算法进行参数优化,完成扰动识别模型的优化训练,最终对测试信号进行准确分类。本发明可以提高消噪效果,有效提取特征值,并显著增加识别精度和模型优化速度。
Description
技术领域
本发明涉及电能质量检测领域,特别涉及一种基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法。
背景技术
随着科学技术的不断进步和经济的迅速发展,人们对电能的需求和质量不断增强,特别是大功率、非线性、不对称性负载的使用和太阳能、风能、水能等新能源的供电,将严重导致电网中电能质量扰动的发生问题,如谐波、闪变、电压暂升等,进而引起设备中元器件的过度损坏,增加设备的耗电量甚至不能正常工作或故障发生。根据有关数据统计,电能质量问题给每个企业都带来极大的经济损失。对电能质量扰动进行准确的识别和分类是治理电能质量问题的重要前提。但是,电能质量扰动识别和分类的过程存在噪声影响大、分类精度差、效率不高等问题。因此,如何在噪声环境下,准确提取特征,并准确识别不同类型电能质量扰动仍然是电能质量研究领域的研究热点。
目前,电能质量扰动识别的过程主要包括预处理、特征值提取和扰动识别三个步骤。预处理通常采用小波阈值法和奇异值分解等方法实现消噪;特征值提取的方法有快速傅里叶变换、小波变换和S变换等方法;扰动识别与分类方法主要包括神经网络和支持向量基等方法。上述方法在电能质量扰动识别领域都取得了较好的识别结果,但是仍存在各自的缺点。小波变换能对信号进行多层分解,采用阈值法进行噪声的去除,可以在去除噪声的同时保留突变信号,但小波函数、分解的层数和阈值函数的选择对不同类型的扰动信号消噪效果不一样。神经网络通过模拟人体大脑的结构和自我学习的能力,可以对扰动信号的特征值进行类型识别,具有较高的识别精度和较快的识别行速度快,如概率神经网络(Probabilistic Neural Networks,PNN)。但PNN神经网络中的平滑参数σ的选择对扰动识别准确度影响较大,通常通过人为的经验进行选择。
基于以上分析可以看出,现有技术中存在不同类型扰动信号下小波阈值法消噪效果不稳定和PNN中平滑参数σ选取不准确等问题。
发明内容
本发明的目的在于,提供一种基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法。本发明可以提高消噪效果,有效提取特征值,并显著增加识别精度和模型优化速度。
本发明的技术方案:基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,包括如下步骤:
步骤1、采用小波阈值法对电能质量扰动信号进行预处理,再添加一个循环命令对小波阈值法的参数进行随机选择直到消噪效果的评价值达到设定值;
步骤2、将步骤1中得到的信号进行小波分解,并从中提取若干个维度能量构成输入特征向量;
步骤3、将输入特征向量输入到PNN神经网络,并采用MPA优化算法进行参数优化,完成扰动识别模型的优化训练,最终对测试信号进行准确分类。
上述的基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,步骤1中,采用小波阈值法对电能质量扰动信号进行预处理,按如下步骤进行:
步骤1.1:选取小波基函数和分解层数对电能质量扰动信号x(t)进行离散小波分解得到各层小波系数wi,其中离散小波分解如公式所示:
所述小波系数wi如下所示:
wi=ui+vi
步骤1.2:选取软硬阈值和阈值λ对小波系数wi进行消噪处理得到w′i:
式中:N为信号采集个数,δ为噪声标准差,w′i是阈值法处理后的第i层小波系数;
步骤1.3:对阈值法处理后的小波系数w′i进行重构得到消噪完成的电能质量扰动信号x′(t)。
前述的基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,步骤1中,添加一个循环命令对小波阈值法的参数进行随机选择直到消噪效果的评价值达到设定值,具体是,根据均方根误差对消噪完成的电能质量扰动信号x′(t)进行判断是否预处理完成,若不能满足判断条件重新进行步骤1.1-1.4直到完成满足条件,其中均方根误差公式下所示:
前述的基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,所述步骤2的具体过程为:
步骤2.1:根据小波变换中的多分辨分析法对步骤1中预处理好的电能质量扰动信号x′(t)进行多层分解:
式中:η(t)为尺度函数,ψ(t)为小波系数函数;ai(k)为第i层维度的低频能量;bi(k)为第i层维度的高频能量;
将高频能量的特征值和低频能量的特征值进行归一化处理,得到特征向量F:
式中:FA为正常电能信号的高频能量特征值,FBi为正常电能信号第i层维度的低频能量的特征值;
步骤2.2:将特征向量F分布在二维平面中,并从中选取若干个区分度最明显的维度能量构成输入特征向量F1。
前述的基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,所述步骤3的具体过程为:
步骤3.1:根据步骤2中的输入特征向量F1分为训练样本和测试样本,并搭建PNN神经网络;
其中,随机生成最小平滑参数σmin到最大平滑参数σmax之内的D个种群,平滑参数σ构成猎物矩阵Lw,优化平滑参数时,以PNN网络的识别精度误差为适应度函数,适应度高的种群对应最佳平滑参数σ',并构成精英矩阵Jy;
步骤3.2:将训练样本输入到PNN神经网络,并采用MPA算法优化PNN平滑参数σ,完成MPA优化PNN神经网络分类器;
其中根据当前迭代次数Md与最大迭代次数Zd将捕食过程分为三个阶段,猎物与捕食者采用不同的运动方式,以寻找全局最优解;
在第一阶段时,Md≤Zd/3,捕食者进行勘探寻找猎物,猎物矩阵采用Brownian进行自我更新,其表达式为:
在第二阶段时,Zd/3<Md≤2·Zd/3,猎物进行Lévy运动,精英矩阵采用Lévy运动进行更新,其表达式为:
式中:Jyi表示Jy中第i个平滑参数σ,L为Lévy分布的随机向量;同时,捕食者采用Brownian运动进行勘察策略,精英矩阵采用Brownian运动对猎物矩阵进行更新,且自动调节移动步长Cf,其表达式如下所示:
在第三阶段时,2·Zd/3<Md≤Zd,捕食者采用Lévy运动对猎物进行捕食,精英矩阵采用Brownian运动对猎物矩阵进行的更新,其表达式如下所示:
最后根据鱼类聚集装置改变捕食者捕食行为避免局部最优解,采用海洋记忆保存最佳平滑参数σ',从而更新精英矩阵,并进入下一轮捕食阶段,直到最后一次捕食输出全局最优平滑参数σMPA,完成MPA优化PNN神经网络,FADs表达为:
式中:U为0或1构成的向量,j∈[0,1]中的随机值,FADs=0.2,j1和j2是猎物矩阵中随机下标量;
步骤3.3:将测试样本输入到优化完成的PNN神经网络分类器中进行扰动分类。
与现有技术相比,本发明的通过添加一个循环命令对小波阈值法的参数进行随机选择直到消噪效果的评价值达到设定值,否则继续进行小波阈值法消噪。由于小波阈值法中存在各种不同类型的参数,每个不同的参数对不同种类的扰动信号消噪效果不一样,若消噪效果不理想,不同类型扰动信号的特征值会被噪声所覆盖,最终影响扰动信号的识别,因此本发明采用上述方式可以实现较好的消燥效果。同时,本发明采用的MPA优化PNN神经网络,提升识别精度。PNN神经网具有分类精度高、结构简单、训练速度快等优点,非常适合作为电能质量扰动识别的分类器,但其平滑参数通常是凭借人为经验进行选择,极大影响识别准确度,若平滑参数取值太小,概率神经网络将构成最邻近分类器;若平滑参数取值太大,概率神经网络将构成线性分类器。MPA是一种通过模拟海洋生物Lévy运动与Brownian运动选择最佳捕食策略的启发式优化算法,具有较快的单目标搜索能力。因此本发明才运用MPA算法优化平滑参数的选择,实现了识别精度的提升。
附图说明
图1为本发明的基本流程图;
图2为本发明的详细算法流程图;
图3为本发明所述的输入特征向量分布图;
图4为本发明所述的MPA优化PNN迭代过程图;
图5为本发明所述电能质量扰动识别分类图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明,但并不作为对本发明限制的依据。
实施例:基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,如图1所示,包括如下步骤:
步骤1、采用小波阈值法对电能质量扰动信号进行预处理,再添加一个循环命令对小波阈值法的参数进行随机选择直到消噪效果的评价值达到设定值;在现实的生活中采集各种电能质量扰动信号较为复杂、困难,本次实施方式采用国际标准和数学模型建立8种常见的电能质量扰动信号,具体包括:电压暂升(D1)、电压暂降(D2)、电压中断(D3)、电压闪变(D4)、谐波(D5)、谐波+电压暂升(D6)、谐波+电压中断(D7)、谐波+电压暂降(D8),如表1所示。又因为电能质量扰动信号在传输、接受、处理的过程中都会收到噪声的,对每种扰动信号分别添加30dB、20dB、无噪声等强度。根据仿真软件Matlab建立常见的8种电能质量扰动信号模型输入到本方法中,如下表1所示:
表1
在建立好电能质量扰动信号后,按以下步骤进行步骤1的具体实施:
步骤1.1:选取小波基函数和分解层数对电能质量扰动信号x(t)进行离散小波分解得到各层小波系数wi,其中离散小波分解如公式所示:
所述小波系数wi如下所示:
wi=ui+vi
步骤1.2:选取软硬阈值和阈值λ对小波系数wi进行消噪处理得到w′i:
式中:N为信号采集个数,δ为噪声标准差,w′i是阈值法处理后的第i层小波系数;
步骤1.3:对阈值法处理后的小波系数w′i进行重构得到消噪完成的电能质量扰动信号x′(t);
步骤1.4:根据均方根误差对消噪完成的电能质量扰动信号x′(t)进行判断是否预处理完成,若不能满足判断条件重新进行步骤1.1-1.4直到完成满足条件,本实施例中,评价值为RMSE=0.01或RMSE已经取得最小值,其中均方根误差公式下所示:
步骤2、将步骤1中得到的信号进行小波分解,并从中提取若干个维度能量构成输入特征向量,小波变换的多尺度分解原理是将扰动信号分解成低频能量和高频能量,然后再将上一层的低频能量分解成低频和高频能量一直到设定的分解层数后停止分解,每种扰动信号存储在这些低频和高频能量中,对电能质量扰动信号的细节部分有较好的保存效果,其中分解的小波基为db5,分解的层数为10。每种扰动信号的特征向量F分布在以横坐标为分解的维度层数,纵坐标为每层维度的能量值,并从中提取若干个区分度最为明显的维度层数构成输入特征向量F1,具体过程为:
步骤2.1:根据小波变换中的多分辨分析法对步骤1中预处理好的电能质量扰动信号x′(t)进行多层分解:
式中:η(t)为尺度函数,ψ(t)为小波系数函数;ai(k)为第i层维度的低频能量;bi(k)为第i层维度的高频能量;
将高频能量的特征值和低频能量的特征值进行归一化处理,得到特征向量F:
式中:FA为正常电能信号的高频能量特征值,FBi为正常电能信号第i层维度的低频能量的特征值;
步骤2.2:将特征向量F分布在二维平面中,并从中选取若干个区分度最明显的维度能量构成输入特征向量F1。
步骤3、将输入特征向量输入到PNN神经网络,并采用MPA优化算法进行参数优化,完成扰动识别模型的优化训练,最终对测试信号进行准确分类。PNN神经网具有分类精度高、结构简单、训练速度快等优点,非常适合作为电能质量扰动识别的分类器,但其平滑参数σ通常是凭借人为经验进行选择,极大影响识别准确度,若平滑参数σ取值太小,概率神经网络将构成最邻近分类器;若平滑参数σ取值太大,概率神经网络将构成线性分类器。MPA是一种通过模拟海洋生物Lévy运动与Brownian运动选择最佳捕食策略的启发式优化算法,具有较快的单目标搜索能力。因此本实施例采用MPA算法优化平滑参数σ的选择提升识别精度,具体过程为:
所述步骤3的具体过程为:
步骤3.1:根据步骤2中的输入特征向量F1分为训练样本和测试样本,并搭建PNN神经网络;
其中,随机生成最小平滑参数σmin到最大平滑参数σmax之内的D个种群,平滑参数σ构成猎物矩阵Lw,优化平滑参数时,以PNN网络的识别精度误差为适应度函数,适应度高的种群对应最佳平滑参数σ',并构成精英矩阵Jy;
步骤3.2:将训练样本输入到PNN神经网络,并采用MPA算法优化PNN平滑参数σ,完成MPA优化PNN神经网络分类器;
其中根据当前迭代次数Md与最大迭代次数Zd将捕食过程分为三个阶段,猎物与捕食者采用不同的运动方式,以寻找全局最优解;
在第一阶段时,Md≤Zd/3,捕食者进行勘探寻找猎物,猎物矩阵采用Brownian进行自我更新,其表达式为:
在第二阶段时,Zd/3<Md≤2·Zd/3,猎物进行Lévy运动,精英矩阵采用Lévy运动进行更新,其表达式为:
式中:Jyi表示Jy中第i个平滑参数σ,L为Lévy分布的随机向量;同时,捕食者采用Brownian运动进行勘察策略,精英矩阵采用Brownian运动对猎物矩阵进行更新,且自动调节移动步长Cf,其表达式如下所示:
在第三阶段时,2·Zd/3<Md≤Zd,捕食者采用Lévy运动对猎物进行捕食,精英矩阵采用Brownian运动对猎物矩阵进行的更新,其表达式如下所示:
最后根据鱼类聚集装置改变捕食者捕食行为避免局部最优解,采用海洋记忆保存最佳平滑参数σ',从而更新精英矩阵,并进入下一轮捕食阶段,直到最后一次捕食输出全局最优平滑参数σMPA,完成MPA优化PNN神经网络,FADs表达为:
式中:U为0或1构成的向量,j∈[0,1]中的随机值,FADs=0.2,j1和j2是猎物矩阵中随机下标量;
步骤3.3:将测试样本输入到优化完成的PNN神经网络分类器中进行扰动分类。
实验结果分析:
根据Matlab平台建立8种含有噪声的电能质量扰动信号,同等噪声下每个类型的扰动信号随机生成120组数据,共计960组数据(其中800组为训练样本,160组为测试样本),并利用本发明技术进行电能质量扰动信号识别分类。
首先采用改进小波阈值法对全部数据进行消噪处理,并根据小波变换对消噪完成的信号进行多尺度分解,提取其中各种类型区分度较为明显的维度能量构成输入特征向量F1,如图3所示,将第三、六、八层维度能量构成输入特征向量F1,其各个电能质量扰动类型有较好的分布情况,然后将确定此维度为输入特征向量F1并输入到MPA优化的PNN分类器中进行训练。
其次MPA参数设定为:种群数量=10,迭代次数=20,鱼类聚集装置=0.2;PNN平滑参数σ的搜索空间=[0,1],其迭代次数过程如4所示。
从4图可以看出,第1-6次迭代为MPA优化的第一阶段,PNN的识别误差从0.213急剧下降到0.031;第7-13次迭代为MPA优化的第二阶段,识别误差下降到0.0187并趋于稳定;第14-20次迭代为MPA优化的第三阶段,识别误差稳定与0.0187。因此,MPA对PNN的优化完成,且识别准确度保持在98%以上。
最终将测试样本输入到优化完成的分类器中进行扰动识别分类,其分类结果图如5所示。
从5图可以看出,在20dB信噪比下,8种电能质量扰动信号(共160组数据)采用改进小波阈值法-MPA-PNN方法的识别测试结果,识别精度为98.13%。
电能在实际的传输、采集、处理的过程中会受到噪声的干扰,最终影响扰动信号的识别和分类。因此,进行各种强度的信噪比下进行8种电能质量扰动类型的识别,其分类准确度如表2所示。
表2
如表2所示,在无信噪比下,不同类型的识别精度均为100%,30dB和20dB信噪比下的总体识别精度分别为99.38%和98.13%。
为验证本发明有更快的模型优化速度,将本发明与遗传算法优化进行对比实验,在相同迭代次数和种群大小下每个方法各进行了50次实验并记录每一次的优化时间进行平均值计算,如表3所示:
表3
如表3所示,在不同信噪比下,本发明的训练时间约为13s,小于遗传算法优化时间的17s,时间缩短百分之23.5%。因此,MPA优化方法可以在更短的时间内获得更高识别精度的平滑参数,即在搜索效率及能力方面,MPA方法均优于GA,更加适用于电能质量扰动识别网络的搭建。
综上所述,本发明提出的改进小波阈值法与MPA优化PNN的电能质量扰动识别方法在复杂的电能质量环境中有一定的消噪能力并准确的提取出不同类型的电能质量扰动特征值,信噪比强度在20dB下时其分类准确度达到98%以上;与遗传算法对比验证本发明专利有更快模型优化时间,大约提升23%。因此,本发明具有一定消噪性及较高的识别精度,在电力工程中具有一定的实用价值,较快的模型优化时间对于建立大区域、长时间跨度的扰动识别模型具有明确的实际意义。
Claims (5)
1.基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,其特征在于:包括如下步骤:
步骤1、采用小波阈值法对电能质量扰动信号进行预处理,再添加一个循环命令对小波阈值法的参数进行随机选择直到消噪效果的评价值达到设定值;
步骤2、将步骤1中得到的信号进行小波分解,并从中提取若干个维度能量构成输入特征向量;
步骤3、将输入特征向量输入到PNN神经网络,并采用MPA优化算法进行参数优化,完成扰动识别模型的优化训练,最终对测试信号进行准确分类。
2.根据权利要求1所述的基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,其特征在于:步骤1中,采用小波阈值法对电能质量扰动信号进行预处理,按如下步骤进行:
步骤1.1:选取小波基函数和分解层数对电能质量扰动信号x(t)进行离散小波分解得到各层小波系数wi,其中离散小波分解如公式所示:
所述小波系数wi如下所示:
wi=ui+vi
步骤1.2:选取软硬阈值和阈值λ对小波系数wi进行消噪处理得到w′i:
式中:N为信号采集个数,δ为噪声标准差,w′i是阈值法处理后的第i层小波系数;
步骤1.3:对阈值法处理后的小波系数w′i进行重构得到消噪完成的电能质量扰动信号x′(t)。
4.根据权利要求1所述的基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,其特征在于:所述步骤2的具体过程为:
步骤2.1:根据小波变换中的多分辨分析法对步骤1中预处理好的电能质量扰动信号x′(t)进行多层分解:
式中:η(t)为尺度函数,ψ(t)为小波系数函数;ai(k)为第i层维度的低频能量;bi(k)为第i层维度的高频能量;
将高频能量的特征值和低频能量的特征值进行归一化处理,得到特征向量F:
式中:FA为正常电能信号的高频能量特征值,FBi为正常电能信号第i层维度的低频能量的特征值;
步骤2.2:将特征向量F分布在二维平面中,并从中选取若干个区分度最明显的维度能量构成输入特征向量F1。
5.根据权利要求1所述的基于改进小波阈值法与MPA优化PNN的电能质量扰动识别方法,其特征在于:所述步骤3的具体过程为:
步骤3.1:根据步骤2中的输入特征向量F1分为训练样本和测试样本,并搭建PNN神经网络;
其中,随机生成最小平滑参数σmin到最大平滑参数σmax之内的D个种群,平滑参数σ构成猎物矩阵Lw,优化平滑参数时,以PNN网络的识别精度误差为适应度函数,适应度高的种群对应最佳平滑参数σ',并构成精英矩阵Jy;
步骤3.2:将训练样本输入到PNN神经网络,并采用MPA算法优化PNN平滑参数σ,完成MPA优化PNN神经网络分类器;
其中根据当前迭代次数Md与最大迭代次数Zd将捕食过程分为三个阶段,猎物与捕食者采用不同的运动方式,以寻找全局最优解;
在第一阶段时,Md≤Zd/3,捕食者进行勘探寻找猎物,猎物矩阵采用Brownian进行自我更新,其表达式为:
在第二阶段时,Zd/3<Md≤2·Zd/3,猎物进行Lévy运动,精英矩阵采用Lévy运动进行更新,其表达式为:
式中:Jyi表示Jy中第i个平滑参数σ,L为Lévy分布的随机向量;同时,捕食者采用Brownian运动进行勘察策略,精英矩阵采用Brownian运动对猎物矩阵进行更新,且自动调节移动步长Cf,其表达式如下所示:
在第三阶段时,2·Zd/3<Md≤Zd,捕食者采用Lévy运动对猎物进行捕食,精英矩阵采用Brownian运动对猎物矩阵进行的更新,其表达式如下所示:
最后根据鱼类聚集装置改变捕食者捕食行为避免局部最优解,采用海洋记忆保存最佳平滑参数σ',从而更新精英矩阵,并进入下一轮捕食阶段,直到最后一次捕食输出全局最优平滑参数σMPA,完成MPA优化PNN神经网络,FADs表达为:
式中:U为0或1构成的向量,j∈[0,1]中的随机值,FADs=0.2,j1和j2是猎物矩阵中随机下标量;
步骤3.3:将测试样本输入到优化完成的PNN神经网络分类器中进行扰动分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111231403.3A CN113934972A (zh) | 2021-10-22 | 2021-10-22 | 基于改进小波阈值法与mpa优化pnn的电能质量扰动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111231403.3A CN113934972A (zh) | 2021-10-22 | 2021-10-22 | 基于改进小波阈值法与mpa优化pnn的电能质量扰动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113934972A true CN113934972A (zh) | 2022-01-14 |
Family
ID=79283698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111231403.3A Pending CN113934972A (zh) | 2021-10-22 | 2021-10-22 | 基于改进小波阈值法与mpa优化pnn的电能质量扰动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113934972A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520926A (zh) * | 2024-01-04 | 2024-02-06 | 南京灿能电力自动化股份有限公司 | 一种电能质量分析方法及装置 |
-
2021
- 2021-10-22 CN CN202111231403.3A patent/CN113934972A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117520926A (zh) * | 2024-01-04 | 2024-02-06 | 南京灿能电力自动化股份有限公司 | 一种电能质量分析方法及装置 |
CN117520926B (zh) * | 2024-01-04 | 2024-04-16 | 南京灿能电力自动化股份有限公司 | 一种电能质量分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881714B (zh) | 一种无监督跨域行人再识别方法 | |
CN108647614A (zh) | 心电图心拍分类识别方法及系统 | |
CN107392919B (zh) | 基于自适应遗传算法的灰度阈值获取方法、图像分割方法 | |
CN110544177A (zh) | 基于电力指纹的负荷识别方法及计算机可读存储介质 | |
CN105512681A (zh) | 一种目标类别图片的获取方法及系统 | |
CN108664950A (zh) | 一种基于深度学习的电能质量扰动识别与分类方法 | |
CN109740734B (zh) | 一种利用优化神经元空间排布的卷积神经网络的图像分类方法 | |
CN111860488A (zh) | 一种杆塔鸟巢检测与识别方法、装置、设备及其介质 | |
CN115659665A (zh) | 一种基于野马优化算法的电压暂降源信号降噪与识别的方法 | |
CN114169377A (zh) | 基于g-mscnn的有噪环境中滚动轴承故障诊断方法 | |
CN113934972A (zh) | 基于改进小波阈值法与mpa优化pnn的电能质量扰动识别方法 | |
CN114091529A (zh) | 一种基于生成对抗网络数据增强的脑电情感识别方法 | |
CN117574057B (zh) | 一种立式水泵机组智能故障诊断方法 | |
CN114441173A (zh) | 基于改进深度残差收缩网络的滚动轴承故障诊断方法 | |
CN112487933B (zh) | 一种基于自动化深度学习的雷达波形识别方法及系统 | |
CN112244863A (zh) | 信号识别方法、信号识别装置、电子设备及可读存储介质 | |
CN114581470B (zh) | 一种基于植物群落行为的图像边缘检测方法 | |
CN116595449A (zh) | 基于改进ssa优化支持向量机的异步电机故障诊断方法 | |
CN116229254A (zh) | 一种近海浮筏和深水养殖区的遥感提取方法 | |
CN116051924A (zh) | 一种图像对抗样本的分治防御方法 | |
CN111539275B (zh) | 一种基于负载特性可视化的电气负载分类方法和系统 | |
CN114596567A (zh) | 一种基于动态前馈神经网络结构和成长率函数的手写数字识别方法 | |
CN112926450A (zh) | 一种基于深度信念网络的叶片病害特征识别方法 | |
CN112738724A (zh) | 一种区域目标人群的精准识别方法、装置、设备和介质 | |
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 |