CN114239653A - 一种基于kpca-miv-lstm的故障电弧多域识别方法 - Google Patents
一种基于kpca-miv-lstm的故障电弧多域识别方法 Download PDFInfo
- Publication number
- CN114239653A CN114239653A CN202111540125.XA CN202111540125A CN114239653A CN 114239653 A CN114239653 A CN 114239653A CN 202111540125 A CN202111540125 A CN 202111540125A CN 114239653 A CN114239653 A CN 114239653A
- Authority
- CN
- China
- Prior art keywords
- kpca
- domain
- lstm
- miv
- principal component
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 230000007787 long-term memory Effects 0.000 claims abstract description 5
- 238000000513 principal component analysis Methods 0.000 claims abstract description 5
- 230000006403 short-term memory Effects 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000001413 cellular effect Effects 0.000 claims description 3
- 238000013145 classification model Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 244000020998 Acacia farnesiana Species 0.000 description 1
- 235000010643 Leucaena leucocephala Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
Images
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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
- G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种基于KPCA‑MIV‑LSTM的故障电弧多域识别方法，包括：获取不同负载条件下的单相电流信号；分离测量信号中的非相关分量，对获取的单相电流进行预处理；选取KPCA算法预处理后信号中贡献度超过85％的第一主成分作为后续处理目标进行时域、频域和能量域多域特征分析；评估选择对应的负载条件下的高相关特征；将筛选后的高相关特征作为LSTM长短期记忆网络的训练集和测试集，进行不同负载条件下串联电弧故障的检测识别。本发明对故障串联电弧电流信号进行KPCA主成分分析，分离测量信号中的非相关分量，选择贡献度最优解第一主成分分量；从时域、频域和能量域中各种指标对KPCA预处理后的信号进行分析处理。
Description
技术领域
本发明涉及低压等级下串联故障电弧的识别技术领域，尤其是一种基于KPCA-MIV-LSTM的故障电弧多域识别方法。
背景技术
目前的电弧故障检测技术有以下四类，各自的缺陷如下：
(1)基于仿真模型的电弧故障检测技术
先前，大量学者对电弧模型仿真进行了研究，根据能量守恒定律和弧柱等离子体特性求解推导获得多种电弧模型，如用于模拟高电阻电弧的Cassie模型、用于模拟低电阻电弧的Mayr模型和基于Mayr改进的Schavemaker模型等。虽然电弧模型的建立可以在一定程度上模拟电弧波形获取电弧特征，成本较低，但模型的建立过程存在部分假设，不能完全体现电弧故障的所有特征，且无法模拟电弧故障的随机性，在模型的应用方面会受到一定限制，目前主要停留在仿真分析阶段。
(2)基于物理特性的电弧故障检测技术
基于物理特性的电弧故障检测技术，主要是利用电弧的弧光、辐射、温度以及噪声等特征，当监测到电弧的上述特征出现，则判定出现电弧故障。由于传感器只能在特定范围内监测到电弧的物理特性，基于物理特性的电弧故障检测技术只适用于特定部位的电弧故障检测，如适用于对配电系统开关柜的电弧故障检测，而不适用于对较长线路的电弧故障检测。
(3)基于时频特性的电弧故障检测技术
针对发生畸变的电弧电压波形、电弧电流波形进行分析，进而从时域方面提取电流平均值、电流变化率、电流电荷含量变化情况、电流有效值标准偏差等参数为特征信号，频域方面提取宽带噪声周期性情况、各次谐波含量、总谐波失真率、间谐波含量等参数为特征信号以判别电弧故障，且基于时频特性的电弧故障检测技术是目前最常用的电弧故障检测方法。但其也存在以下缺陷：第一，误判率较高；第二，对电压波形的采集易受安装位置的限制；第三，电压信号的采集需要在电弧两端加数据采集模块，具有一定的局限性，一般不建议采集电弧电压，电流检测的位置更加灵活。
(4)智能化电弧故障检测技术
目前，利用先进的智能计算、自适应控制算法以及逻辑策略表达等新兴技术对电弧故障特征进行智能信息处理并设计相应检测技术，可以有效突破传统检测技术的局限性成为了新的热点和重点研究方向。针对电弧电流信号提取特征，由BP神经网络建立各个特征量与电弧故障的映射关系，但BP神经网络算法的收敛速度慢；通过向支持向量机(SVM)输入谱特征或其他特征来实现电弧故障检测但是支持向量机在多分类问题中表现不佳，难以应用于样本量大的情况；电流的小波系数作为BPNN、随机森林(RF)和受限玻耳兹曼机(RBM)的输入，虽然其精度相对较高，但使用单一类型的特征量训练的电弧检测模型容易过度拟合，并且在其他组合负载中表现不佳；将电流波形转换为灰度图像并使用卷积神经网络(CNN)进行识别的方法，以实现更高精度的单负载电弧故障检测。但由于CNN训练时间过长，算法的移植非常困难，很难实际应用于电弧故障的在线检测。
发明内容
本发明的目的在于提供一种能够实现低压等级下串联电弧故障的有效识别，减少计算量而且提高检测速度和精度，解决识别串联电弧故障困难问题的基于KPCA-MIV-LSTM的故障电弧多域识别方法。
为实现上述目的，本发明采用了以下技术方案：一种基于KPCA-MIV-LSTM的故障电弧多域识别方法，该方法包括下列顺序的步骤：
(1)通过串联电弧故障测试平台进行实验，获取不同负载条件下的单相电流信号；
(2)运用KPCA算法降维，通过计算核矩阵的特征向量，分离测量信号中的非相关分量，对获取的单相电流进行预处理；
(3)选取KPCA算法预处理后信号中贡献度超过85％的第一主成分作为后续处理目标进行时域、频域和能量域多域特征分析；
(4)通过对各种负载类型下的多域特征进行MIV平均影响值计算，评估选择对应的负载条件下的高相关特征；
(5)将筛选后的高相关特征作为LSTM长短期记忆网络的训练集和测试集，进行不同负载条件下串联电弧故障的检测识别。
在所述步骤(2)中，对获取的单相电流进行预处理具体包括以下步骤：
(2a)假设电流信号数据集是m行n列的矩阵I，将电流信号数据集映射到高维空间
通过PCA主成分分析法对高维空间进行降维：
Φ(I)Φ(I)Tei＝λiei (1)
其中，Φ(I)为样本集合，ei是高维空间中的特征向量，λi是对应的特征值，i＝1,2,...,n；
(2b)用样本集Φ变换特征向量的线性表达式：
令
ei＝Φ(I)α (3)
代入公式ei，i＝1,2,...,n，得到以下形式：
Φ(I)Φ(I)TΦ(I)α＝λiΦ(I)α (4)
然后将方程Φ(I)的两边左乘，公式如下：
Φ(I)TΦ(I)Φ(I)TΦ(I)α＝λiΦ(I)TΦ(I)α (5)
构造两个Φ(I)TΦ(I)并替换为一个核矩阵K；
(2c)公式(5)进一步变为如下形式：
K2α＝λiKα (6)
两边同时去除K，得到了PCA相似度极高的求解公式：
Kα＝λiα (7)；
(2d)将特征向量按对应的特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，P即为降维后的数据。
在所述步骤(3)中，选取KPCA算法预处理后信号中贡献度超过85％的第一主成分具体包括以下步骤：
(3a)通过计算累积方差贡献率确定主元素的数量：
式中，ηp为累计贡献率，λ为特征值，p为第p个主成分；
(3b)选择大于85％的累积贡献率来替代所有影响因素。
所述步骤(4)具体包括以下步骤：
(4a)对一个样本，对训练样本分别增加、减少10％，得到两个训练样本：
式中，i为样本；
(4b)把新特征向量作为训练好分类模型的输入,即将两个训练样本输入到BP神经网络；
(4c)重新分类，得到第i个特征变化时与其对应的2n个输出向量，i＝1,2,…,m；
计算两个样本之间的差值：
式中，Fi为输出向量；
(4d)得到各特征平均影响值MIV：
式中，IVi为输出样本差值；
(4e)对平均影响值MIV进行排序，获得各种影响因素对预测结果的权重。
所述步骤(5)具体包括以下步骤：
(5a)构建一个LSTM神经网络，将特征数据集加载到训练集X中，训练集X是一个单元阵列；
(5b)定义LSTM网络架构：
计算遗忘门，选择要遗忘的信息：
ft＝σ[Wf·(ht-1,It+bf)]
其中，It为t时刻输入样本、ht-1为前一个隐藏层数据，bf为偏移量，Wf为权重矩阵，σ为sigmoid激活函数；
计算记忆门，选择要记忆的信息：
it＝σ[Wi·(ht-1,It+bi)]
其中，
为临时细胞状态；
计算当前时刻细胞状态：
其中，it为记忆门的值，ft为遗忘门的值，Ct-1为上一刻细胞状态；
计算输出门和当前时刻隐层状态：
ot＝σ[Wo·[ht-1,It]+bo]
ht＝ot*tanh(Ct)
其中，ot为输出门的值,ht为隐层状态；
将输入大小指定为9，9为输入数据的特征数，指定一个LSTM图层，使其具有100个隐藏单位并输出序列的最后一个元素，最后，通过包含大小为4的完全连接层，然后是softmax层和分类层，指定九个类；
(5c)指定训练选项，通过Adam进行参数优化，将Gradient Threshold梯度阈值指定为1，对训练输入数据进行预测。
由上述技术方案可知，本发明的有益效果为：第一，本发明利用KPCA算法能够更好地提取非线性和非平稳信号的特征，通过计算核矩阵的特征向量，可以分离测量信号中的非相关分量，选取贡献度最优解第一主成分，解决电网谐波分量较大和负荷噪声的严重干扰使得串联电弧故障信号特征不易分析的问题；第二，本发明采用平均影响值进行不同负载条件下的特征筛选，MIV能够反映出各变量在神经网络中的权重矩阵变化，可定量评价各自变量对于因变量影响的重要性大小，确保所筛选的特征与相应负载高度适应；第三，在序列建模问题上有一定优势，具有长时记忆功能。实现起来简单，解决了长序列训练过程中存在的梯度消失和梯度爆炸的问题，作为非线性模型，LSTM可作为复杂的非线性单元用于构造更大型深度神经网络。
附图说明
图1为本发明的方法流程图。
具体实施方式
如图1所示，一种基于KPCA-MIV-LSTM的故障电弧多域识别方法，该方法包括下列顺序的步骤：
(1)通过串联电弧故障测试平台进行实验，获取不同负载条件下的单相电流信号；
(2)运用KPCA算法降维，通过计算核矩阵的特征向量，分离测量信号中的非相关分量，对获取的单相电流进行预处理；
(3)选取KPCA算法预处理后信号中贡献度超过85％的第一主成分作为后续处理目标进行时域、频域和能量域多域特征分析；
(4)通过对各种负载类型下的多域特征进行MIV平均影响值计算，评估选择对应的负载条件下的高相关特征；
(5)将筛选后的高相关特征作为LSTM长短期记忆网络的训练集和测试集，进行不同负载条件下串联电弧故障的检测识别。
在所述步骤(2)中，对获取的单相电流进行预处理具体包括以下步骤：
(2a)假设电流信号数据集是m行n列的矩阵I，将电流信号数据集映射到高维空间
通过PCA主成分分析法对高维空间进行降维：
Φ(I)Φ(I)Tei＝λiei (1)
其中，Φ(I)为样本集合，ei是高维空间中的特征向量，λi是对应的特征值，i＝1,2,...,n；
(2b)用样本集Φ变换特征向量的线性表达式：
令
ei＝Φ(I)α (3)
代入公式ei，i＝1,2,...,n，得到以下形式：
Φ(I)Φ(I)TΦ(I)α＝λiΦ(I)α (4)
然后将方程Φ(I)的两边左乘，公式如下：
Φ(I)TΦ(I)Φ(I)TΦ(I)α＝λiΦ(I)TΦ(I)α (5)
构造两个Φ(I)TΦ(I)并替换为一个核矩阵K；
(2c)公式(5)进一步变为如下形式：
K2α＝λiKα (6)
两边同时去除K，得到了PCA相似度极高的求解公式：
Kα＝λiα (7)；
求K最大的几个特征值所对应的特征向量，由于K为对称矩阵，所得的解向量彼此之间肯定是正交的。得到高维空间的一组基ei(i＝1,……,d)，这组基可以构成高维空间的一个子空间，目的就是得到测试样本xnew在这个子空间中的线性表示，也就是降维之后的向量；
(2d)将特征向量按对应的特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，P即为降维后的数据。
在所述步骤(3)中，选取KPCA算法预处理后信号中贡献度超过85％的第一主成分具体包括以下步骤：
(3a)通过计算累积方差贡献率确定主元素的数量：
式中，ηp为累计贡献率，λ为特征值，p为第p个主成分；
(3b)选择大于85％的累积贡献率来替代所有影响因素。
所述步骤(4)具体包括以下步骤：
(4a)对一个样本，对训练样本分别增加、减少10％，得到两个训练样本：
式中，i为样本；
(4b)把新特征向量作为训练好分类模型的输入,即将两个训练样本输入到BP神经网络；
(4c)重新分类，得到第i个特征变化时与其对应的2n个输出向量，i＝1,2,…,m；
计算两个样本之间的差值：
式中，Fi为输出向量；
(4d)得到各特征平均影响值MIV：
式中，IVi为输出样本差值；
(4e)对平均影响值MIV进行排序，获得各种影响因素对预测结果的权重。
所述步骤(5)具体包括以下步骤：
(5a)构建一个LSTM神经网络，将特征数据集加载到训练集X中，训练集X是一个单元阵列；
(5b)定义LSTM网络架构：
计算遗忘门，选择要遗忘的信息：
ft＝σ[Wf·(ht-1,It+bf)]
其中，It为t时刻输入样本、ht-1为前一个隐藏层数据，bf为偏移量，Wf为权重矩阵，σ为sigmoid激活函数；
计算记忆门，选择要记忆的信息：
it＝σ[Wi·(ht-1,It+bi)]
其中，
为临时细胞状态；
计算当前时刻细胞状态：
其中，it为记忆门的值，ft为遗忘门的值，Ct-1为上一刻细胞状态；
计算输出门和当前时刻隐层状态：
ot＝σ[Wo·[ht-1,It]+bo]
ht＝ot*tanh(Ct)
其中，ot为输出门的值,ht为隐层状态；
将输入大小指定为9，9为输入数据的特征数，指定一个LSTM图层，使其具有100个隐藏单位并输出序列的最后一个元素，最后，通过包含大小为4的完全连接层，然后是softmax层和分类层，指定九个类；
(5c)指定训练选项，通过Adam进行参数优化，将Gradient Threshold梯度阈值指定为1，对训练输入数据进行预测。
综上所述，本发明对故障串联电弧电流信号进行KPCA主成分分析，分离测量信号中的非相关分量，选择贡献度最优解第一主成分分量；从时域、频域和能量域三个方面中各种指标对KPCA预处理后的信号进行分析处理；利用MIV评估不同种负载条件下高度相关性权重，并得到相应的特征组合，大大降低了LSTM模型的复杂度，提高了电弧检测的速度和精度。
Claims (5)
1.一种基于KPCA-MIV-LSTM的故障电弧多域识别方法，其特征在于：该方法包括下列顺序的步骤：
(1)通过串联电弧故障测试平台进行实验，获取不同负载条件下的单相电流信号；
(2)运用KPCA算法降维，通过计算核矩阵的特征向量，分离测量信号中的非相关分量，对获取的单相电流进行预处理；
(3)选取KPCA算法预处理后信号中贡献度超过85％的第一主成分作为后续处理目标进行时域、频域和能量域多域特征分析；
(4)通过对各种负载类型下的多域特征进行MIV平均影响值计算，评估选择对应的负载条件下的高相关特征；
(5)将筛选后的高相关特征作为LSTM长短期记忆网络的训练集和测试集，进行不同负载条件下串联电弧故障的检测识别。
2.根据权利要求1所述的一种基于KPCA-MIV-LSTM的故障电弧多域识别方法，其特征在于：在所述步骤(2)中，对获取的单相电流进行预处理具体包括以下步骤：
(2a)假设电流信号数据集是m行n列的矩阵I，将电流信号数据集映射到高维空间
通过PCA主成分分析法对高维空间进行降维：
Φ(I)Φ(I)Tei＝λiei (1)
其中，Φ(I)为样本集合，ei是高维空间中的特征向量，λi是对应的特征值，i＝1,2,...,n；
(2b)用样本集Φ变换特征向量的线性表达式：
令
ei＝Φ(I)α (3)
代入公式ei，得到以下形式：
Φ(I)Φ(I)TΦ(I)α＝λiΦ(I)α (4)
然后将方程Φ(I)的两边左乘，公式如下：
Φ(I)TΦ(I)Φ(I)TΦ(I)α＝λiΦ(I)TΦ(I)α (5)
构造两个Φ(I)TΦ(I)并替换为一个核矩阵K；
(2c)公式(5)进一步变为如下形式：
K2α＝λiKα (6)
两边同时去除K，得到了PCA相似度极高的求解公式：
Kα＝λiα (7)；
(2d)将特征向量按对应的特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P，P即为降维后的数据。
3.根据权利要求1所述的一种基于KPCA-MIV-LSTM的故障电弧多域识别方法，其特征在于：在所述步骤(3)中，选取KPCA算法预处理后信号中贡献度超过85％的第一主成分具体包括以下步骤：
(3a)通过计算累积方差贡献率确定主元素的数量：
式中，ηp为累计贡献率，λ为特征值，p为第p个主成分；
(3b)选择大于85％的累积贡献率来替代所有影响因素。
4.根据权利要求1所述的一种基于KPCA-MIV-LSTM的故障电弧多域识别方法，其特征在于：所述步骤(4)具体包括以下步骤：
(4a)对一个样本，对训练样本分别增加、减少10％，得到两个训练样本：
式中，i为样本；
(4b)把新特征向量作为训练好分类模型的输入,即将两个训练样本输入到BP神经网络；
(4C)重新分类，得到第i个特征变化时与其对应的2n个输出向量，i＝1,2,…,m；
计算两个样本之间的差值：
式中，Fi为输出向量；
(4d)得到各特征平均影响值MIV：
式中，IVi为输出样本差值；
(4e)对平均影响值MIV进行排序，获得各种影响因素对预测结果的权重。
5.根据权利要求1所述的一种基于KPCA-MIV-LSTM的故障电弧多域识别方法，其特征在于：所述步骤(5)具体包括以下步骤：
(5a)构建一个LSTM神经网络，将特征数据集加载到训练集X中，训练集X是一个单元阵列；
(5b)定义LSTM网络架构：
计算遗忘门，选择要遗忘的信息：
ft＝σ[Wf·(ht-1,It+bf)]
其中，It为t时刻输入样本、ht-1为前一个隐藏层数据，bf为偏移量，Wf为权重矩阵，σ为sigmoid激活函数；
计算记忆门，选择要记忆的信息：
it＝σ[Wi·(ht-1,It+bi)]
其中，
为临时细胞状态；
计算当前时刻细胞状态：
其中，it为记忆门的值，ft为遗忘门的值，Ct-1为上一刻细胞状态；
计算输出门和当前时刻隐层状态：
ot＝σ[Wo·[ht-1,It]+bo]
ht＝ot*tanh(Ct)
其中，ot为输出门的值,ht为隐层状态；
将输入大小指定为9，9为输入数据的特征数，指定一个LSTM图层，使其具有100个隐藏单位并输出序列的最后一个元素，最后，通过包含大小为4的完全连接层，然后是softmax层和分类层，指定九个类；
(5c)指定训练选项，通过Adam进行参数优化，将Gradient Threshold梯度阈值指定为1，对训练输入数据进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111540125.XA CN114239653A (zh) | 2021-12-16 | 2021-12-16 | 一种基于kpca-miv-lstm的故障电弧多域识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111540125.XA CN114239653A (zh) | 2021-12-16 | 2021-12-16 | 一种基于kpca-miv-lstm的故障电弧多域识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114239653A true CN114239653A (zh) | 2022-03-25 |
Family
ID=80756738
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111540125.XA Pending CN114239653A (zh) | 2021-12-16 | 2021-12-16 | 一种基于kpca-miv-lstm的故障电弧多域识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114239653A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648634A (zh) * | 2024-01-30 | 2024-03-05 | 合肥工业大学 | 基于时域和频域信息配电网连接金具性能预测方法及系统 |
-
2021
- 2021-12-16 CN CN202111540125.XA patent/CN114239653A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117648634A (zh) * | 2024-01-30 | 2024-03-05 | 合肥工业大学 | 基于时域和频域信息配电网连接金具性能预测方法及系统 |
| CN117648634B (zh) * | 2024-01-30 | 2024-04-16 | 合肥工业大学 | 基于时域和频域信息配电网连接金具性能预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114077846B (zh) | 一种基于rf-lstm的故障电流多域识别方法及存储介质 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| CN111126575A (zh) | 基于机器学习的气体传感器阵列混合气体检测方法及装置 | |
| CN110672905A (zh) | 基于cnn的自监督电压暂降源辨识方法 | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| CN113591728A (zh) | 基于集成深度学习的电能质量扰动分类方法 | |
| CN116524200A (zh) | 一种基于图像识别的高压断路器故障诊断方法 | |
| CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
| CN111563827A (zh) | 基于电器物理特性及居民用电行为的负荷分解方法 | |
| CN116819423A (zh) | 关口电能计量装置运行状态异常检测方法及系统 | |
| CN111695607A (zh) | 基于lstm增强模型的电子设备故障预测方法 | |
| CN112504682A (zh) | 基于粒子群优化算法的底盘发动机故障诊断方法及系统 | |
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN113126489B (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 | |
| CN117349614A (zh) | 基于自注意力机制和时空图卷积网络的频率稳定预测方法 | |
| CN114239653A (zh) | 一种基于kpca-miv-lstm的故障电弧多域识别方法 | |
| CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
| CN110866840A (zh) | 基于知识图谱的电力负荷特征量训练的数据库建模方法 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN113536662A (zh) | 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法 | |
| CN117874615A (zh) | 一种基于深度数字孪生的光伏故障诊断方法以及系统 | |
| CN117471252A (zh) | 基于iceemdan-kpca特征提取与soa-kelm的直流故障电弧诊断方法 | |
| CN117520809A (zh) | 一种基于EEMD-KPCA-CNN-BiLSTM的变压器故障诊断方法 | |
| CN111090679A (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
| CN115275977A (zh) | 一种用电负荷预测方法及装置 |
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 |