CN115659665A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115659665A CN115659665A CN202211353052.8A CN202211353052A CN115659665A CN 115659665 A CN115659665 A CN 115659665A CN 202211353052 A CN202211353052 A CN 202211353052A CN 115659665 A CN115659665 A CN 115659665A
- Authority
- CN
- China
- Prior art keywords
- optimization algorithm
- voltage sag
- population
- improved
- signal
- 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
Landscapes
- Complex Calculations (AREA)
Abstract
本发明公开了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，涉及电能质量领域，针对野马优化算法可能存在初始个体具有较大随机性和不确定性或容易陷入局部最优的问题，引进改进的野马优化算法(WHO)对电压暂降源信号的降噪与分类识别的方法进行优化。首先利用改进的野马优化算法改进的变分模态分解(VMD)对原始电压暂降信号进行分解，将有用的信号进行小波阈值处理并小波重构，然后将采集到不同工况下的电压暂降信号数据集进行特征提取，经特征值提取后代入经改进的野马优化算法改进的随机森林(RF)模型进行分类识别。本发明所提方法大大降低了噪声对电压暂降信号识别分类的影响，提高了电压暂降源识别的正确率。
Description
技术领域
本发明涉及电能质量领域，具体涉及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。
背景技术
随着21世纪以来电力行业的深化改革，电力用户对电能质量提出了更高的要求，电压暂降会直接影响工业用户的生产效率和产品品质，电压暂降严重时，甚至会导致自动生产线的停产停运，进而造成严重的经济损失。因此对电压暂降问题的深入分析和研究具有十分重要的意义，而对电压暂降问题的快速准确识别则是分析和预防电压暂降问题的基础。
由于电网复杂且庞大，实际采集到的电压暂降信号往往含有大量的噪声，这些噪声会影响电压暂降信号的识别精度，因此必须通过有效的噪声去噪方法尽可能的消除噪声，进而提高电压暂降信号识别的精度。现有技术在对电压暂降信号降噪时通常采用的方法有巴特沃斯低通滤波器去噪、小波去噪、经验模态分解、变分模态分解去噪等。巴特沃斯低通滤波器去噪计算量庞大且复杂，还有可能具有一定的延时，小波去噪函数的大多是依靠经验选取，而经验模态分解在去噪时容易出现模态混叠现象，进而影响电压暂降信号的准确性。变分模态分解虽然具有良好的分解效果，但是在实际工作中需要预设分解层数K及惩罚因子α。
在对电压暂降源进行样本训练与分类时，以往学者主要采用支持向量机、BP神经网络、模糊综合评价、深度学习模型等学习算法完成对电压暂降源的识别，支持向量机在进行电压暂降信号的分类时容易出现欠拟合现象，并且分类精度可能不高；BP神经网络的算法学习速度很慢，并且网络训练失败的可能性较大；模糊综合评价的计算较为复杂，在对评价对象的矢量上有较强的主观性；深度学习的计算量大，便携性差，模型设计较为复杂。
发明内容
为解决现有技术中存在的不足，本发明的目的在于提供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。针对电压暂降源信号的降噪问题，提出一种变分模态分解联合小波阈值的降噪方法，并采用改进的野马优化算法优化变分模态分解算法中的惩罚因子α、分解层数K，大大降低了噪声对电压暂降信号识别分类的影响。针对电压暂降信号的样本训练与分类，提出一种基于改进的野马优化算法的随机森林分类方法，利用野马优化算法对随机森林参数进行优化，提高了电压暂降源样本的训练速度和分类识别的准确率。
本发明具体采用以下技术方案：
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，包括以下步骤：
Step1：检测原始的电压暂降信号；
Step2：利用改进的野马优化算法WHO，以变分模态分解VMD模态分量的最小包络熵为目标函数优化影响变分结果的惩罚因子α和分解层数K；构建经改进的野马优化算法优化的变分模态分解模型；
Step3：将原始的电压暂降信号x(t)带入经改进的野马优化算法优化以后的VMD模型，分解成K个IMF(t)分量；
Step4：计算各模态的中心频率及与原始电压暂降信号的相关系数，并根据相关系数来判断Step3中的K个IMF(t)是否为噪声IMF(t)；
Step5：将Step4中得出的有效电压暂降模态分量，进行小波阈值滤波，然后对滤波后的模态分量进行小波重构，最后得出去噪后的电压暂降信号y(t)；
Step6：通过MATLAB/simulink仿真软件搭建了微电网电压暂降仿真模型，通过改变相关系统参数，得到多组不同工况下的暂降扰动数据，并对每组数据进行Step1-5的降噪处理；对降噪处理后的电压暂降信号y(t)，提取13个时域特征量，分别为平均值、标准差、偏度、峭度、最大值、最小值、峰峰值、均方根、振幅因数、波形因数、冲击因数、裕度因数、能量；
Step7：将Step6中得到的数据进行归一化处理，将数据映射到[-1，1]之间，使得它们的量纲得到统一，并划分出训练集和测试集；
Step8：利用改进的野马优化算法对随机森林算法中的子树棵数n_estimators和最小叶子结点数min_samples_leaf两个参数进行寻优,首先将Step7得到的数据集代入传统的随机森林模型，将传统的随机森林模型错误率函数作为适应度函数，根据改进的野马优化算法，不断更新n_estimators和min_samples_leaf，然后分别计算每次更新后相应的适应度值，比较所有适应度值的大小，将最小的适应度值对应的n_estimators和min_samples_leaf作为最优参数组合，构建新的经改进的野马优化算法优化的随机森林分类模型；其中，适应度函数为：
error＝2-accuracy1-accuracy2
其中，error代表随机森林模型错误率，accuracy1代表训练集预测准确率，accuracy2代表测试集预测准确率。
进一步的，改进的野马优化算法的具体步骤为：
(1)种群初始化
种群个体在搜索范围内随机初始化，在算法开始时随机选择组的领导者，在后续阶段，根据组成员中的fitness选择领导者；提出了马驹和种马的随机奔跑策略；位置更新公式如下:
其中lb和ub分别为下边界和上边界；
为第i组野马成员第j组中的位置，
代表的是第j组野马种群候选的野马种群领导者位置。
(2)放牧行为
利用如下公式来模拟放牧行为，该式使小组成员以不同半径移动并搜索领队；
式中，StallionG,j代表第j组野马种群中领导者的位置，R为[-2,2]内的随机数，主要控制个体与领导者间的角度；自适应机制Z的计算方式为：
其中P是由0和1组成的向量，R1和R3均为[0,1]范围内均匀分布的随机变量，R2为[0,1]内一随机值；满足条件(P＝＝0)的随机向量R1返回的IDX索引，Θ即为点乘，TDR为由1线性递减至0的系数：
其中，iter是当前迭代次数，maxiter表示改进的野马优化算法的最大迭代次数；
(3)野马的交配行为
野马的交配行为，如下表达式：
Cros sover＝Mean
这里
表示种群k中个体p离群后再次进入种群k的个体位置，
表示种群ki中个体p离群后再次进入种群q的个体位置，
表示种群j中个体z离群后再次进入种群q的个体位置。
(4)团队领导
野马优化算法设定若另一个种群对栖息地占主导地位，那么该种群必须离开此地；下列公式即计算每个种群中领导者相对于栖息地的下一位置：
式中WH为栖息地的位置，也就是当前最优个体位置；在野马优化算法中引入动态惯性权重策略，帮助野马优化算法找到全局最优解；因此，在上式的第一个公式中加入一个动态惯性权重，其计算公式为：
其中w代表动态惯性权重，wmin和wmax分别为上边界值和下边界值，f(t)i为当前种马在TTH迭代时的适应度值，f(t)avg为所有种马的平均适应度值，f(t)min为种群的最小适应度值；
此外，在计算每个种群中领导者相对于栖息地的下一位置的公式的第二个式子加入种马对栖息地的竞争机制：
其中Q1和Q2是介于-1到1之间的随机数；
通过引入动态惯性权重和种马的栖息地竞争机制，得到了新的计算每个种群中领导者相对于栖息地的下一位置的公式：
最后，如果其中一名组员的适应度值优于领导者，则这两者身份互换：
这里cost为适应度函数。
进一步的，Step2包括：
将Step1得到的原始的电压暂降信号代入传统的变分模态分解模型，将变分模态分解VMD的最小包络熵作为适应度函数，根据改进的野马优化算法，不断更新分解层数K和惩罚因子α，然后分别计算每次更新后相应的适应度值，比较所有适应度值的大小，将最小的适应度值对应的K和α作为最优参数组合，构建经改进的野马优化算法优化的变分模态分解模型；
其中包络熵函数Ep为：
式中x(j)为原始电压暂降信号x(t)在不同维度下第j维的信号j＝1,2,...,J，J代表电压暂降信号的长度；a(j)是x(j)经Hilbert解调后得到的包络信号；x是a(j)的归一化形式；
是x(j)经Hilbert变换之后的信号；Ep为pj的包络熵。
将包络熵值作为WHO的优化指标，则改进的野马优化算法优化的目标函数可表示为：
式中，ki为第i个个体的模态分量个数；αi为第i个个体的惩罚因子。
进一步的，Step4包括：
分别将与原始信号相关系数较大和较小的模态分量称为有效分量和含噪分量；
相关系数的计算公式如下：
式中，x(t)代表原始的电压暂降信号，IMFm(t)代表x(t)经过VMD分解后的第m个分量，m＝1,2,3…k；
根据相邻模态与原始电压暂降信号相关系数的差值比来确定有效分量和含噪分量，判断条件如下：
进一步的，Step6中，在采集暂降扰动数据时，改变相关系统参数的方法为：对于短路故障引起的暂降，改变短路类型、故障点分布、发生故障到继电保护切除故障之间的时间间隔；对于大型感应电动机启动过程中引起的暂降，改变电动机启动时的电压相位角和接入点；对于变压器启动引起的暂降，改变投入时的电压相位角、接入变压器的额定容量和接入变压器的位置。
进一步的，Step7中，样本归一化公式为：
式中，r与r*分别代表归一化前和归一化后的样本数据，rmin为样本数据最小值，rmax为样本数据最大值。
本发明的有益效果：
通过本发明引进改进的野马优化算法对变分模态分解和随机森林的参数进行整定，经过加入随机奔跑策略、动态惯性权重策略和竞争机制的改进野马优化算法具有需调节参数少、鲁棒性强、求解精度高，收敛速度快等优点，将改进的野马优化算法应用到变分模态分解中，进而实现进一步的电压暂降信号的降噪，将降噪后的暂降数据集带入经过改进的野马优化算法改进的随机森林分类模型，得到了很好的分类识别效果。
附图说明
图1为基于改进的野马优化算法的电压暂降源信号降噪与识别的流程图；
图2为电压暂降仿真电路图；
图3为去噪前后的电压暂降信号对比图
图4为得到最优随机森林参数的迭代过程；
图5为改进随机森林分类器的分类识别结果。
具体实施方式
下面将结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述。
如图1所示，本发明公开了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，包括以下步骤：
Step1：将检测到的电压暂降原始信号进行加噪处理。需要说明的是，该步骤添加噪声只是为了更加贴近真实的电压暂降信号，进而更好地反映本发明的诊断效果，并不为本发明的实际步骤。
Step2：利用改进的野马优化算法(WHO)，以变分模态分解(VMD)模态分量的最小包络熵为目标函数优化影响变分结果的惩罚因子α和分解层数K。
首先将Step1得到的加噪的电压暂降信号代入传统的变分模态分解模型，将变分模态分解(VMD)的最小包络熵作为适应度函数，根据改进的野马优化算法，不断更新分解模态个数K和惩罚因子α，然后分别计算每次更新后相应的适应度值，比较所有适应度值的大小，将最小的适应度值对应的K和α作为最优参数组合，构建新的经改进的野马优化算法优化的变分模态分解模型。
其中包络熵函数Ep为：
式中x(j)为原始电压暂降信号x(t)在不同维度下第j维的信号j＝1,2,...,j，J代表电压暂降信号的长度；a(j)是x(j)经Hilbert解调后得到的包络信号；pj是a(j)的归一化形式；
是x(j)经Hilbert变换之后的信号；Ep为pj的包络熵。
将包络熵值作为WHO的优化指标，则改进的野马优化算法优化的目标函数可表示为：
式中，ki为第i个个体的模态分量个数；αi为第i个个体的惩罚因子。
Step3：将原始的电压暂降信号x(t)带入经改进的野马优化算法优化以后的VMD模型，分解成K个IMF(t)分量。
Step4：计算各模态的中心频率及与原始电压暂降信号的相关系数，并根据相关系数来判断Step3中的K个IMF(t)是否为噪声IMF(t)。
相关系数是可以用来衡量变量间相关程度的统计量，两信号相关系数越大，相关性越强，反之越弱。因此分别将与原始信号相关系数较大和较小的模态分量称为有效分量和含噪分量。
相关系数的计算公式如下：
式中，x(t)代表原始的电压暂降信号，IMFm(t)代表x(t)经过VMD分解后的第m个分量，m＝1,2,3…k.
根据相邻模态与原始电压暂降信号相关系数的差值比来确定有效分量和含噪分量，判断条件如下：
Step5：将Step4中得出的有效电压暂降模态分量，进行小波阈值滤波，然后对滤波后的模态分量进行小波重构，最后得出去噪后的电压暂降信号y(t)。
Step6：通过MATLAB/simulink仿真软件搭建了微电网电压暂降仿真模型，通过改变相关系统参数，得到多组不同工况下的暂降扰动数据，并对每组数据进行Step1-5的降噪处理。对降噪处理后的电压暂降信号y(t)，提取13个时域特征量，分别为平均值、标准差、偏度、峭度、最大值、最小值、峰峰值、均方根、振幅因数、波形因数、冲击因数、裕度因数、能量。其中，在采集暂降扰动数据时，改变相关系统参数的方法为：对于短路故障引起的暂降，改变短路类型、故障点分布、发生故障到继电保护切除故障之间的时间间隔；对于大型感应电动机启动过程中引起的暂降，改变电动机启动时的电压相位角和接入点；对于变压器启动引起的暂降，改变投入时的电压相位角、接入变压器的额定容量和接入变压器的位置。每种故障采集100组暂降数据，共计600组。
Step7：将Step6中得到的600组数据进行归一化处理，将数据映射到[-1，1]之间，使得它们的量纲得到统一，方便后续模型训练，并划分出训练集和测试集。其中，样本归一化公式为：
式中，r与r*分别代表归一化前和归一化后的样本数据，rmin为样本数据最小值，rmax为样本数据最大值。
Step8：利用改进的野马优化算法对随机森林算法中的子树棵数n_estimators和最小叶子结点数min_samples_leaf两个参数进行寻优,首先将Step7得到的数据集代入传统的随机森林模型，将传统的随机森林模型错误率函数作为适应度函数，根据改进的野马优化算法，不断更新n_estimators和min_sample_leaf，然后分别计算每次更新后相应的适应度值，比较所有适应度值的大小，将最小的适应度值对应的n_estimators和min_samples_leaf作为最优参数组合，构建新的经改进的野马优化算法优化的随机森林分类模型。其中，适应度函数为：
error＝2-accuracy1-accuracy2
其中，error代表随机森林模型错误率，accuracy1代表训练集预测准确率，accuracy2代表测试集预测准确率。
针对野马优化算法可能存在初始个体具有较大随机性和不确定性或容易陷入局部最优的问题，对小马驹和种马采用随机奔跑策略，并在马饮水的水坑(栖息地)中引入动态惯性权重策略和种马对水坑的竞争机制，改进的野马优化算法的具体步骤为：
(1)种群初始化
种群个体在搜索范围内随机初始化，在算法开始时随机选择组的领导者，在后续阶段，根据组成员中的fitness选择领导者；提出了马驹和种马的随机奔跑策略；位置更新公式如下:
其中lb和ub分别为下边界和上边界；
为第i组野马成员第j组中的位置，
代表的是第j组野马种群候选的野马种群领导者位置。
(2)放牧行为
利用如下公式来模拟放牧行为，该式使小组成员以不同半径移动并搜索领队；
式中，StallionG,j代表第j组野马种群中领导者的位置，R为[-2,2]内的随机数，主要控制个体与领导者间的角度；自适应机制Z的计算方式为：
其中P是由0和1组成的向量，R1和R3均为[0,1]范围内均匀分布的随机变量，R2为[0,1]内一随机值；满足条件(P＝＝0)的随机向量R1返回的IDX索引，Θ即为点乘，TDR为由1线性递减至0的系数：
其中，iter是当前迭代次数，maxiter表示改进的野马优化算法的最大迭代次数；
(3)野马的交配行为
野马的交配行为，如下表达式：
Cros sover＝Mean
这里
表示种群k中个体p离群后再次进入种群k的个体位置，
表示种群ki中个体p离群后再次进入种群q的个体位置，
表示种群j中个体z离群后再次进入种群q的个体位置。
(4)团队领导
野马优化算法设定若另一个种群对栖息地占主导地位，那么该种群必须离开此地；下列公式即计算每个种群中领导者相对于栖息地的下一位置：
式中WH为栖息地的位置，也就是当前最优个体位置；在野马优化算法中引入动态惯性权重策略，帮助野马优化算法找到全局最优解；因此，在上式的第一个公式中加入一个动态惯性权重，其计算公式为：
其中w代表动态惯性权重，wmin和wmax分别为上边界值和下边界值，f(t)i为当前种马在TTH迭代时的适应度值，f(t)avg为所有种马的平均适应度值，f(t)min为种群的最小适应度值；
此外，在计算每个种群中领导者相对于栖息地的下一位置的公式的第二个式子加入种马对栖息地的竞争机制：
其中Q1和Q2是介于-1到1之间的随机数；
通过引入动态惯性权重和种马的栖息地竞争机制，得到了新的计算每个种群中领导者相对于栖息地的下一位置的公式：
最后，如果其中一名组员的适应度值优于领导者，则这两者身份互换：
这里cost为适应度函数。
与配电网相比，微电网环境较为复杂，系统惯性和阻尼更小，更容易发生电压暂降的情形。因此本实例采用欧盟微网项目所提出的Benchmark微网模型的基础上，加入光伏发电系统进行仿真分析，在Matlab/simulink中建立仿真模型，模拟六种类型电压暂降源的电压信号，如图2所示。将某组原始的电压暂降信号经过降噪环节后，得到的去噪后的信号和原始电压暂降信号的对比实例如图3所示。优化随机森林参数的过程中，改进野马优化算法的迭代曲线如图4所示。原始的电压暂降信号数据集在经过降噪后，带入经野马优化算法优化的随机森林分类器，得到的分类识别结果如图5所示。
最后说明的是，以上仅对本发明具体实施例进行详细描述说明。但本发明并不限制于以上描述具体实施例。本领域的技术人员对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都涵盖在本发明范围内。
Claims (6)
1.一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，其特征在于：包括以下步骤：
Step1：检测原始的电压暂降信号；
Step2：利用改进的野马优化算法WHO，以变分模态分解VMD模态分量的最小包络熵为目标函数优化影响变分结果的惩罚因子α和分解层数K；构建经改进的野马优化算法优化的变分模态分解模型；
Step3：将原始的电压暂降信号x(t)带入经改进的野马优化算法优化以后的VMD模型，分解成K个IMF(t)分量；
Step4：计算各模态的中心频率及与原始电压暂降信号的相关系数，并根据相关系数来判断Step3中的K个IMF(t)是否为噪声IMF(t)；
Step5：将Step4中得出的有效电压暂降模态分量，进行小波阈值滤波，然后对滤波后的模态分量进行小波重构，最后得出去噪后的电压暂降信号y(t)；
Step6：通过MATLAB/simulink仿真软件搭建了微电网电压暂降仿真模型，通过改变相关系统参数，得到多组不同工况下的暂降扰动数据，并对每组数据进行Step1-5的降噪处理；对降噪处理后的电压暂降信号y(t)，提取13个时域特征量，分别为平均值、标准差、偏度、峭度、最大值、最小值、峰峰值、均方根、振幅因数、波形因数、冲击因数、裕度因数、能量；
Step7：将Step6中得到的数据进行归一化处理，将数据映射到[-1，1]之间，使得它们的量纲得到统一，并划分出训练集和测试集；
Step8：利用改进的野马优化算法对随机森林算法中的子树棵数n_estimators和最小叶子结点数min_samples_leaf两个参数进行寻优，首先将Step7得到的数据集代入传统的随机森林模型，将传统的随机森林模型错误率函数作为适应度函数，根据改进的野马优化算法，不断更新n_estimators和min_samples_leaf，然后分别计算每次更新后相应的适应度值，比较所有适应度值的大小，将最小的适应度值对应的n_estimators和min_samples_leaf作为最优参数组合，构建新的经改进的野马优化算法优化的随机森林分类模型；其中，适应度函数为：
error＝2-accuracy1-accuracy2
其中，error代表随机森林模型错误率，accuracy1代表训练集预测准确率，accuracy2代表测试集预测准确率。
2.根据权利要求1所述的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，其特征在于：改进的野马优化算法的具体步骤为：
(1)种群初始化
种群个体在搜索范围内随机初始化，在算法开始时随机选择组的领导者，在后续阶段，根据组成员中的fitness选择领导者；提出了马驹和种马的随机奔跑策略；位置更新公式如下:
其中lb和ub分别为下边界和上边界；
为第i组野马成员在第j组中的位置，
代表的是第j组野马种群候选的野马种群领导者位置；
(2)放牧行为
利用如下公式来模拟放牧行为，该式使小组成员以不同半径移动并搜索领队；
式中，StallionG,j代表第j组野马种群领导者的位置，R为[-2,2]内的随机数，主要控制个体与领导者间的角度；自适应机制Z的计算方式为：
其中P是由0和1组成的向量，R1和R3均为[0,1]范围内均匀分布的随机变量，R2为[0,1]内一随机值；满足条件(P＝＝0)的随机向量R1返回的IDX索引，Θ即为点乘，TDR为由1线性递减至0的系数：
其中，iter是当前迭代次数，maxiter表示改进的野马优化算法的最大迭代次数；
(3)野马的交配行为
野马的交配行为，如下表达式：
Crossover＝Mean
这里
表示种群k中个体p离群后再次进入种群k的个体位置，
表示种群ki中个体p离群后再次进入种群q的个体位置，
表示种群j中个体z离群后再次进入种群q的个体位置；
(4)团队领导
野马优化算法设定若另一个种群对栖息地占主导地位，那么该种群必须离开此地；下列公式即计算每个种群中领导者相对于栖息地的下一位置：
式中WH为栖息地的位置，也就是当前最优个体位置；在野马优化算法中引入动态惯性权重策略，帮助野马优化算法找到全局最优解；因此，在上式的第一个公式中加入一个动态惯性权重，其计算公式为：
其中w代表动态惯性权重，wmin和wmax分别为上边界值和下边界值，
f(t)i为当前种马在TTH迭代时的适应度值，f(t)avg为所有种马的平均适应度值，f(t)min为种群的最小适应度值；
此外，在计算每个种群中领导者相对于栖息地的下一位置的公式的第二个式子加入种马对栖息地的竞争机制：
其中Q1和Q2是介于-1到1之间的随机数；
通过引入动态惯性权重和种马的栖息地竞争机制，得到了新的计算每个种群中领导者相对于栖息地的下一位置的公式：
最后，如果其中一名组员的适应度值优于领导者，则这两者身份互换：
这里cost为适应度函数。
3.根据权利要求2所述的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，其特征在于：Step2包括：
将Step1得到的原始的电压暂降信号代入传统的变分模态分解模型，将变分模态分解VMD的最小包络熵作为适应度函数，根据改进的野马优化算法，不断更新分解层数K和惩罚因子α，然后分别计算每次更新后相应的适应度值，比较所有适应度值的大小，将最小的适应度值对应的K和α作为最优参数组合，构建经改进的野马优化算法优化的变分模态分解模型；
其中包络熵函数Ep为：
式中x(j)为原始电压暂降信号x(t)在不同维度下第j维的信号j＝1,2,...,J，J代表电压暂降信号的长度；a(j)是x(j)经Hilbert解调后得到的包络信号；pj是a(j)的归一化形式；
是x(j)经Hilbert变换之后的信号；Ep为pj的包络熵；
将包络熵值作为WHO的优化指标，则改进的野马优化算法优化的目标函数可表示为：
式中，ki为第i个个体的模态分量个数；αi为第i个个体的惩罚因子。
4.根据权利要求1所述的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，其特征在于：Step4包括：
分别将与原始信号相关系数较大和较小的模态分量称为有效分量和含噪分量；
相关系数的计算公式如下：
式中，x(t)代表原始的电压暂降信号，IMFm(t)代表x(t)经过VMD分解后的第m个分量，m＝1,2,3…k；
根据相邻模态与原始电压暂降信号相关系数的差值比来确定有效分量和含噪分量，判断条件如下：
5.根据权利要求1所述的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，其特征在于：Step6中，在采集暂降扰动数据时，改变相关系统参数的方法为：对于短路故障引起的暂降，改变短路类型、故障点分布、发生故障到继电保护切除故障之间的时间间隔；对于大型感应电动机启动过程中引起的暂降，改变电动机启动时的电压相位角和接入点；对于变压器启动引起的暂降，改变投入时的电压相位角、接入变压器的额定容量和接入变压器的位置。
6.根据权利要求1所述的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，其特征在于：Step7中，样本归一化公式为：
式中，r与r*分别代表归一化前和归一化后的样本数据，rmin为样本数据最小值，rmax为样本数据最大值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211353052.8A CN115659665A (zh) | 2022-11-01 | 2022-11-01 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211353052.8A CN115659665A (zh) | 2022-11-01 | 2022-11-01 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115659665A true CN115659665A (zh) | 2023-01-31 |
Family
ID=84994744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211353052.8A Pending CN115659665A (zh) | 2022-11-01 | 2022-11-01 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115659665A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203365A (zh) * | 2023-05-05 | 2023-06-02 | 南昌工程学院 | 基于野马算法优化pnn的gis设备局部放电检测方法 |
| CN117272246A (zh) * | 2023-11-21 | 2023-12-22 | 国网江西省电力有限公司超高压分公司 | 基于多元回归模型的变压器声纹故障诊断方法及系统 |
| CN117807896A (zh) * | 2024-02-29 | 2024-04-02 | 南昌工程学院 | 电解水制氢系统电磁暂态电压信号分解方法及系统 |
| CN117850367A (zh) * | 2023-12-29 | 2024-04-09 | 淮阴工学院 | 一种基于多生产线的vmd分解与生产线优化系统 |
-
2022
- 2022-11-01 CN CN202211353052.8A patent/CN115659665A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116203365A (zh) * | 2023-05-05 | 2023-06-02 | 南昌工程学院 | 基于野马算法优化pnn的gis设备局部放电检测方法 |
| CN117272246A (zh) * | 2023-11-21 | 2023-12-22 | 国网江西省电力有限公司超高压分公司 | 基于多元回归模型的变压器声纹故障诊断方法及系统 |
| CN117272246B (zh) * | 2023-11-21 | 2024-02-02 | 国网江西省电力有限公司超高压分公司 | 基于多元回归模型的变压器声纹故障诊断方法及系统 |
| CN117850367A (zh) * | 2023-12-29 | 2024-04-09 | 淮阴工学院 | 一种基于多生产线的vmd分解与生产线优化系统 |
| CN117807896A (zh) * | 2024-02-29 | 2024-04-02 | 南昌工程学院 | 电解水制氢系统电磁暂态电压信号分解方法及系统 |
| CN117807896B (zh) * | 2024-02-29 | 2024-04-30 | 南昌工程学院 | 电解水制氢系统电磁暂态电压信号分解方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110782658B (zh) | 一种基于LightGBM算法的交通量预测方法 | |
| CN109145516B (zh) | 一种基于改进型极限学习机的模拟电路故障识别方法 | |
| CN109597401A (zh) | 一种基于数据驱动的设备故障诊断方法 | |
| CN110020712B (zh) | 一种基于聚类的优化粒子群bp网络预测方法和系统 | |
| CN108960329B (zh) | 一种包含缺失数据的化工过程故障检测方法 | |
| CN110796120A (zh) | 基于时域特征的断路器机械故障XGBoost诊断方法 | |
| CN111237988A (zh) | 地铁车载空调机组控制方法及系统 | |
| CN112000084A (zh) | 一种基于1d-cnn和gru-svm的控制器模块智能bit设计方法 | |
| CN114399032A (zh) | 一种电能表计量误差预测方法及系统 | |
| CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
| CN109543693A (zh) | 基于正则化标签传播的弱标注数据降噪方法 | |
| CN110928237A (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
| CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN114429152A (zh) | 基于动态指数对抗性自适应的滚动轴承故障诊断方法 | |
| CN117251798A (zh) | 一种基于两层渐进式的气象设备异常检测方法 | |
| CN114492675A (zh) | 一种电容式电压互感器故障原因智能诊断方法 | |
| CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
| 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 | |
| CN116720057A (zh) | 基于特征筛选与权值分配的江河水质预测方法及系统 | |
| CN116561692A (zh) | 一种动态更新的实时量测数据检测方法 | |
| CN116227320A (zh) | 一种基于lstm-ipso的双馈风机控制参数辨识方法 | |
| CN114118592A (zh) | 一种智能电网用电端短期能耗预测系统 | |
| CN114298164A (zh) | 基于klms算法和趋势滤波的自适应故障预测方法 | |
| CN114492911A (zh) | 一种集成数据去噪、麻雀搜索算法和多层极限学习机的短期风速预测方法 |
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 |