CN114925732A - 基于调节因子自适应选取的s变换电能质量扰动识别方法 - Google Patents

基于调节因子自适应选取的s变换电能质量扰动识别方法 Download PDF

Info

Publication number
CN114925732A
CN114925732A CN202210631276.4A CN202210631276A CN114925732A CN 114925732 A CN114925732 A CN 114925732A CN 202210631276 A CN202210631276 A CN 202210631276A CN 114925732 A CN114925732 A CN 114925732A
Authority
CN
China
Prior art keywords
matrix
power quality
disturbance
sparrow
value
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
Application number
CN202210631276.4A
Other languages
English (en)
Inventor
袁莉芬
吴帅
何怡刚
尹柏强
程珍
张凯
张永康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN202210631276.4A priority Critical patent/CN114925732A/zh
Publication of CN114925732A publication Critical patent/CN114925732A/zh
Pending legal-status Critical Current

Links

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
    • 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
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Nonlinear Science (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于调节因子自适应选取的S变换电能质量扰动识别方法，包括如下步骤：首先电能质量电压信号采集，将采集到的电能质量电压信号进行压缩感知降噪处理；然后对降噪处理后的电压信号通过改进S变换方法进行处理，获得S矩阵，从S矩阵中提取各扰动信号的特征曲线，并从特征曲线中提取各扰动特征相量，加入电能质量扰动相量集中；最后采用改进的麻雀算法优化的支持相量机对提取出的电能质量扰动特征值进行分类。本申请采用压缩感知降噪理论对扰动信号进行预处理，提高抗干扰能力，优化了整个S矩阵，增大S变换中调节因子的选取范围，最大程度上减小调节因子选取造成的检测误差，特征量提取更加准确，进而提高识别分类精度。

Description

基于调节因子自适应选取的S变换电能质量扰动识别方法
技术领域
本发明涉及电性能测试和电故障探测领域，尤其涉及一种基于调节因子自适应选取的S变换电能质量扰动识别方法。
背景技术
近年来，随着风能、光能等清洁能源的并网、大量敏感电力电子设备的使用以及新能源汽车充电桩接入电网，所引发的电压暂降、电压波动、谐波以及多种复合扰动等电能质量问题也越来越严重。电能质量扰动识别分类是电能质量治理的前提，因此电能质量扰动识别与分类至关重要。电能质量扰动的识别与分类过程主要包括信号检测和扰动分类两部分。
目前，电能质量扰动识别一般以时频分析方法为主，如短时傅里叶变换、小波变换、S变换以及希尔伯特-黄变换等等。其中短时傅里叶变换虽然具有时频分析的能力，但其窗函数的形状与大小固定，不能很好的捕捉到扰动信号的瞬态特征；小波变换通过引入尺度和平移因子，具有可变的时频分辨率，但其对高频噪声敏感，母小波选择困难；希尔伯特-黄变换对暂态振荡类电能质量扰动易存在端点效应和模态混叠的问题；S变换引入宽度和频率成反比变换的高斯窗，其时频分辨率自适应依赖频率而非尺度，但其窗宽-频率相对固定，不能根据扰动信号的特征灵活的调节时频分辨率。
常用的扰动分类方法主要有人工神经网络、决策树、支持向量机等。人工神经网络可以解决非线性问题如预测、模式识别等，具有很好的鲁棒性和自适应能力，但其分类准确率易受网络结构、噪声含量的影响，不适用特征维数高的扰动分类问题；决策树具有结构简单、分类规则易于理解，分类效率与准确率较高等优点，但需对参数进行调节，易出现过拟合问题；支持向量机具有计算简单、方法鲁棒性强和学习能力强等特点，更适合高维特征分类问题，但惩罚因子和核参数的选取对其分类准确性至关重要。
例如，一种在中国专利文献上公开的“一种采用时域压缩多分辨率快速S变换特征提取的电能质量扰动识别方法”，其公告号CN107832777A，包括包括电能质量扰动信号仿真，对扰动信号进行多分辨率快速S变换处理，在确定特征的前提下，对快速S变换过程中每个主要频率点的加窗傅里叶变换逆变换结果计算所需保留信息，构造中间矩阵，对中间矩阵提取有效特征构建特征向量，用于分类器构建。上述方法将扰动信号频率划分为三段(低频部分为1Hz至100Hz；中频部分为101Hz至700Hz；高频部分为701Hz至fs/2Hz)，在三个频段使用不同的调节因子对扰动信号进行特征提取，只提取特定频率点的特征信息，存在电能质量扰动信号特征提取精度不高，识别分类准确度较低的问题。
发明内容
本发明是为了克服/解决现有技术的电能质量扰动信号特征提取精度不高，识别分类准确率较低的问题，提供一种基于调节因子自适应选取的S变换电能质量扰动识别方法，将扰动信好频率点细化，并针对不同频率点匹配最佳调节因子，再对扰动信号进行特征提取，从而提高识别分类精度。
为实现上述目的，本发明采用以下技术方案：
一种基于调节因子自适应选取的S变换电能质量扰动识别方法，其特征在于，包括如下步骤：
步骤S1：电能质量电压信号采集，将采集到的电能质量电压信号进行压缩感知降噪处理；
步骤S2：对降噪处理后的电压信号通过改进S变换方法进行处理，获得S矩阵，从S矩阵中提取各扰动信号的特征曲线，并从特征曲线中提取各扰动特征相量，加入电能质量扰动相量集中；
步骤S3：采用改进的麻雀算法优化的支持相量机对提取出的电能质量扰动特征值进行分类。本申请采用压缩感知降噪理论对扰动信号进行预处理，提高抗干扰能力，进而提高识别分类精度。所述支持相量机Support Vector Machine简称SVM是一种分类器。
作为优选，步骤S1所述的将采集到的电能质量信号进行压缩感知降噪处理包括如下细分步骤：
步骤S11：对采集到的电能质量扰动电压信号X＝[x1 x2…xn]∈RN×1，进行矩阵变换：
Figure BDA0003679945740000021
其中，Ψ为傅里叶变换基，
Figure BDA0003679945740000022
为X在Ψ上的等价表示，N为采集到的电能质量扰动电压信号的长度；
步骤S12：构建稀松循环测量矩阵ΦM×N，其中，M为测量点数，N为采集到的电能质量扰动电压信号的长度；
步骤S13：获得测量信号Y∈RM×1：
Figure BDA0003679945740000023
其中，A为传感矩阵，Ψ为傅里叶变换基，X为电压信号，φ为测量矩阵，Q为服从正态分布的随机数；
步骤S14：采用正交匹配追踪算法实现重构降噪，输出降噪信号
Figure BDA0003679945740000024
作为优选，步骤S12所述的构建测量矩阵ΦM×N，包括如下细分步骤：
步骤S121：构造一个1×N零向量L和一个对角矩阵RN×N，R的对角线元素随机赋值为±1；其中，N为电压信号的长度；
步骤S122：随机地把零向量L中的K个位置上的值置为1，得到稀疏向量L1；其中，K为电压信号在稀疏基Ψ上的稀疏度；
步骤S123：把L1向量进行循环右移c位构成稀疏循环矩阵H；
步骤S124：将H矩阵与对角矩阵RN×N相乘，得到稀疏循环矩阵ΦM×N，即：
测量矩阵ΦM×N＝L1R
其中，L1＝DF；D∈RM×N是采样矩阵，其随机选择m维进行矩阵的降维处理，是n维单位阵中随机选取出来的m行构成的子矩阵；F∈RN×N为正交矩阵。
作为优选，步骤S14所述的采用正交匹配追踪算法实现重构降噪，包括如下细分步骤：S141：迭代次数t＝1,支撑索引集Λ和原子集A0为空集，初始残差r0＝Y，计算残差rt，
Figure BDA0003679945740000031
其中，Φj为矩阵A的第j列；λt为第t次迭代列序号；|＜rt,Φj＞|为求内集；
S142：更新索引集Λ＝Λt-1∪λt,更新原子集At＝At∪Φλt；
S143：最小二乘法计算
Figure BDA0003679945740000032
其中，At T为矩阵At的转置矩阵；
S144：更新残差
Figure BDA0003679945740000033
同时更新迭代次数t＝t+1；
S145：若迭代次数t小于K,则执行步骤S141，否则执行步骤S146；
S146：输出降噪后的信号
Figure BDA0003679945740000034
作为优选，步骤S2所述的对降噪处理后的电压信号通过改进S变换方法进行处理具体包括如下细分步骤：
降噪输出信号
Figure BDA0003679945740000035
的改进S变换为：
Figure BDA0003679945740000036
其中，
Figure BDA0003679945740000037
为降噪输出信号；τ为时移因子；f对应信号频率；i虚数单位；q为调节因子；令f→n/NT，τ→kT则改进S变换离散形式为：
Figure BDA0003679945740000038
其中，n，k为频率控制变量、T为采样时间间隔、N为采样点总数、m为移位控制变量、k＝0,1,…,N-1；
能量集中度表达式为：
Figure BDA0003679945740000041
选取各频段调节因子最佳值qb，最佳值为M最大时对应的qb，得到qb分布情况，采用S型生长曲线拟合qb分布情况；
基于S型生长曲线拟合qb公式为：
Figure BDA0003679945740000042
式中，a为垂直缩放因子；b为水平缩放因子；ε为垂直平移因子；k1为S型生长曲线的斜率；令f→n/NT，τ→kT，根据公式改进S变换的离散形式，可得调节因子自适应选取的S变换离散形式为：
Figure BDA0003679945740000043
式中，
Figure BDA0003679945740000044
为降噪输出信号，k,m,n＝1,2,…,N。
作为优选，步骤S3所述的改进的麻雀算法包括如下改进过程：
建立麻雀种群觅食的数学模型，由n只麻雀组成的种群可表示为：
Figure BDA0003679945740000045
初始麻雀种群的适应度为:
Figure BDA0003679945740000046
其中，xn,d表示第n只麻雀处在第d维位置上；d表示待优化问题的数量；FX表示适应度值，f表示麻雀个体适应度值；
采用逻辑混沌映射对麻雀种群初始化，逻辑映射表达式为：
Zn+1＝kZn(1-Zn)；
其中，Zn∈(0,1)；k∈(0,4)为逻辑混沌参数；
当麻雀种群开始觅食时，种群发现者、竞争者及预警者位置更新如下：
发现者位置更新公式为：
Figure BDA0003679945740000051
其中，t为当前迭代数；im为最大迭代数；α∈(0,1]是一个随机数；R∈[0,1]表示预警值；Sa∈[0.5,1]为安全值；Q是服从正态分布的随机数；L为元素全为1的1×d的矩阵；S为莱维飞行随机步长；ζ是步长控制参数；
Figure BDA0003679945740000052
是发现者的当前位置；
Figure BDA0003679945740000053
是当前迭代的最佳位置；
竞争者位置更新公式为：
Figure BDA0003679945740000054
其中，XW表示种群适应度最低的位置；Xb表示当前发现者所处的全局最佳位置；A为1×d的矩阵，矩阵中每个元素随机赋值1或-1；
预警者位置更新公式为：
Figure BDA0003679945740000055
其中，β是服从均值为0，方差为1的正态分布的步长控制参数；ρ∈[-1,1]是一个随机数；fi为第i只麻雀的适应度，fb和fw分别为全局最优适应度值和全局最差适应度值。针对原始麻雀算法在种群迭代后期，种群多样性降低、容易陷入局部极值的问题，在种群初始化阶段引入逻辑混沌映射，在发现者与竞争者位置更新中引入莱维飞行策略，解决了种群多样性降低、容易陷入局部极值的缺点。
作为优选，步骤S3所述采用改进的麻雀算法优化的支持相量机包括利用改进麻雀算法对向量机分类树的惩罚因子C与核函数参数σ进行寻优，从而构造改进麻雀算法优化的向量机分类树。
作为优选，步骤S3所述的采用改进的麻雀算法优化的支持相量机对提取出的电能质量扰动特征值进行分类，包括如下细分步骤：
步骤S31：首先输入电能质量扰动信号特征向量集，并将其中α％作为训练集，(100-α)％作为测试集；
步骤S32：设置支持相量机的惩罚因子C和核函数参数σ的取值范围，采用逻辑混沌映射对麻雀种群初始化，设置发现者比例为β％、竞争者比例为(1-β)％、预警者比例为θ％、种群数量n、迭代次数im、预警值R；麻雀种群个体位置由C和σ组成；其中，20≤θ≤30；n不小于20，im不小于10，0.5≤R≤0.8；
步骤S33：支持相量机模型根据初始的惩罚因子C和核函数参数σ，对训练集进行学习，并计算种群中每只麻雀的适应度值，找出全局最优适应度fb和全局最差适应度fw；
步骤S34：使用莱维飞行策略增强种群中发现者与竞争者的搜索能力，根据所述发现者位置更新公式更新发现者位置；剩余麻雀作为竞争者，根据所述竞争者位置更新公式更新其位置，随机选出θ％的麻雀作为预警者；根据预警者位置更新公式更新其位置，在新位置上计算麻雀个体的适应度值，并与上一迭代最优适应度值作比较，若新适应度值大于最优适应度值，则替换，否则保留；
步骤S35：若当前迭代次数大于最大迭代次数且满足求解精度要求，算法终止，输出支持相量机模型最优参数C和σ；否则重新返回步骤S33重新迭代；
步骤S36：将最优参数C和σ用于支持相量机分类模型，并利用训练好的支持相量机分类模型对测试集进行分类，输出电能质量扰动类型。增大S变换中调节因子的选取范围，最大程度上减小调节因子选取造成的检测误差，根据能量集中度最大化规则，选取最佳调节因子，再采用S型生长曲线拟合最佳调节因子，得到自适应调节因子S变换，优化了整个S矩阵，频域更平滑，参数的选择更加方便，特征量提取更加准确。
作为优选，步骤S2所述各扰动信号的特征曲线包括所述S矩阵的基频时间幅值曲线、频率幅值曲线和标准差曲线。
作为优选，所述各扰动特征相量包括如下特征值：基频时间幅值曲线的平均值F1、幅值-时间曲线的最大值F2、幅值-时间曲线的最大值F3、三次谐波的平均值F4、五次谐波的平均值F5、七次谐波的平均值F6、S矩阵行向量的标准差F7、S矩阵列向量的标准差F8、高频等高线值总和F9、频率-时间曲线峰值数F10、S矩阵各列最大归一化幅值F11、偏度F12、峭度F13。
因此，本发明具有如下有益效果：(1)本申请采用压缩感知降噪理论对扰动信号进行预处理，具有较高的抗干扰能力，增大S变换中调节因子的选取范围，最大程度上减小调节因子选取造成的检测误差。
(2)根据能量集中度最大化规则，选取最佳调节因子，再采用S型生长曲线拟合最佳调节因子，得到自适应调节因子S变换，优化了整个S矩阵，频域更平滑，参数的选择更加方便，特征量提取更加准确。
(3)针对原始麻雀算法在种群迭代后期，种群多样性降低、容易陷入局部极值的问题，在种群初始化阶段引入逻辑混沌映射，在发现者与竞争者位置更新中引入莱维飞行策略，解决了种群多样性降低、容易陷入局部极值的缺点。
附图说明
图1是本发明一实施例的基于调节因子自适应选取的S变换电能质量扰动识别方法流程图。
图2是本发明一实施例中的最佳调节因子与S型生长曲线拟合曲线图。
图3是本发明一实施例中的从S矩阵中提取S各扰动信号的特征曲线图。
图4是本发明一实施例中的改进麻雀算法流程图。
图5是本发明一实施例中的改进麻雀算法的SVM筛选流程图。
图6是本发明一实施例中的基于调节因子自适应选取的S变换无噪声环境下分类结果示意图。
具体实施方式
下面结合附图与具体实施方式对本发明做进一步的描述。
实施例：
一种基于调节因子自适应选取的S变换电能质量扰动识别方法，如图1所示，图中所述SVM为支持相量机Support Vector Machine简称，是一种分类器。包括以下步骤：
步骤S1：电能质量电压信号采集，将采集到的电能质量电压信号进行压缩感知降噪处理；所述电能质量电压信号采集包括：根据IEEE-1159电能质量扰动参数标准，建立17种常见的扰动信号模型：标准正弦信号(C1)、电压暂降(C2)、电压暂升(C3)、暂态振荡(C4)、谐波信号(C5)、电压波动(C6)、电压中断(C7)和瞬时脉冲(C8)7种单一扰动信号，及其叠加而成的谐波+电压暂降(C9)、谐波+电压暂升(C10)、谐波+电压中断(C11)、谐波+电压波动(C12)、谐波+暂态振荡(C13)、暂态振荡+电压暂升(C14)、暂态振荡+电压波动(C15)、谐波+暂态振荡+电压暂升(C16)和电压波动+暂态振荡+电压中断(C17)9种复合扰动信号；利用MATLAB对扰动信号模型进行仿真，信号基波频率为50Hz，采样频率为3.2kHz，信号样本长度为10个周期，每个周期200个采样点，共2000个采样点；对每类扰动随机生成500个，其中400个作为训练集，100个作为测试集；利用PQ-BOX 300电能质量监测仪采集电能质量扰动信号的电压信号。
所述将采集到的电能质量信号进行压缩感知降噪处理包括如下细分步骤：
步骤S11：对采集到的电能质量扰动电压信号X＝[x1 x2…xn]∈RN×1，进行矩阵变换：
Figure BDA0003679945740000081
其中，Ψ为傅里叶变换基，
Figure BDA0003679945740000082
为X在Ψ上的等价表示，N为采集到的电能质量扰动电压信号的长度；
步骤S12：构建稀松循环测量矩阵ΦM×N，其中，M为测量点数，N为采集到的电能质量扰动电压信号的长度；
所述的构建测量矩阵ΦM×N，包括如下细分步骤：
步骤S121：构造一个1×N零向量L和一个对角矩阵RN×N，R的对角线元素随机赋值为±1；其中，N为电压信号的长度；
步骤S122：随机地把零向量L中的K个位置上的值置为1，得到稀疏向量L1；其中，K为电压信号在稀疏基Ψ上的稀疏度；
步骤S123：把L1向量进行循环右移c位构成稀疏循环矩阵H；
步骤S124：将H矩阵与对角矩阵RN×N相乘，得到稀疏循环矩阵ΦM×N，即：
测量矩阵ΦM×N＝L1R
其中，L1＝DF；D∈RM×N是采样矩阵，其随机选择m维进行矩阵的降维处理，是n维单位阵中随机选取出来的m行构成的子矩阵；F∈RN×N为正交矩阵。
步骤S13：获得测量信号Y∈RM×1：
Figure BDA0003679945740000083
其中，A为传感矩阵，Ψ为傅里叶变换基，X为电压信号，φ为测量矩阵，Q为服从正态分布的随机数；
步骤S14：采用正交匹配追踪算法实现重构降噪，输出降噪信号
Figure BDA0003679945740000084
所述的采用正交匹配追踪算法实现重构降噪，包括如下细分步骤：
S141：迭代次数t＝1,支撑索引集Λ和原子集A0为空集，初始残差r0＝Y，计算残差rt，
Figure BDA0003679945740000085
其中，Φj为矩阵A的第j列；λt为第t次迭代列序号；|＜rt,Φj＞|为求内集；
S142：更新索引集Λ＝Λt-1∪λt,更新原子集At＝At∪Φλt；
S143：最小二乘法计算
Figure BDA0003679945740000091
其中，At T为矩阵At的转置矩阵；
S144：更新残差
Figure BDA0003679945740000092
同时更新迭代次数t＝t+1；
S145：若迭代次数t小于K,则执行步骤S141，否则执行步骤S146；
S146：输出降噪后的信号
Figure BDA0003679945740000093
步骤S2：对降噪处理后的电压信号通过改进S变换方法进行处理，获得S矩阵，从S矩阵中提取各扰动信号的特征曲线，并从特征曲线中提取各扰动特征相量，加入电能质量扰动相量集中；各扰动信号的特征曲线包括所述S矩阵的基频时间幅值曲线、频率幅值曲线和标准差曲线，如图3所示为自适应调节因子S变换提取的电压波动+暂态振荡+电压中断特性曲线。各扰动特征相量包括如下特征值：基频时间幅值曲线的平均值F1、幅值-时间曲线的最大值F2、幅值-时间曲线的最大值F3、三次谐波的平均值F4、五次谐波的平均值F5、七次谐波的平均值F6、S矩阵行向量的标准差F7、S矩阵列向量的标准差F8、高频等高线值总和F9、频率-时间曲线峰值数F10、S矩阵各列最大归一化幅值F11、偏度F12、峭度F13。
所述的对降噪处理后的电压信号通过改进S变换方法进行处理具体包括如下细分步骤：
降噪输出信号
Figure BDA0003679945740000094
的改进S变换为：
Figure BDA0003679945740000095
其中，
Figure BDA0003679945740000096
为降噪输出信号；τ为时移因子；f对应信号频率；i虚数单位；q为调节因子；令f→n/NT，τ→kT则改进S变换离散形式为：
Figure BDA0003679945740000097
其中，n，k为频率控制变量、T为采样时间间隔、N为采样点总数、m为移位控制变量、k＝0,1,…,N-1；
能量集中度表达式为：
Figure BDA0003679945740000098
选取各频段调节因子最佳值qb，最佳值为M最大时对应的qb，得到qb分布情况，采用S型生长曲线拟合qb分布情况；
基于S型生长曲线拟合qb公式为：
Figure BDA0003679945740000101
式中，a为垂直缩放因子；b为水平缩放因子；ε为垂直平移因子；k1为S型生长曲线的斜率；令f→n/NT，τ→kT，根据公式改进S变换的离散形式，可得调节因子自适应选取的S变换离散形式为：
Figure BDA0003679945740000102
式中，
Figure BDA0003679945740000103
为降噪输出信号，k,m,n＝1,2,…,N。自适应调节因子S变换的参数为：垂直缩放因子a＝7.14，水平缩放因子b＝26.1，垂直平移因子ε＝0.15，S型生长曲线的斜率k＝0.46。图2所示为最佳调节因子与S型生长曲线拟合曲线图。
步骤S3：采用改进的麻雀算法优化的支持相量机对提取出的电能质量扰动特征值进行分类。
所述的改进的麻雀算法包括如下改进过程，如图4所示：
建立麻雀种群觅食的数学模型，由n只麻雀组成的种群可表示为：
Figure BDA0003679945740000104
初始麻雀种群的适应度为:
Figure BDA0003679945740000105
其中，xn,d表示第n只麻雀处在第d维位置上；d表示待优化问题的数量；FX表示适应度值，f表示麻雀个体适应度值；
采用逻辑混沌映射对麻雀种群初始化，逻辑映射表达式为：
Zn+1＝kZn(1-Zn)；
其中，Zn∈(0,1)；k∈(0,4)为逻辑混沌参数；
当麻雀种群开始觅食时，种群发现者、竞争者及预警者位置更新如下：
发现者位置更新公式为：
Figure BDA0003679945740000111
其中，t为当前迭代数；im为最大迭代数；α∈(0,1]是一个随机数；R∈[0,1]表示预警值；Sa∈[0.5,1]为安全值；Q是服从正态分布的随机数；L为元素全为1的1×d的矩阵；S为莱维飞行随机步长；ζ是步长控制参数；
Figure BDA0003679945740000112
是发现者的当前位置；
Figure BDA0003679945740000113
是当前迭代的最佳位置；
竞争者位置更新公式为：
Figure BDA0003679945740000114
其中，XW表示种群适应度最低的位置；Xb表示当前发现者所处的全局最佳位置；A为1×d的矩阵，矩阵中每个元素随机赋值1或-1；
预警者位置更新公式为：
Figure BDA0003679945740000115
其中，β是服从均值为0，方差为1的正态分布的步长控制参数；ρ∈[-1,1]是一个随机数；fi为第i只麻雀的适应度，fb和fw分别为全局最优适应度值和全局最差适应度值。针对原始麻雀算法在种群迭代后期，种群多样性降低、容易陷入局部极值的问题，在种群初始化阶段引入逻辑混沌映射，在发现者与竞争者位置更新中引入莱维飞行策略，解决了种群多样性降低、容易陷入局部极值的缺点。
所述采用改进的麻雀算法优化的支持相量机包括利用改进麻雀算法对向量机分类树的惩罚因子C与核函数参数σ进行寻优，从而构造改进麻雀算法优化的向量机分类树。
所述的采用改进的麻雀算法优化的支持相量机对提取出的电能质量扰动特征值进行分类，包括如下细分步骤：
步骤S31：首先输入电能质量扰动信号特征向量集，并将其中80％作为训练集，20％作为测试集；
步骤S32：设置支持相量机的惩罚因子C和核函数参数σ的取值范围，采用逻辑混沌映射对麻雀种群初始化，设置发现者比例为80％、竞争者比例为20％、预警者比例为20％、种群数量n＝20、迭代次数im＝10、预警值R＝0.6；麻雀种群个体位置由C和σ组成；
步骤S33：支持相量机模型根据初始的惩罚因子C和核函数参数σ，对训练集进行学习，并计算种群中每只麻雀的适应度值，找出全局最优适应度fb和全局最差适应度fw；
步骤S34：使用莱维飞行策略增强种群中发现者与竞争者的搜索能力，根据所述发现者位置更新公式更新发现者位置；剩余麻雀作为竞争者，根据所述竞争者位置更新公式更新其位置，随机选出20％的麻雀作为预警者；根据预警者位置更新公式更新其位置，在新位置上计算麻雀个体的适应度值，并与上一迭代最优适应度值作比较，若新适应度值大于最优适应度值，则替换，否则保留；
步骤S35：若当前迭代次数大于最大迭代次数且满足求解精度要求，算法终止，输出支持相量机模型最优参数C和σ；否则重新返回步骤S33重新迭代；
步骤S36：将最优参数C和σ用于支持相量机分类模型，并利用训练好的支持相量机分类模型对测试集进行分类，输出电能质量扰动类型。
采用上述步骤，得到SVM分类器的最优参数分别为C＝325.5183和σ＝112.7736。如图6所示本申请在无噪声环境下的分类结果，可以看出本发明提出的识别方法分类准确率高达99.82％。单一扰动中，仅有1个电压中断信号C7错分到电压暂降信号C2类型中去，复合扰动中，仅有2个电压波动+暂态振荡+电压中断信号C17错分到电压暂降信号C2类型中去，这是因为电压暂降与电压中断定义相近，扰动特性相似，故分类识别率不高，导致个别信号不易区分。
为了更加贴合工程实际，给电能质量扰动信号分别加上信噪比为15dB、20dB、30dB的高斯白噪声，对每类扰动随机生成500个，其中400个作为训练集，100个作为测试集，表1为在不同信噪比下的识别分类准确率，可以看出，随着噪声的增强，各类扰动信号的分类准确率有所下降，在15dB高噪声环境下，分类准确率仍能达到97.94％，这表明本发明提出的识别方法有着较高的识别精度和抗干扰能力。与遗传算法GA优化后的SVM进行分类性能对比，可以看出本发明改进的麻雀算法对SVM的惩罚因子C与核函数参数σ的寻优效果更好，分类准确率在各噪声环境下均优于遗传算法的SVM。
表1不同信噪比下SVM分类准确率
Figure BDA0003679945740000121
Figure BDA0003679945740000131
目前，电能质量扰动信号识别分类方法多种多样，现在20、30dB的噪声环境下，对比本发明与其他方法对包含单一扰动与复合扰动的识别分类效果，对比结果如表2所示。通过对比可知，本发明的平均分类准确率最高，表明本发明抗噪性与鲁棒性更好。
表2不同信噪比下各方法的平均分类准确率
Figure BDA0003679945740000132
综上所述，本发明针对当前电力系统电能质量扰动信号特征提取精度不高,识别分类准确率较低的问题，提供了一种基于调节因子自适应选取的S变换电能质量扰动识别方法。本发明的核心是通过对采集到的电压信号进行压缩感知预处理，增大S变换调节因子的选取范围，根据能量集中精最大化规则选取各频段最佳调节因子，采用S型生长曲线拟合最佳调节因子分布得到自适应调节因子S变换，再通过自适应调节因子S变换提取相应特征，最后对原始麻雀算法进行改进，使用改进麻雀算法对SVM进行参数优选，最后完成扰动识别分类。本发明能够有效提高电能质量扰动信号识别分类准确度，具有较强的抗噪性与鲁棒性。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了S变换、电能质量扰动特征提取、改进麻雀算法、支持相量机、特征相量集等术语，但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质；把它们解释成任何一种附加的限制都是与本发明精神相违背的。

Claims (10)

1.一种基于调节因子自适应选取的S变换电能质量扰动识别方法，其特征在于，包括如下步骤：步骤S1：电能质量电压信号采集，将采集到的电能质量电压信号进行压缩感知降噪处理；
步骤S2：对降噪处理后的电压信号通过改进S变换方法进行处理，获得S矩阵，从S矩阵中提取各扰动信号的特征曲线，并从特征曲线中提取各扰动特征相量，加入电能质量扰动相量集中；
步骤S3：采用改进的麻雀算法优化的支持相量机对提取出的电能质量扰动特征值进行分类。
2.根据权利要求1所述的基于调节因子自适应选取的S变换电能质量扰动识别方法，其特征在于，步骤S1所述的将采集到的电能质量信号进行压缩感知降噪处理包括如下细分步骤：
步骤S11：对采集到的电能质量扰动电压信号X＝[x1 x2…xn]∈RN×1，进行矩阵变换：
Figure FDA0003679945730000011
其中，Ψ为傅里叶变换基，
Figure FDA0003679945730000012
为X在Ψ上的等价表示，N为采集到的电能质量扰动电压信号的长度；
步骤S12：构建稀松循环测量矩阵ΦM×N，其中，M为测量点数，N为采集到的电能质量扰动电压信号的长度；
步骤S13：获得测量信号Y∈RM×1：
Figure FDA0003679945730000013
其中，A为传感矩阵，Ψ为傅里叶变换基，X为电压信号，φ为测量矩阵，Q为服从正态分布的随机数；
步骤S14：采用正交匹配追踪算法实现重构降噪，输出降噪信号
Figure FDA0003679945730000014
3.根据权利要求2所述的基于调节因子自适应选取的S变换电能质量扰动识别方法，其特征在于，步骤S12所述的构建测量矩阵ΦM×N，包括如下细分步骤：
步骤S121：构造一个1×N零向量L和一个对角矩阵RN×N，R的对角线元素随机赋值为±1；其中，N为电压信号的长度；
步骤S122：随机地把零向量L中的K个位置上的值置为1，得到稀疏向量L1；其中，K为电压信号在稀疏基Ψ上的稀疏度；
步骤S123：把L1向量进行循环右移c位构成稀疏循环矩阵H；
步骤S124：将H矩阵与对角矩阵RN×N相乘，得到稀疏循环矩阵ΦM×N，即：
测量矩阵ΦM×N＝L1R
其中，L1＝DF；D∈RM×N是采样矩阵，其随机选择m维进行矩阵的降维处理，是n维单位阵中随机选取出来的m行构成的子矩阵；F∈RN×N为正交矩阵。
4.根据权利要求3所述的基于调节因子自适应选取的S变换电能质量扰动识别方法，其特征在于，步骤S14所述的采用正交匹配追踪算法实现重构降噪，包括如下细分步骤：
S141：迭代次数t＝1,支撑索引集Λ和原子集A0为空集，初始残差r0＝Y，计算残差rt，
Figure FDA0003679945730000021
其中，Φj为矩阵A的第j列；λt为第t次迭代列序号；|＜rt,Φj＞|为求内集；
S142：更新索引集Λ＝Λt-1∪λt,更新原子集At＝At∪Φλt；
S143：最小二乘法计算
Figure FDA0003679945730000022
其中，At T为矩阵At的转置矩阵；
S144：更新残差
Figure FDA0003679945730000023
同时更新迭代次数t＝t+1；
S145：若迭代次数t小于K,则执行步骤S141，否则执行步骤S146；
S146：输出降噪后的信号
Figure FDA0003679945730000024
5.根据权利要求1所述的基于调节因子自适应选取的S变换电能质量扰动识别方法，其特征在于，步骤S2所述的对降噪处理后的电压信号通过改进S变换方法进行处理具体包括如下细分步骤：
降噪输出信号
Figure FDA0003679945730000025
的改进S变换为：
Figure FDA0003679945730000026
其中，
Figure FDA0003679945730000027
为降噪输出信号；τ为时移因子；f对应信号频率；i虚数单位；q为调节因子；
令f→n/NT，τ→kT则改进S变换离散形式为：
Figure FDA0003679945730000031
其中，n，k为频率控制变量、T为采样时间间隔、N为采样点总数、m为移位控制变量、k＝0,1,…,N-1；
能量集中度表达式为：
Figure FDA0003679945730000032
选取各频段调节因子最佳值qb，最佳值为M最大时对应的qb，得到qb分布情况，采用S型生长曲线拟合qb分布情况；
基于S型生长曲线拟合qb公式为：
Figure FDA0003679945730000033
式中，a为垂直缩放因子；b为水平缩放因子；ε为垂直平移因子；k1为S型生长曲线的斜率；令f→n/NT，τ→kT，根据公式改进S变换的离散形式，可得调节因子自适应选取的S变换离散形式为：
Figure FDA0003679945730000034
式中，
Figure FDA0003679945730000035
为降噪输出信号，k,m,n＝1,2,…,N。
6.根据权利要求1或5所述的基于调节因子自适应选取的S变换电能质量扰动识别方法，其特征在于，步骤S3所述的改进的麻雀算法包括如下改进过程：
建立麻雀种群觅食的数学模型，由n只麻雀组成的种群可表示为：
Figure FDA0003679945730000036
初始麻雀种群的适应度为:
Figure FDA0003679945730000041
其中，xn,d表示第n只麻雀处在第d维位置上；d表示待优化问题的数量；FX表示适应度值，f表示麻雀个体适应度值；
采用逻辑混沌映射对麻雀种群初始化，逻辑映射表达式为：
Zn+1＝kZn(1-Zn)；
其中，Zn∈(0,1)；k∈(0,4)为逻辑混沌参数；
当麻雀种群开始觅食时，种群发现者、竞争者及预警者位置更新如下：
发现者位置更新公式为：
Figure FDA0003679945730000042
其中，t为当前迭代数；im为最大迭代数；α∈(0,1]是一个随机数；R∈[0,1]表示预警值；Sa∈[0.5,1]为安全值；Q是服从正态分布的随机数；L为元素全为1的1×d的矩阵；S为莱维飞行随机步长；ζ是步长控制参数；
Figure FDA0003679945730000043
是发现者的当前位置；
Figure FDA0003679945730000044
是当前迭代的最佳位置；
竞争者位置更新公式为：
Figure FDA0003679945730000045
其中，XW表示种群适应度最低的位置；Xb表示当前发现者所处的全局最佳位置；A为1×d的矩阵，矩阵中每个元素随机赋值1或-1；
预警者位置更新公式为：
Figure FDA0003679945730000046
其中，β是服从均值为0，方差为1的正态分布的步长控制参数；ρ∈[-1,1]是一个随机数；fi为第i只麻雀的适应度，fb和fw分别为全局最优适应度值和全局最差适应度值。
7.根据权利要求6所述的基于调节因子自适应选取的S变换电能质量扰动识别方法，其特征在于，步骤S3所述采用改进的麻雀算法优化的支持相量机包括利用改进麻雀算法对向量机分类树的惩罚因子C与核函数参数σ进行寻优，从而构造改进麻雀算法优化的向量机分类树。
8.根据权利要求7所述的基于调节因子自适应选取的S变换电能质量扰动识别方法，其特征在于，步骤S3所述的采用改进的麻雀算法优化的支持相量机对提取出的电能质量扰动特征值进行分类，包括如下细分步骤：
步骤S31：首先输入电能质量扰动信号特征向量集，并将其中α％作为训练集，(100-α)％作为测试集；
步骤S32：设置支持相量机的惩罚因子C和核函数参数σ的取值范围，采用逻辑混沌映射对麻雀种群初始化，设置发现者比例为β％、竞争者比例为(1-β)％、预警者比例为θ％、种群数量n、迭代次数im、预警值R；麻雀种群个体位置由C和σ组成；其中，20≤θ≤30；n不小于20，im不小于10，0.5≤R≤0.8；
步骤S33：支持相量机模型根据初始的惩罚因子C和核函数参数σ，对训练集进行学习，并计算种群中每只麻雀的适应度值，找出全局最优适应度fb和全局最差适应度fw；
步骤S34：使用莱维飞行策略增强种群中发现者与竞争者的搜索能力，根据所述发现者位置更新公式更新发现者位置；剩余麻雀作为竞争者，根据所述竞争者位置更新公式更新其位置，随机选出θ％的麻雀作为预警者；根据预警者位置更新公式更新其位置，在新位置上计算麻雀个体的适应度值，并与上一迭代最优适应度值作比较，若新适应度值大于最优适应度值，则替换，否则保留；
步骤S35：若当前迭代次数大于最大迭代次数且满足求解精度要求，算法终止，输出支持相量机模型最优参数C和σ；否则重新返回步骤S33重新迭代；
步骤S36：将最优参数C和σ用于支持相量机分类模型，并利用训练好的支持相量机分类模型对测试集进行分类，输出电能质量扰动类型。
9.根据权利要求8所述的，其特征在于，步骤S2所述各扰动信号的特征曲线包括所述S矩阵的基频时间幅值曲线、频率幅值曲线和标准差曲线。
10.根据权利要求9所述的，其特征在于，所述各扰动特征相量包括如下特征值：基频时间幅值曲线的平均值F1、幅值-时间曲线的最大值F2、幅值-时间曲线的最大值F3、三次谐波的平均值F4、五次谐波的平均值F5、七次谐波的平均值F6、S矩阵行向量的标准差F7、S矩阵列向量的标准差F8、高频等高线值总和F9、频率-时间曲线峰值数F10、S矩阵各列最大归一化幅值F11、偏度F12、峭度F13。
CN202210631276.4A 2022-06-06 2022-06-06 基于调节因子自适应选取的s变换电能质量扰动识别方法 Pending CN114925732A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210631276.4A CN114925732A (zh) 2022-06-06 2022-06-06 基于调节因子自适应选取的s变换电能质量扰动识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210631276.4A CN114925732A (zh) 2022-06-06 2022-06-06 基于调节因子自适应选取的s变换电能质量扰动识别方法

Publications (1)

Publication Number Publication Date
CN114925732A true CN114925732A (zh) 2022-08-19

Family

ID=82812600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210631276.4A Pending CN114925732A (zh) 2022-06-06 2022-06-06 基于调节因子自适应选取的s变换电能质量扰动识别方法

Country Status (1)

Country Link
CN (1) CN114925732A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522103A (zh) * 2022-11-21 2023-08-01 杭州电力设备制造有限公司 基于itd分解和麻雀优化的孪生支持向量机的电能质量扰动分类方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116522103A (zh) * 2022-11-21 2023-08-01 杭州电力设备制造有限公司 基于itd分解和麻雀优化的孪生支持向量机的电能质量扰动分类方法

Similar Documents

Publication Publication Date Title
CN105224872B (zh) 一种基于神经网络聚类的用户异常行为检测方法
CN110111015A (zh) 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
CN111697621B (zh) 基于ewt-pdbn组合的短期风电功率预测方法
CN104732244B (zh) 基于小波变换、多策略pso和svm集成的遥感图像分类方法
CN109884419A (zh) 一种智慧电网电能质量在线故障诊断方法
CN109117992B (zh) 基于wd-la-wrf模型的超短期风功率预测方法
CN109992608B (zh) 一种基于频域的多模型融合预测方法和系统
CN110991721A (zh) 基于改进经验模态分解和支持向量机的短期风速预测方法
CN111368892A (zh) 一种广义s变换和svm的电能质量扰动高效识别方法
Liu et al. Multi-feature fusion for fault diagnosis of rotating machinery based on convolutional neural network
CN113642484B (zh) 一种基于bp神经网络的大地电磁信号噪声压制方法及系统
CN111931983A (zh) 一种降水量预测方法及系统
CN112183225B (zh) 一种基于概率潜在语义分析的水下目标信号特征提取方法
CN112434743A (zh) 基于gil金属微粒局部放电时域波形图像的故障识别方法
CN115130830B (zh) 基于级联宽度学习和麻雀算法的非侵入式负荷分解方法
CN114925732A (zh) 基于调节因子自适应选取的s变换电能质量扰动识别方法
Ding et al. Mine microseismic time series data integrated classification based on improved wavelet decomposition and ELM
Gao et al. Mechanical fault diagnosis of an on‐load tap changer by applying cuckoo search algorithm‐based fuzzy weighted least squares support vector machine
CN117574057B (zh) 一种立式水泵机组智能故障诊断方法
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN114428234A (zh) 基于gan和自注意力的雷达高分辨距离像降噪识别方法
Darmawan et al. GRU and XGBoost Performance with Hyperparameter Tuning Using GridSearchCV and Bayesian Optimization on an IoT-Based Weather Prediction System.
CN113514743A (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN115345207B (zh) 一种自适应的多气象要素预测方法
CN116471154A (zh) 基于多域混合注意力的调制信号识别方法

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