[发明专利]一种基于改进极限学习机的谐波源定位方法

权利要求书

1.一种基于改进极限学习机的谐波源定位方法，其特征在于包括以下步骤：

(1)基于改进极限学习机，建立多标签分类模型，实现谐波源定位；

(2)利用监测数据的充分统计量来挖掘量测时段的谐波信息，同时利用标签特定特征学习算法重构特征集；

(3)基于邻接矩阵以及灵敏度分析实现测点的优化配置，以重构特征集为多标签分类模型的输入，实现谐波源定位。

2.根据权利要求1所述的一种基于改进极限学习机的谐波源定位方法，其特征在于，基于极限学习机的多标签模型具体为：

将各节点是否存在谐波源表示为二值标签变量，存在谐波源时取1，反之取0，从而生成谐波源分布的标签向量y＝[y₁,…,y_l]，其中l为节点个数，称为多类别标签向量；多标签学习通过样本训练多标签分类模型，进而输出待判别样本的类别标签；多标签分类模型的表达式如下所示；

y＝F(x)    (1)

式中：y＝{y₁,y₂,…,y_l}是l维类别标签的集合，即谐波源分布向量；x为模型的输入变量，其维度为p；训练集输入表示为矩阵输出表示为矩阵Y＝(Y₁,Y₂,..,Y_n)^T∈{0,1}^n×l，其中n为样本数量；以第i个样本(X_i,Y_i)为例，其中X_i＝(x_i1,x_i2,..,x_ip)；Y_i＝(y_i1,y_i2,..,y_il)是二进制标签向量，如果X_i属于第j个标签，则y_ij＝1，否则y_ij＝0；

通过分别判别每一个维度的标签取值从而将多标签问题转换为一个或多个独立的二进制分类子问题，每一个二进制分类模型表示为式(2)；

y_j＝F(x) j＝1,...,l    (2)

假设极限学习机模型具有K层隐含层，其激励函数为g_k(x),则极限学习机网络模型表示为：

式中：y_j表示第j个标签，即网络输出值；β_jk表示输出向量和第k层隐含层之间的权重向量；a_jk为连接第k层隐含层节点和输入节点之间的权重；b_jk为第k个隐含层的偏置；g_k(a_jkx+b_jk)为第k层隐含层的激励函数；

式(3)表示为如式(4)所示的矩阵形式；

式中：Y_j^c表示矩阵Y的第j列；H(X)是隐含层的输出矩阵；极限学习机通过搜寻最优的权重β_j使误差函数最小，表示为如下优化问题；

利用岭回归推导得到求解公式；

式中：r为岭系数；获得参数之后；给定测试数据X_test，根据式(7)预测标签Y_test；