CN117077025A - 基于时域特征峭度和神经网络的电能质量扰动识别方法 - Google Patents
基于时域特征峭度和神经网络的电能质量扰动识别方法 Download PDFInfo
- Publication number
- CN117077025A CN117077025A CN202310828428.4A CN202310828428A CN117077025A CN 117077025 A CN117077025 A CN 117077025A CN 202310828428 A CN202310828428 A CN 202310828428A CN 117077025 A CN117077025 A CN 117077025A
- Authority
- CN
- China
- Prior art keywords
- neural network
- disturbance
- kurtosis
- time domain
- characteristic
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013178 mathematical model Methods 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 4
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005094 computer simulation Methods 0.000 claims description 3
- 238000013467 fragmentation Methods 0.000 claims description 3
- 238000006062 fragmentation reaction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003016 pheromone Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/045—Combinations of 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
- G06N3/047—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
- G06N3/04—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
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于时域特征峭度和神经网络的电能质量扰动识别方法，解决了现有技术的不足，包括针对有源配电网中电能质量扰动建立扰动数学模型得到样本数据，样本数据用于特征提取与神经网络训练；采用经验小波变换对样本数据进行分解得到经验小波分量，对分解得到的经验小波分量进行时域特征峭度分析，得到有效特征片段，最后利用神经网络进行识别分类。
Description
技术领域
本发明涉及电力系统控制与识别系统领域，尤其是指基于时域特征峭度和神经网络的电能质量扰动识别方法。
背景技术
在现代电力系统中，随着电力电子技术的成熟，和电力系统的复杂化，电力电子设备在电力系统中的使用日趋广泛，大量具有非线性和冲击性的负载也逐渐增加，导致电网中逐渐出现诸如谐波、电压振荡、电压暂升等电能质量扰动问题，上述问题很大程度上影响着电网安全，因此需要相应的识别手段实现精准判别。
目前针对电能质量扰动的检测方法主要分为特征提取和扰动识别2部分：特征提取的主要思想是通过信号处理等数学方法对原始扰动信号在频域或时域的表征进行分析，进而提取出具有代表性的特征向量。扰动识别方面，多数是利用机器学习的方法。目前基于特征选择方面应用较多的方法有基于群体的遗传算法、粒子群优化、蚁群优化算法等群体智能算法。文献基于蚁群算法通过对信息素的合理配置得到高容错性的分类定位方法，但应用面较窄。文献通过粒子群算法对小波提取出的特征向量进行动态筛选，准确度提高，但是设计结构复杂。传统BP神经网络具有更强的自适应度，但收敛结果较慢，且不适用于处理长时间序列问题。因此需要一种新型的电能质量扰动识别方法。
发明内容
本发明的目的是克服现有技术中的电能质量扰动种类繁多，并且在实际情况中常存在复合扰动的情况，识别难度较大缺点，提供一种基于时域特征峭度和神经网络的电能质量扰动识别方法。
本发明的目的是通过下述技术方案予以实现：
基于时域特征峭度和神经网络的电能质量扰动识别方法，包括：
针对有源配电网中电能质量扰动建立扰动数学模型得到样本数据，样本数据用于特征提取与神经网络训练；采用经验小波变换对样本数据进行分解得到经验小波分量，对分解得到的经验小波分量进行时域特征峭度分析，得到有效特征片段，最后利用神经网络进行识别分类。
作为优选，所述的建立扰动数学模型具体为：
对若干种扰动信号进行仿真建模分析，正常状态的电压基波频率fa＝50Hz，周期Ta＝0.02s，幅值为220V；设定采样频率fs＝10kHz，按照电能质量扰动数学模型建立扰动信号源，其中，针对每种扰动类型，乘以500组1～1.5间的随机系数，得到样本数据。
作为优选，所述的采用经验小波变换对样本数据进行分解得到经验小波分量具体为：在傅里叶频谱的基础上，对样本数据进行自适应分隔；在获取频域信息后，通过确定极大值的方式，实现对信号模态的分解，从而实现经验小波变换：首先将频谱范围归一化到[0,π]上，并将其分割为k个连续的小段频谱；其次，依据Meyer小波构造尺度函数φi(ω)和经验小波函数Ψi(ω)，计算逼近系数和细节系数，得到重构信号表达式；最后得到经验小波变换的各个模态分量EWF。
作为优选，采用经验小波变换对样本数据进行分解得到经验小波分量的具体公式为：
式中，ωi为分隔的信号频谱边界，α(γ,ωi)＝β((1/2γωi)(|ω|-(1-γ)ωi))。γ保证两个连续的变换不存在重叠，β(x)为满足上式变换的多项式，如下式所示：
β(x)＝35x4-84x5+70x6-20x7
重构信号的表达式为：
其中，为逼近系数，/>为细节系数；逼近系数由经验小波函数与原始信号f(t)内积产生，细节系数由经验尺度函数与原始信号内积产生，以暂升扰动为例：
f(t)＝(1+κ(u(t2)-u(t1)))sin(ωt)
则：
由此可得EWT的各个模态分量EWF为：
作为优选，所述的对分解得到的经验小波分量进行时域特征峭度分析具体为：
设整端离散信号长度为M，取长度为N的时间窗，计算特征向量的时间窗片段中的峭度值；得到长度为M/N的一段峭度序列后，通过比较峭度值的变换程度，设定阈值确定扰动的起止时间；取各特征向量的共同区间，使得各段特征向量的长度一致及保留最丰富的特征信息；将原始信号分解为EWF分量并进行有效片段提取后后，设信号序列f(n)在各个频段上的分量为EWFj(n)，由公式得到小波能量，在求取相对能量值后，计算得到小波能量熵；
时域信息片段化处理，考虑各个周期内的特征信息呈现相似性的特征，为了最大化体现单周期内的特征量，对原始信号做时域上的分段处理，设拆分为k个子序列，对每个子序列进行经验小波分解，并且计算各自的能量熵，得到一个周期内的能量熵序列{Entropy(k)}。
作为优选，所述的神经网络为LSTM神经网络，利用神经网络进行识别分类具体为：利用LSTM神经网络，设定能量熵长度为40，由于经验小波分解将原始信号分为6组，故最终的训练信号为6*40的特征矩阵，代表40个6维的列特征向量，作为神经网络的训练对象，通过扰动数学模型建立的训练集，得到最终的神经网络分类器，神经网络分类器对电能质量扰动进行识别分类。
本发明的有益效果是：
1、本发明将通过经验小波变换，自适应的实现PQ扰动信号的频谱分解。通过对分解后的时域信号加窗的方式，计算时间窗内的峭度值从而判断扰动的起止位置，提取有效特征信息，降低特征向量的冗余，一定程度上避免由于数据冗余造成的模型复杂度高和训练时间长的问题。
2、本发明选用针对于时域信息的LSTM神经网络，能成功识别各种扰动类型，模型复杂度低，训练时长短，平均准确率相较于传统算法有所提高，并具有良好的抗噪能力。
3、本发明针对有源配电网中大量电力电子装置接入以及冲击性负荷而产生的复杂电能质量扰动情况，能够有效识别多种扰动类型复合作用的情况。
4、本发明能够为配电网中的电能质量扰动提供有效识别，从而降低损耗，实现一定规模的经济收益。
附图说明
图1是本发明的一种流程图；
图2是本发明的部分仿真扰动样本波形图；
图3是本发明的各个EWF分量的峭度序列图；
具体实施方式
下面结合附图和实施例对本发明进一步描述。
实施例：
基于时域特征峭度和神经网络的电能质量扰动识别方法，如图1所示，包括：
针对有源配电网中电能质量扰动建立扰动数学模型得到样本数据，样本数据用于特征提取与神经网络训练；采用经验小波变换对样本数据进行分解得到经验小波分量，对分解得到的经验小波分量进行时域特征峭度分析，得到有效特征片段，最后利用神经网络进行识别分类。
S1、建立扰动数学模型，根据参考IEEE标准和其他电能质量相关研究，对13种扰动信号进行仿真建模分析。正常状态的电压基波频率fa＝50Hz，周期Ta＝0.02s，幅值为220V；设定采样频率fs＝10kHz，按照电能质量扰动数学模型建立扰动信号源。其中，针对每种扰动类型，乘以500组1～1.5间的随机系数，得到后续训练的数据样本。下表给出部分扰动的数学模型：
S2、依据Meyer小波构造尺度函数φi(ω)和经验小波函数Ψi(ω)，其中：
式中，ωi为分隔的信号频谱边界，α(γ,ωi)＝β((1/2γωi)(|ω|-(1-γ)ωi))。γ保证两个连续的变换不存在重叠，β(x)为满足上式变换的多项式，如下式所示：
β(x)＝35x4-84x5+70x6-20x7
重构信号的表达式为：
其中，为逼近系数，/>为细节系数。逼近系数由经验小波函数与原始信号f(t)内积产生，细节系数由经验尺度函数与原始信号内积产生，以暂升扰动为例：f(t)＝(1+κ(u(t2)-u(t1)))sin(ωt)
则：
由此可得EWT的各个模态分量EWF为：
S3、设整端离散信号长度为M，取长度为N的时间窗。计算特征向量的时间窗片段中的峭度值，即：
得到长度为M/N的一段峭度序列后，通过比较峭度值的变换程度，确定扰动的起止时间。设第i个特征分量的起止时段为[ai,bi]，为了确保各段特征向量的长度一致，以及保留最丰富的特征信息，统一选取起止时段为[a,b]，计算公式如下：
以暂升扰动为例，选取0.4s的扰动信号，采样频率为10kHz，故总共4000个数据点，取长度为100的时间窗，得到40个时间窗，分别计算窗内峭度值，得到峭度序列如图2所示。根据峭度值选取各频段的起止时段为(根据时间窗得到此时的时间跨度为0.01s)[0.05,0.15],[0.07,0.2],[0.07,0.2],[0.06,0.14],[0.08,0.13],[0.05,0.18]。
故选取最终起止时段为：
S4、求取小波能量熵。将原始信号分解为EWF分量后，设信号序列f(n)在各个频段上的分量为EWFj(n)，则小波能量可以用下式表示：
由于信息熵所用的概率p满足和为1，因此求取相对能量，即
故小波能量熵为：
ε＝-∑jPj ln(Pj)
S5、时域信息片段化处理，考虑各个周期内的特征信息呈现相似性的特征，为了最大化体现单周期内的特征量，对原始信号做时域上的分段处理，设拆分为40个子序列，对每个子序列进行经验小波分解，并且计算各自的能量熵，得到一个周期内的能量熵序列{Entropy(40)}。
S6、配置LSTM神经网络。第一层为输入层，输入的特征向量维度为6；第二层为双向LSTM神经网络，即前向LSTM与后向LSTM的综合，更有效地处理双向的信息；第三层为全连接层，数据种类暂时设定为13(13种扰动类型)；第四层为softmax函数，将原先输出映射到(0,1)上；第五层为分类器，实现本次训练的扰动分类功能。
神经网络求解器采用Adam，它是一种自适应动量的随机优化方法；最大循环次数设定为1000次；学习率设定为0.001；小批量规模设定为50，即采用50大小的小批量规模，均匀划分数据集；设定每次循环时，都将打乱一次数据集。
下面对本发明的方法进行仿真，参考IEEE标准和其他电能质量相关研究，对13种扰动信号进行仿真建模分析。正常状态的电压基波频率fa＝50Hz，周期Ta＝0.02s，幅值为220V；设定采样频率fs＝10kHz，按照电能质量扰动数学模型建立扰动信号源。其中，针对每种扰动类型，乘以500组1～1.5间的随机系数，得到后续训练的数据样本。部分样本数据如图2所示：
通过前文所提的时域特征峭度分析法，得到每组扰动数据的有效特征时域信息，计算能量熵后，得到维数较低的能量熵时序序列，峭度序列如图3所示。
为统一各组别的能量熵序列维度，设定能量熵长度为40，由于经验小波分解将原始信号分为6组，故最终的训练信号为6*40的特征矩阵，代表40个6维的列特征向量，作为神经网络的训练对象。
为体现本算法效果，选用SVM、BPNN神经网络与LSTM神经网络三种方法做对比。将每种扰动类型的500组数据，分为300组训练样本与200组测试样本。BPNN的隐含层配置为200，最大循环轮数为200，学习率设置为0.001；LSTM神经网络的隐含层配置为100，最大循环轮数设置为100，学习率设置为0.001，各组训练成果如表1所示。
从表可知，LSTM的训练效果是最好的，其平均准确率达到了98.22％，为3种方法中最高的。同时不难发现，SVM算法限于自身原理，其效果不如神经网络；而BPNN不适合处理长时间序列，因此在处理时序序列方面不如LSTM神经网络。在采用LSTM神经网络后，准确率均有3-7％的提升。不过各种方法在识别复合扰动方面，准确率都出现了不同程度的下降
表1不同算法的训练效果对比
| 扰动类别 | SVM/％ | BPNN/％ | LSTM/％ |
| 暂升 | 88.6 | 92.6 | 100 |
| 暂降 | 87.4 | 92.2 | 100 |
| 中断 | 87.2 | 91.4 | 98.6 |
| 波动 | 89.4 | 92.8 | 99.4 |
| 振荡 | 85.2 | 89.8 | 100 |
| 脉冲 | 86.2 | 88.6 | 96.6 |
| 谐波 | 85.4 | 87.6 | 97.4 |
| 谐波暂升 | 89.8 | 91.8 | 99.2 |
| 谐波暂降 | 91.2 | 92.6 | 99.4 |
| 谐波中断 | 89.6 | 91.2 | 98.4 |
| 谐波脉冲 | 86.4 | 88.2 | 96.8 |
| 暂升脉冲 | 82.4 | 87.2 | 95.2 |
| 暂降振荡 | 84.6 | 86.4 | 95.8 |
| 平均成功率 | 87.18 | 90.18 | 98.22 |
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。
Claims (6)
1.基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，包括：
针对有源配电网中电能质量扰动建立扰动数学模型得到样本数据，样本数据用于特征提取与神经网络训练；采用经验小波变换对样本数据进行分解得到经验小波分量，对分解得到的经验小波分量进行时域特征峭度分析，得到有效特征片段，最后利用神经网络进行识别分类。
2.根据权利要求1所述的基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，所述的建立扰动数学模型具体为：
对若干种扰动信号进行仿真建模分析，正常状态的电压基波频率fa＝50Hz，周期Ta＝0.02s，幅值为220V；设定采样频率fs＝10kHz，按照电能质量扰动数学模型建立扰动信号源，其中，针对每种扰动类型，乘以500组1～1.5间的随机系数，得到样本数据。
3.根据权利要求2所述的基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，所述的采用经验小波变换对样本数据进行分解得到经验小波分量具体为：
在傅里叶频谱的基础上，对样本数据进行自适应分隔；在获取频域信息后，通过确定极大值的方式，实现对信号模态的分解，从而实现经验小波变换：首先将频谱范围归一化到[0,π]上，并将其分割为k个连续的小段频谱；其次，依据Meyer小波构造尺度函数φi(ω)和经验小波函数Ψi(ω)，计算逼近系数和细节系数，得到重构信号表达式；最后得到经验小波变换的各个模态分量EWF。
4.根据权利要求3所述的基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，采用经验小波变换对样本数据进行分解得到经验小波分量的具体公式为：
式中，ωi为分隔的信号频谱边界，α(γ,ωi)＝β((1/2γωi)(|ω|-(1-γ)ωi))。γ保证两个连续的变换不存在重叠，β(x)为满足上式变换的多项式，如下式所示：
β(x)＝35x4-84x5+70x6-20x7
重构信号的表达式为：
其中，为逼近系数，/>为细节系数；逼近系数由经验小波函数与原始信号f(t)内积产生，细节系数由经验尺度函数与原始信号内积产生，以暂升扰动为例：
f(t)＝(1+κ(u(t2)-u(t1)))sin(ωt)
则：
由此可得EWT的各个模态分量EWF为：
5.根据权利要求3或4所述的基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，所述的对分解得到的经验小波分量进行时域特征峭度分析具体为：
设整端离散信号长度为M，取长度为N的时间窗，计算特征向量的时间窗片段中的峭度值；得到长度为M/N的一段峭度序列后，通过比较峭度值的变换程度，设定阈值确定扰动的起止时间；取各特征向量的共同区间，使得各段特征向量的长度一致及保留最丰富的特征信息；
将原始信号分解为EWF分量并进行有效片段提取后后，设信号序列f(n)在各个频段上的分量为EWFj(n)，由公式得到小波能量，在求取相对能量值后，计算得到小波能量熵；
时域信息片段化处理，考虑各个周期内的特征信息呈现相似性的特征，为了最大化体现单周期内的特征量，对原始信号做时域上的分段处理，设拆分为k个子序列，对每个子序列进行经验小波分解，并且计算各自的能量熵，得到一个周期内的能量熵序列{Entropy(k)}。
6.根据权利要求5所述的基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，所述的神经网络为LSTM神经网络，利用神经网络进行识别分类具体为：
利用LSTM神经网络，设定能量熵长度为40，由于经验小波分解将原始信号分为6组，故最终的训练信号为6*40的特征矩阵，代表40个6维的列特征向量，作为神经网络的训练对象，通过扰动数学模型建立的训练集，得到最终的神经网络分类器，神经网络分类器对电能质量扰动进行识别分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310828428.4A CN117077025A (zh) | 2023-07-06 | 2023-07-06 | 基于时域特征峭度和神经网络的电能质量扰动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310828428.4A CN117077025A (zh) | 2023-07-06 | 2023-07-06 | 基于时域特征峭度和神经网络的电能质量扰动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117077025A true CN117077025A (zh) | 2023-11-17 |
Family
ID=88716010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310828428.4A Pending CN117077025A (zh) | 2023-07-06 | 2023-07-06 | 基于时域特征峭度和神经网络的电能质量扰动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117077025A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117782588A (zh) * | 2024-02-28 | 2024-03-29 | 江苏国茂减速机股份有限公司 | 一种减速机的智能故障检测方法 |
-
2023
- 2023-07-06 CN CN202310828428.4A patent/CN117077025A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117782588A (zh) * | 2024-02-28 | 2024-03-29 | 江苏国茂减速机股份有限公司 | 一种减速机的智能故障检测方法 |
| CN117782588B (zh) * | 2024-02-28 | 2024-05-24 | 江苏国茂减速机股份有限公司 | 一种减速机的智能故障检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110441654B (zh) | 基于改进ewt和cmpe的配电网电能质量扰动检测方法 | |
| CN103076547A (zh) | 基于支持向量机的gis局部放电故障类型模式识别方法 | |
| CN117077025A (zh) | 基于时域特征峭度和神经网络的电能质量扰动识别方法 | |
| Gao et al. | Mechanical faults diagnosis of high-voltage circuit breaker via hybrid features and integrated extreme learning machine | |
| Dash et al. | Mining for similarities in time series data using wavelet-based feature vectors and neural networks | |
| CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
| Han et al. | An efficient algorithm for atomic decomposition of power quality disturbance signals using convolutional neural network | |
| CN110046593B (zh) | 基于分段改进s变换和随机森林的复合电能质量扰动识别方法 | |
| CN112668611B (zh) | 一种基于Kmeans和CEEMD-PE-LSTM的短期光伏发电功率预测方法 | |
| CN111368892A (zh) | 一种广义s变换和svm的电能质量扰动高效识别方法 | |
| CN113378652A (zh) | 一种基于ewt-mpe-pso-bp的扰动分类方法 | |
| CN112445690A (zh) | 信息获取方法、装置及电子设备 | |
| CN116106672A (zh) | 一种基于数据驱动与工程知识的车网谐振检测方法及装置 | |
| CN113780160B (zh) | 一种电能质量扰动信号分类方法和系统 | |
| Cai et al. | Wind power forecasting based on ensemble empirical mode decomposition with generalized regression neural network based on cross-validated method | |
| Gürkan et al. | EEG signal compression based on classified signature and envelope vector sets | |
| CN111025100A (zh) | 变压器特高频局部放电信号模式识别方法与装置 | |
| CN114254713B (zh) | 一种基于时频变换与动态模式分解的分类系统及方法 | |
| CN116257737A (zh) | 基于自动编码器的新型输电线路高频故障信号降噪方法 | |
| CN116401561A (zh) | 一种基于局部时域特征的设备级运行状态序列的时间关联聚类方法 | |
| CN114722854A (zh) | 一种电力设备电流信号降噪方法及装置 | |
| CN114689991A (zh) | 一种高压电缆故障时间的确定方法、系统及相关组件 | |
| CN109784279B (zh) | 基于多小波分析及svm的x射线高压电源故障诊断方法 | |
| CN109948516B (zh) | 一种基于能量最大化与核svm的复合电能质量扰动识别方法及方法 | |
| CN113269261B (zh) | 一种配网波形智能分类方法 |
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 |