【技术实现步骤摘要】
本专利技术涉及一种分类方法,具体讲涉及一种对电能质量扰动事件分类的方法。
技术介绍
在电力行业中,数字化技术近年来得到广泛的应用,各系统每天采集和实时记录的电网信息量呈爆炸式增长,许多大型电网系统单日数据量已达到几十GB,甚至几百GB左右,因此如何充分利用数据,快速有效的分析、加工、提炼,以发掘有用知识,已成为电力行业所面临的关键问题之一。电力系统运行的基本要求是:(1)保证安全可靠的供电;(2)要有合格的电能质量;(3)要有良好的经济性。其中,良好的电能质量是对人们的生产生活有着重要影响,健全的电网应保证电压、频率和波形等变化不得超出允许范围。一般分析电能质量的方法是:从电能质量检测系统中提取出用户电压波形,可以利用数据挖掘技术的分类功能自动识别电能扰动事件并进行分类,然后以此为依据开展电能质量的治理工作。最早应用于电能质量分类的方法是人工神经网络(ANN),然而传统的ANN存在收敛性较差、训练时间较长、可靠性有限的问题,无法满足现如今对电力大数据的实时在线分类问题的要求。基于核的SVM分类器可以有效解决有限样本、非线性及高维模式的分类问题,现已成为机器学习和数据挖掘领域的标准工具。其有效性的关键之一在于所选取的核函数的拟合性能,传统的做法一般是选取计算量较小的线性核函数,但对于电网扰动数据而言,绝大部分情况下各种扰动类型并不是线性可分的,因此线性核函数并不能达到很好的分类效果。而如果采用非线性核函数来进行分类 ...
【技术保护点】
一种对电能质量扰动事件分类的方法,其特征在于,所述方法包括(1)针对电能质量扰动事件分类识别的目标,收集数据并构建相应的数据库;(2)确定目标数据,根据从原始数据库中选取的相关数据和样本,获取电力数据特征矩阵A;(3)随机生成高斯稀疏随机投影矩阵T,通过该矩阵将所获取的电网数据投影到新的特征空间X=A1/2T,保留该特征空间中数据矩阵X的符号矩阵S=sign(X);(4)以符号矩阵S代替电力数据的特征矩阵A,训练线性SVMs分类器;对一个正在进行的未知电网扰动事件,以与步骤(1)中同样的采样频率将其离散化,得到特征向量记为u,通过步骤(3)中得到的高斯稀疏随机投影矩阵T将其映射到新的特征空间ν=u1/2T,利用SVMs分类器已训练好的模型进行分类。
【技术特征摘要】
1.一种对电能质量扰动事件分类的方法,其特征在于,所述方法包括
(1)针对电能质量扰动事件分类识别的目标,收集数据并构建相应的数据库;
(2)确定目标数据,根据从原始数据库中选取的相关数据和样本,获取电力数据
特征矩阵A;
(3)随机生成高斯稀疏随机投影矩阵T,通过该矩阵将所获取的电网数据投影到
新的特征空间X=A1/2T,保留该特征空间中数据矩阵X的符号矩阵S=sign(X);
(4)以符号矩阵S代替电力数据的特征矩阵A,训练...
【专利技术属性】
技术研发人员:丁杰,刁柏青,孟祥君,张伟昌,杨佩,潘森,
申请(专利权)人:国家电网公司,中国电力科学研究院,国网山东省电力公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。