[发明专利]优化电能质量扰动分类器ELM的方法

说明书

技术领域

本发明涉及电能质量扰动识别技术领域，具体地，涉及优化电能质量扰动分类器ELM的方法。

背景技术

随着电力电子设备的广泛应用，电能质量问题愈发明显。电能质量分析的基础和前提是对电能质量暂态扰动信号进行分类。现有的较多单一的分类器的设计受噪声等方面的影响较为严重，存在设计过于复杂且成本较高的缺点，难以满足电力系统中海量扰动信号分析的分类效率要求。

电能质量暂态扰动其实质性的问题是暂态电压问题。一般暂态的扰动类型主要有电压暂升、电压暂降、冲击振荡、短时中断等。实际中，一般会将电压暂升、电压暂降、暂态振荡、电压短时中断、谐波及闪变等多种现象同时进行区分和识别。暂态扰动的分析一般分两个步骤，信号处理和模式识别。

当前大多数分类器受噪声的影响较大，且在训练过程中耗时较长，无法满足实际环境的电能质量扰动识别分类要求。国内相关的产品主要集中于电能质量数据的采集等功能，缺少对电能质量故障类型分类的研究。

发明内容

本发明的目的在于，针对上述问题，提出一种优化电能质量扰动分类器ELM的方法，以为电能质量扰动识别的分析与治理提供有效的依据的优点。

为实现上述目的，本发明采用的技术方案是：一种优化电能质量扰动分类器ELM的方法，主要包括：

步骤1：对电能质量扰动信号进行S变换，建立电能质量扰动信号模型，并提取电能质量扰动特征数据；

步骤2：根据步骤1中的电能质量扰动特征数据进行训练和测试后的数据，ELM进行参数选择设置，然后训练并测试设置参数；

步骤3：基于遗传迭代算法对步骤2得到的参数进行优化；

步骤4：对步骤3优化后的ELM进行适应度评价，判断是否满足终止条件，如果是，则得到最优特征子集设置，如果否，则继续执行步骤3。

进一步地，步骤1具体为，输入信号为h(t)，经S变换后为S(τ，f)

其中，g(τ，f)为高斯窗，参数τ用来调节高斯窗时间轴上的不同位置，σ＝1/|f|；

S变换的离散表示为

其中，N代表总采样点数，j和n＝0,1,...,N-1；

离散S变换后得到一个二维复数矩阵，对其求模即得到S变换时频模矩阵STMM，该矩阵行向量反映信号在特定频率下的时域分布，列向量描述某时刻信号幅频特性。进一步地，所述ELM具体包括，输入层、隐含层和输出层，所述输入层有n个神经元，对应n个输入变量；所述隐含层有l个神经元；所述输出层有m个神经元，对应m个输出变量，其中，对应隐含层第k个神经元与输入层第h个神经元间的连接权值a为，

对应隐含层第i个神经元与输出层第k个神经元连接权值b为：

隐含层神经元的阈值c为

c＝[c₁ c₂ … c_l]^T_l×1(6)

假设有Q个样本训练集，设输入矩阵X和输出矩阵Y分别为：

假设隐含层神经元的激活函数为k(x)，则网络输出F为

F＝[t₁ t₂ … t_Q]_n×Q (9)

其中a_i＝[a_i1 a_i2 … a_in],x_j＝[x_1j x_2j … x_nj]^T

式(10)可变形为

Ha＝F' (11)

其中，F'为矩阵F的转置；H代表神经网络的隐含层输出矩阵。

进一步地，步骤2中，所述ELM进行参数选择设置，然后训练并测试设置参数，具体为对ELM隐含层输入权值和偏置向量的参数选择进行训练和测试。

进一步地，所述步骤3具体包括，根据ELM的电能质量扰动特征组合数据，构造遗传运算中的种群个体，对染色体进行编码，而后对遗传群体的特征组合进行参数设置，得到最优特征子集。

进一步地，所述对遗传群体的特征组合进行参数设置具体为，对种群个体的特征组合进行变异和交叉运算。