[发明专利]一种基于自适应概率学习的配电网故障辨识方法

权利要求书

1.一种基于自适应概率学习的配电网故障辨识方法，其特征在于：包括，

通过小波变换将仿真波形数据分解为近似部分和细节部分，并进行特征提取；

利用线性变换策略对提取的特征向量进行降维，并计算降维后的特征向量两两之间的重构误差；

利用重构误差和仿真波形数据分类误差训练自适应概念学习模型，获得线性映射的最佳参数；

将所述线性映射的最佳参数投影到特征空间，并在所述特征空间进行聚类，完成仿真波形类型辨识。

2.根据权利要求1所述的基于自适应概率学习的配电网故障辨识方法，其特征在于：所述近似部分和细节部分包括，

所述近似部分反映了仿真波形的大致形状，所述细节部分反映了仿真波形的畸变情况；

通过小波变换对所述近似部分和细节部分进一步分解，在近似部分中分解出基波z_o和偏置z_off，在细节部分中分解出脉冲z_p、谐波z_h和畸变z_d。

3.根据权利要求2所述的基于自适应概率学习的配电网故障辨识方法，其特征在于：所述特征提取包括，

通过小波分解策略对近似部分和细节部分的分解结果进行特征提取，并对所有特征进行归一化处理，获得特征向量φ(w)：

φ(w)＝[A_o,f_o,A_off,A_p,t_p,A_h,f_h,w_d,t(z_i,z_i+1)]

其中，基波z_o对应特征为幅值A_o和频率f_o；偏置z_off对应特征为幅值A_off；脉冲z_p对应特征为峰值A_p和脉宽t_p；谐波z_h对应特征为幅值A_h和频率f_h；畸变z_d对应特征为畸变量w_d；t(z_i,z_i+1)为分量之间的时间间隔，z_i表示第i个分量。

4.根据权利要求2或3所述的基于自适应概率学习的配电网故障辨识方法，其特征在于：所述降维包括，

假设获得特征向量和通过线性映射对两者进行降维，降维后的特征向量分别为：

其中，A′_i、B′_j分别为特征向量A_i、B_j降维后的特征向量。

5.根据权利要求4所述的基于自适应概率学习的配电网故障辨识方法，其特征在于：所述重构误差包括，

根据下式计算重构误差L_sim：

L_sim＝β₁L_w+β₂L_v

L_v:＝H(P^visit,V)

其中，β₁、β₂为误差系数，L_w为循环概率和的期望分布T之间的差异，H为熵，L_v为遍历误差，P^visit为参与重构过程的概率，V为P^visit的期望分布。