CN116541686A - 基于多域特征融合极限学习机的电能质量扰动分类方法 - Google Patents

Abstract

本发明公开了一种基于多域特征融合极限学习机的电能质量扰动分类方法，该方法首先对采集的电能质量扰动数据进行预处理，采用基于RMS时域和小波变换域的多域并行特征提取方法得到扰动信号的原始特征集；其次对原始特征集进行基于互信息和Fisher Score的二维度量，以两者之积作为特征选择的综合指标，优选出高效特征子集；然后构建极限学习机分类器模型；最后将待分类样本的高效特征子集输入给训练好的ELM模型，输出识别结果。本发明通过多域并行特征提取增强特征集的多样性和完备性，通过特征优选策略减小特征间的交叉冗余，试验表明该方法能有效提高多种单一及复合电能质量扰动分类精度，提升扰动识别效率。

Description

基于多域特征融合极限学习机的电能质量扰动分类方法

技术领域

本发明涉及电能质量分析技术领域，具体涉及一种基于多域特征融合极限学习机的电能质量扰动分类方法。

背景技术

随着我国低碳化和数字化智能电网的发展，大量新能源、电动汽车和各类非线性设备随机接入电网，增强了电网的非线性、时变性和波动性，严重影响了主动配电网的供电可靠性和电能质量。为了保证智能电网的安全高效运行，减小各种扰动的影响，采取合理措施提高电能质量，首先要对电能质量各因素进行评估与分析，其中对各种扰动进行准确及时的分类就是关键问题之一。

目前，对于电能质量扰动分类的研究主要集中在特征提取和扰动分类方法两个方面。其中，特征提取是扰动分类的前提，利用各种信号处理方法找出表征信号特点的合适特征集是至关重要的步骤。常见的分析方法有快速傅里叶变换(FFT)、短时傅里叶变换(STFT)、小波变换(WT)、S变换(ST)、希尔伯特-黄变换(HHT)等。但是，由于电能质量复合扰动是各类稳态和暂态扰动的动态交叠，其间的关联耦合造成扰动特征在幅值、频谱、持续时间、时序突变等多个方面都有呈现，单一信号处理方法已经无法满足复合扰动信号特征多样性的区分要求。而扰动分类的本质是模式识别问题，目前常用分类方法有神经网络、贝叶斯分类器、决策树、支持向量机以及各种深度学习算法。这些方法虽然可靠性强，但又有各自的局限性。尽管对于电能质量复合扰动分类研究已经取得了诸多成果，但在特征融合、特征优选策略和分类器性能提升等方面还有亟待解决的问题。

发明内容

本发明所要解决的技术问题是，针对目前电能质量扰动信号特征提取不完备，特征选择效率低，分类速度慢等问题，提供一种基于多域特征融合极限学习机的电能质量扰动分类方法。

本发明的目的可以通过以下技术方案实现：

一种基于多域特征融合极限学习机的电能质量扰动分类方法，包括以下步骤：

步骤1，电能质量扰动信号数据采集和预处理。

步骤2，对电能质量扰动信号进行多域并行特征提取，包括基于RMS的时域统计量特征提取和基于小波变换域的能量分布特征提取，构成完备多样的原始特征集。包括如下步骤：

步骤21，分段计算电能质量扰动信号x(n)的RMS值X_RMS，得到RMS曲线：

式中，N1为分段计算RMS时对应数据段的长度，即每N1点算一次X_RMS值。

根据RMS曲线计算以下5个时域统计量特征：

RMS曲线的最大值 FT₁＝max(X_RMS)

RMS曲线的最小值 FT₂＝min(X_RMS)

最大值与最小值之差 FT₃＝max(X_RMS)-min(X_RMS)

RMS曲线的平均值

RMS曲线的标准差

构成时域统计特征集FT＝[FT₁，FT₂，...FT₅]。

步骤22，对x(n)进行一维离散小波变换，小波变换函数为：

其中，α，τ分别为缩放和平移参数，n为信号采样点个数。

采用db4母小波，对扰动信号进行5层多分辨率小波分解和重构，得到慢波动概貌分量cA(n)和快波动细节分量cD_i(n)(其中i＝1，2，...5；n＝1，2，...N)

小波变换能量：

E_cA＝∑_n(cA(n))²

计算各小波变换能量占比：

其中，j＝2，3，...6

计算小波变换能量分布：

其中i＝1，2，...5，每M点计算一次小波分布能量，满足kM＝N，k为正整数。

计算各层小波变换能量分布的最大值、最小值、平均值和标准差，得到特征量FW₇～FW₃₀。与小波变换能量占比一起，构成小波变换域能量分布特征集FW＝[FW₁，FW₂，...FW₃₀]。

将所述步骤21所得时域特征集FT和步骤22所得小波变换域能量分布特征集FW，合并构成原始特征集F。

步骤3，采用基于互信息和Fisher Score二维度量的特征优选策略，对原始特征集进行特征选择，减小特征间的交叉冗余，得到高效特征子集。包括以下步骤：

步骤31，分别计算原始特征集中特征量的互信息。互信息计算公式为：

其中，p(x)，p(y)分别为X，Y的概率分布函数，p(x，y)为X与Y的联合概率分布。

步骤32，分别计算原始特征集中每个特征量的Fisher Score，计算公式为：

类间方差：

类内方差：

第k个特征的Fisher Score：

其中，n为样本总数，n_i为属于第i类扰动的样本数，C为扰动的类别总数，为第i类扰动的第k个特征的平均值，m^(k)为全部样本第k个特征的平均值，W_i为第i类扰动的样本集合，x^(k)为W_i集合中第k个特征的值。

步骤33，将互信息和Fisher Score的乘积作为特征优选的综合指标，计算每个特征的综合指标，然后选择综合指标较高的一部分特征构成高效特征子集。

G_i＝I(i，Y)*F_Score(i)

设置阈值S，筛选出G_i大于阈值S的特征量构成高效特征子集。

步骤4，基于极限学习机构建电能质量扰动分类模型。

步骤5，将特征集输入给训练好的ELM智能分类器，输出电能质量扰动识别结果。

上述的任一所述方法在电能质量监测设备或系统中的应用。

本发明具有如下有益效果：本发明首先采用时域和小波变换相结合的多域特征提取，克服了传统特征提取手段的单一性，增强原始特征集的多样性和完备性；其次，为减小原始特征集的交叉耦合，通过多域特征的互信息和Fisher Sore分析，将二者的乘积作为综合评价特征量的相关性和鉴别能力的指标，对原始特征集进行降维和去冗余，从而筛选出高效特征子集，实现特征优选的目标；最后，训练ELM神经网络，得到具有最佳连接权值和网络参数的ELM分类模型，将其用于电能质量复合扰动信号的分类。此算法结合多域并行特征提取方法和高效的特征优选策略，并利用ELM神经网络学习速度快，泛化能力好的特点，在电能质量扰动可分类别，分类准确性以及分类速度方面均有明显优势，可满足电能质量扰动自动分类的应用需求。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例中各种电能质量扰动波形及其RMS曲线；

图3为本发明实施例中提取的时域特征柱状图；

图4为本发明实施例中提取的小波变换域特征柱状图；

图5为本发明实施例中各特征量的重要度示意图；

图6为本实施例中12种电能质量扰动的ELM分类结果。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的详细说明，显然，所描述的实施例仅仅是本发明一部分实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图1所示，本发明提供一种基于多域特征融合极限学习机的电能质量扰动分类方法，该方法包括以下顺序的步骤：

步骤1，电能质量扰动信号数据采集和预处理。

利用电流互感器、电压互感器或其他电能质量监测设备采集记录电能质量扰动数据，并对数据进行统一时长截取和幅值标准化预处理。

步骤2，对电能质量扰动信号进行多域并行特征提取，包括基于RMS的时域统计量特征提取和基于小波变换域的能量分布特征提取，构成完备多样的原始特征集。包括如下步骤。

步骤21，分段计算电能质量扰动信号x(n)的RMS值X_RMS，得到RMS曲线：

式中，N1为分段计算RMS时对应数据段的长度，即每N1点算一次X_RMS值。

根据RMS曲线计算以下5个时域统计量特征：

RMS曲线的最大值 FT₁＝max(X_RMS)

RMS曲线的最小值 FT₂＝min(X_RMS)

最大值与最小值之差 FT₃＝max(X_RMS)-min(X_RMS)

RMS曲线的平均值

RMS曲线的标准差

构成时域统计特征集FT＝[FT₁，FT₂，...FT₅]。

本实例中，对12种单一及复合电能质量扰动信号进行分类识别，分别是正常信号(S1)、电压暂降(S2)、电压暂升(S3)、电压中断(S4)、谐波(S5)、电压闪变(S6)、暂态振荡(S7)、电压尖峰(S8)、谐波+暂降(S9)、谐波+暂升(S10)、谐波+中断(S11)、谐波+闪变(S12)。为详细说明多域并行特征提取和特征优选的方法及性能，根据IEEE Std 1159标准中的电能质量扰动信号模型，通过MATLAB仿真产生包含以上12种不同类型和不同起止时刻的扰动信号，每种扰动信号随机产生200个，共计2400个。其中随机选取12*140个样本作为训练样本，其余12*60个作为测试样本。各电能质量扰动波形及其RMS曲线如图2所示，在本实施例中，每64点计算一次X_RMS值。根据RMS曲线计算所得各种扰动的时域特征柱状图如图3所示。

步骤22，对x(n)进行一维离散小波变换，小波变换函数为：

其中，α，τ分别为缩放和平移参数，n为信号采样点个数。

采用db4母小波，对扰动信号进行5层多分辨率小波分解和重构，得到慢波动概貌分量cA(n)和快波动细节分量cD_i(n)(其中i＝1，2，...5；n＝1，2，...N)

小波变换能量：

E_cA＝∑_n(cA(n))²

计算各小波变换能量占比：

其中，j＝2，3，...6

计算小波变换能量分布：

其中i＝1，2，...5，每M点计算一次小波分布能量，满足kM＝N，k为正整数。

计算各层小波变换能量分布的最大值、最小值、平均值和标准差，得到特征量FW₇～FW₃₀。与小波变换能量占比一起，构成小波变换域能量分布特征集FW＝[FW₁，FW₂，...FW₃₀]。

将所述步骤21所得时域特征集FT和步骤22所得小波变换域能量分布特征集FW，合并构成原始特征集F。

本实施例中，对12种扰动信号分别进行多分辨率小波分解与重构，计算所得各种扰动信号的小波变换域特征柱状图如图4所示。

步骤3，采用基于互信息和Fisher Score二维度量的特征优选策略，对原始特征集进行特征选择，减小特征间的交叉冗余，得到高效特征子集。包括以下步骤。

步骤31，分别计算原始特征集中特征量的互信息。互信息计算公式为：

其中，p(x)，p(y)分别为X，Y的概率分布函数，p(x，y)为X与Y的联合概率分布。

步骤32，分别计算原始特征集中每个特征量的Fisher Score，计算公式为：

类间方差：

类内方差：

第k个特征的Fisher Score：

其中，n为样本总数，n_i为属于第i类扰动的样本数，C为扰动的类别总数，为第i类扰动的第k个特征的平均值，m^(k)为全部样本第k个特征的平均值，W_i为第i类扰动的样本集合，x^(k)为W_i集合中第k个特征的值。

步骤33，将互信息和Fisher Score的乘积作为特征优选的综合指标，计算每个特征的综合指标，然后选择综合指标较高的一部分特征构成高效特征子集。

G_i＝l(i，Y)*F_Score(i)

设置阈值S，筛选出G_i大于阈值S的特征量构成高效特征子集。

本实施例中，基于优选指标得到的各特征量的重要度示意图如图5所示。设定阈值即取G_i大于最大值1/5的特征量，共筛选出16个特征量，分别对应时域特征FT₁，FT₂，FT₃，FT₅，小波变换域特征FW₁，FW₈，FW₁₀，FW₁₂，FW₁₆，FW₁₉，FW₂₀，FW₂₂，FW₂₃，FW₂₄，FW₂₆，FW₂₈，构成高效特征子集。

步骤4，基于极限学习机构建电能质量扰动分类模型；

步骤5，将特征集输入给训练好的ELM智能分类器，输出电能质量扰动识别结果。

本实施例中，分别采用原始特征集和高效特征子集训练ELM模型，并对12种扰动进行分类，特征优选前后ELM分类结果对比如表1所示。特征优选之后，12种电能质量扰动的ELM分类结果如图6所示。

表1特征优选前后以及不同分类器的分类准确率对比

从表1中的结果可知，特征优选之后，特征数量由原始特征集的35个减少到高效特征子集的16个时，ELM分类器的扰动分类准确率整体提高，平均准确率可达98.89％；而采用相同的特征集时，ELM分类器比DT决策树分类器的准确率更高。以上试验结果初步表明，本发明提出的基于多域特征融合极限学习机的电能质量扰动分类方法可以有效提升分类速度和准确性，提高扰动识别精度。

以上详细描述了本发明的一个实施例，但是，本发明并不限于上述实施例中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (4)

1.一种基于多域特征融合极限学习机的电能质量扰动分类方法，其特征在于，包括如下步骤：

步骤1，电能质量扰动信号数据采集和预处理；

步骤2，对电能质量扰动信号进行多域并行特征提取，包括基于RMS的时域统计量特征提取和基于小波变换域的能量分布特征提取，构成完备多样的原始特征集；

步骤3，采用基于互信息和Fisher Score二维度量的特征优选策略，对原始特征集进行特征选择，减小特征间的交叉冗余，得到高效特征子集；

步骤4，基于极限学习机构建电能质量扰动分类模型；

步骤5，将特征集输入给训练好的ELM智能分类器，输出电能质量扰动识别结果。

2.权利要求1所述的基于多域特征融合极限学习机的电能质量扰动分类方法，其特征在于，所述步骤2中的多域并行特征提取的具体步骤为：

步骤21，分段计算电能质量扰动信号x(n)的RMS值X_RMS，得到RMS曲线：

式中，N1为分段计算RMS时对应数据段的长度，即每N1点算一次X_RMS值。

根据RMS曲线计算以下5个时域统计量特征：

RMS曲线的最大值FT₁＝max(X_RMS)

RMS曲线的最小值FT₂＝min(X_RMS)

最大值与最小值之差FT₃＝max(X_RMS)-min(X_RMS)

RMS曲线的平均值

RMS曲线的标准差

构成时域统计特征集FT＝[FT₁，FT₂，...FT₅]。

步骤22，对x(n)进行一维离散小波变换，小波变换函数为：

其中，α，τ分别为缩放和平移参数，n为信号采样点个数。

采用db4母小波，对扰动信号进行5层多分辨率小波分解和重构，得到慢波动概貌分量cA(n)和快波动细节分量cD_i(n)(其中i＝1，2，...5；n＝1，2，...N)

小波变换能量：

E_cA＝∑_n(cA(n))²

计算各小波变换能量占比：

其中，j＝2，3，...6

计算小波变换能量分布：

其中i＝1，2，...5，每M点计算一次小波分布能量，满足kM＝N，k为正整数。

计算各层小波变换能量分布的最大值、最小值、平均值和标准差，得到特征量FW₇～FW₃₀。与小波变换能量占比一起，构成小波变换域能量分布特征集FW＝[FW₁，FW₂，...FW₃₀]。

将所述步骤21所得时域特征集FT和步骤22所得小波变换域能量分布特征集FW，合并构成原始特征集F。

3.权利要求1所述的基于多域特征融合极限学习机的电能质量复合扰动分类方法，其特征在于，所述步骤3中基于互信息和Fisher Score二维度量的特征优选策略的具体步骤为：

步骤31，分别计算原始特征集中特征量的互信息。互信息计算公式为：

其中，p(x)，p(y)分别为X，Y的概率分布函数，p(x，y)为X与Y的联合概率分布。

步骤32，分别计算原始特征集中每个特征量的Fisher Score，计算公式为：

类间方差：

类内方差：

第k个特征的Fisher Score：

其中，n为样本总数，n_i为属于第i类扰动的样本数，C为扰动的类别总数，为第i类扰动的第k个特征的平均值，m^(k)为全部样本第k个特征的平均值，W_i为第i类扰动的样本集合，x^(k)为W_i集合中第k个特征的值。

步骤33，将互信息和Fisher Score的乘积作为特征优选的综合指标，计算每个特征的综合指标，然后选择综合指标较高的一部分特征构成高效特征子集。

G_i＝I(i，Y)*F_Score(i)

设置阈值S，筛选出G_i大于阈值S的特征量构成高效特征子集。

4.权利要求1～3任一所述方法在电能质量监测设备或系统中的应用。