一种暂态电能质量录波数据的识别分类方法技术

本发明专利技术公开了一种暂态电能质量录波数据的识别分类方法，包括以下步骤：获取电能质量录波数据，并在数据中筛选训练数据和测试数据；将数据变换成模时频矩阵，并提取模时频矩阵的特征向量；根据特征向量，建立基于BP神经网络的电能质量录波数据的分类器；建立训练样本和测试样本；将训练样本输入分类器，采用PSO算法优化分类器的BP神经网络，得到基于PSO‑BP神经网络的电能质量录波数据的优化分类器；将测试特征向量输入优化分类器，并接收优化分类器输出的测试分类；判断测试分类与期望测试分类是否一致；当测试分类与期望测试分类一致时，输出测试分类。该暂态电能质量录波数据的识别分类方法具有识别效率高、识别准确率高以及抗干扰能力强的优点。

Recognition and classification method of transient power quality recording data

The invention discloses a method for identification and classification of transient power quality of recorded wave data, comprising the following steps: acquiring power quality recorder data, and selection of training data and test data in the data; the data is transformed into a module time-frequency matrix, and extract the frequency characteristics of matrix to die; according to the feature vector BP neural network is established, power quality classification based on recorded data; the establishment of training samples and test samples; the training classifier input samples by BP optimizing PSO neural network classifier, PSO BP neural network power quality optimization of classifier based on the data recorded wave; test vectors to optimize classifier, and receiving test classification optimization of the classifier output; determine the classification and expected test classification is consistent; when testing classification and testing classification expectations are consistent, lose Test classification. The method has the advantages of high recognition efficiency, high recognition accuracy and strong anti-interference ability.

【技术实现步骤摘要】
一种暂态电能质量录波数据的识别分类方法
本专利技术涉及电能质量分析
，尤其涉及一种暂态电能质量录波数据的识别分类方法。
技术介绍
随着科学技术与国民经济的高速发展，电力系统中光伏和风电等新能源大规模并网，此外，越来越多的大容量非线性负荷在电力系统中广泛应用，如电气化铁路、冶金冶炼等，使得电力系统的电能质量问题日趋严重。为掌握电能质量问题对生产活动造成的影响，在许多非线性负荷的并网处均设置了电能质量监测点用以实现对并网点电能质量的不间断监测。电能质量监测装置除了可以得出稳态的正常工作状态下的稳态电能质量数据外，还能记录异常情况下的暂态电能质量录波数据。准确高效地对电能质量录波数据进行分析、识别与分类，有助于及时发现并解决电力系统问题，保证电力系统安全稳定运行。目前，对电能质量录波数据的识别与分类主要包括两个步骤，即数据特征的提取和扰动类型的识别。以图1所示的现有技术中的暂态电能质量录波数据的识别分类方法流程示意图，图1中以基于小波变换与基于PSO(ParticleSwarmOptimization，粒子群优化算法)的BP(BackPropagation，反向传播)神经网络电能质量录波数据分类方法为例，该方法是通过利用小波变换对录波数据进行多尺度分解，得到各尺度上录波数据的能量特征，并将提取的相应特征输入PSO-BP神经网络，实现录波数据的扰动类型进行分类。但是，上述基于小波变换与PSO-BP神经网络电能质量录波数据分类方法中，首先采用小波变换提取录波数据特征，再以所提取的录波数据特征直接作为识别模型的输入量，进行神经网络的训练学习。由于小波变换存在频谱泄露、易受噪声影响和变换结果缺乏直观性等问题，而输入量数据复杂且庞大，导致神经网络训练识别难度大、训练速度慢、训练准确性低，最终影响整个方法的识别和分类效果。
技术实现思路
为克服相关技术中存在的问题，本专利技术提供一种暂态电能质量录波数据的识别分类方法。根据本专利技术实施例提供的一种暂态电能质量录波数据的识别分类方法，包括以下步骤：获取电能质量录波数据，并在数据中筛选训练数据和测试数据；将数据变换成模时频矩阵，并提取模时频矩阵的特征向量；根据特征向量，建立基于BP神经网络的电能质量录波数据的分类器；建立训练样本和测试样本，其中，训练样本由训练数据的训练特征向量和期望训练分类组成，测试样本由测试数据的测试特征向量和期望测试分类组成；将训练样本输入分类器，采用PSO算法优化分类器的BP神经网络，得到基于PSO-BP神经网络的电能质量录波数据的优化分类器；将测试特征向量输入优化分类器，并接收优化分类器输出的测试分类；判断测试分类与期望测试分类是否一致；当测试分类与期望测试分类一致时，输出测试分类。可选地，暂态电能质量录波数据的识别分类方法，还包括：当测试分类与期望测试分类不一致时，将测试样本作为错误样本；将错误样本并入训练样本、并作为训练样本集中的一个训练样本。可选地，获取电能质量录波数据，并在数据中筛选训练数据和测试数据，包括：获取实时电能质量录波数据；由实时电能质量录波数据中随机选择训练数据；将实时电能质量录波数据作为测试数据。可选地，获取实时电能质量录波数据和获取数据库中历史电能质量录波数据；由实时电能质量录波数据和/或历史电能质量录波数据中随机选择训练数据；将实时电能质量录波数据作为测试数据。可选地，获取电能质量录波数据，并在数据中筛选训练数据和测试数据，包括：基于MATLAB软件仿真生成仿真数据，其中，仿真数据包括电压暂降数据、电压暂升数据、电压中断数据、暂态振荡数据和暂态脉冲数据；获取仿真数据和实时电能质量录波数据；将仿真数据作为训练数据；将实时电能质量录波数据作为测试数据。可选地，将数据变换成模时频矩阵，并提取特征向量，包括：将数据变换成模时频矩阵，得到初始特征向量；计算初始特征向量的相关系数，对初始特征向量进行筛选，得到特征向量。可选地，将数据变换成模时频矩阵，并提取特征向量，包括：对数据进行等间隔时间采样，得到离散时间数据；将离散时间数据变换成复时频矩阵；将复时频矩阵中各个元素进行求模运算，得到模时频矩阵；根据模时频矩阵，构建时频特性曲线P，其中，时频特性曲线包括时频等高线P1、时间幅值包络曲线P2、频率幅值包络曲线P3和频率标准差曲线P4；根据时频特性曲线，提取数据特征以构建特征向量F，其中，特征向量F＝[F1，F2，F3，F4，F5，F6，F7，F8]，其中，F1为P1中最高频率等高线幅值的均方差；F2为P1中最高频率等高线幅值的平均值；F3为P2中的平均能量；F4为P2中的幅值因数；F5为八倍基波频率所对应的时间幅值曲线均方差；F6为八倍基波频率所对应的时间幅值曲线极值差；F7为P3的均方差；F8为P4的平方根的平均值。可选地，采用PSO算法和BP算法优化分类器的BP神经网络，包括：先通过PSO算法对BP神经网络的输入层到隐含层连接权值、隐含层到输出层连接权值、隐含层阈值和输出层阈值进行寻优赋值；再采用BP算法对寻优赋值的输入层到隐含层连接权值、隐含层到输出层连接权值、隐含层阈值和输出层阈值进行训练。可选地，建立训练样本和测试样本，包括：获取训练数据的训练特征向量，以及，测试数据的测试特征向量；在数据库中筛选与训练数据匹配度最高的数据的分类作为期望训练分类，以及，与测试数据匹配度最高的数据的分类作为测试训练分类；将训练特征向量和期望训练分类组成训练样本，以及，测试特征向量和期望测试分类组成测试样本。可选地，建立训练样本和测试样本，包括：获取训练数据的训练特征向量；将训练数据对应的仿真数据分类作为期望训练分类；将训练特征向量和期望训练分类组成训练样本；获取测试数据的测试特征向量；在数据库中筛选与测试数据匹配度最高的数据的分类作为测试训练分类；将测试特征向量和期望测试分类组成测试样本。本专利技术的实施例提供的技术方案可以包括以下有益效果：本专利技术实施例提供的一种暂态电能质量录波数据的识别分类方法，包括以下步骤：获取电能质量录波数据，并在数据中筛选训练数据和测试数据；将数据变换成模时频矩阵，并提取模时频矩阵的特征向量；根据特征向量，建立基于BP神经网络的电能质量录波数据的分类器；建立训练样本和测试样本，其中，训练样本由训练数据的训练特征向量和期望训练分类组成，测试样本由测试数据的测试特征向量和期望测试分类组成；将训练样本输入分类器，采用PSO算法优化分类器的BP神经网络，得到基于PSO-BP神经网络的电能质量录波数据的优化分类器；将测试特征向量输入优化分类器，并接收优化分类器输出的测试分类；判断测试分类与期望测试分类是否一致；当测试分类与期望测试分类一致时，输出测试分类。该方法使用时频可逆的S变换分析方法对录波数据进行特征提取，既具有小波变换多变率分析的能力，又避免短时傅里叶变换窗函数的选择问题，可提前对多种特征用于录波数据扰动识别，具有较强的直观性同时不易受噪声干扰。因此，该暂态电能质量录波数据的识别分类方法具有识别效率高、识别准确率高以及抗干扰能力强的优点。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解本文档来自技高网...

【技术保护点】
一种暂态电能质量录波数据的识别分类方法，其特征在于，包括以下步骤：获取电能质量录波数据，并在所述数据中筛选训练数据和测试数据；将所述数据变换成模时频矩阵，并提取所述模时频矩阵的特征向量；根据所述特征向量，建立基于BP神经网络的电能质量录波数据的分类器；建立训练样本和测试样本，其中，所述训练样本由所述训练数据的训练特征向量和期望训练分类组成，所述测试样本由所述测试数据的测试特征向量和期望测试分类组成；将所述训练样本输入所述分类器，采用PSO算法优化所述分类器的BP神经网络，得到基于PSO‑BP神经网络的电能质量录波数据的优化分类器；将所述测试特征向量输入所述优化分类器，并接收所述优化分类器输出的测试分类；判断所述测试分类与所述期望测试分类是否一致；当所述测试分类与所述期望测试分类一致时，输出测试分类。

【技术特征摘要】
1.一种暂态电能质量录波数据的识别分类方法，其特征在于，包括以下步骤：获取电能质量录波数据，并在所述数据中筛选训练数据和测试数据；将所述数据变换成模时频矩阵，并提取所述模时频矩阵的特征向量；根据所述特征向量，建立基于BP神经网络的电能质量录波数据的分类器；建立训练样本和测试样本，其中，所述训练样本由所述训练数据的训练特征向量和期望训练分类组成，所述测试样本由所述测试数据的测试特征向量和期望测试分类组成；将所述训练样本输入所述分类器，采用PSO算法优化所述分类器的BP神经网络，得到基于PSO-BP神经网络的电能质量录波数据的优化分类器；将所述测试特征向量输入所述优化分类器，并接收所述优化分类器输出的测试分类；判断所述测试分类与所述期望测试分类是否一致；当所述测试分类与所述期望测试分类一致时，输出测试分类。2.根据权利要求1所述的暂态电能质量录波数据的识别分类方法，其特征在于，所述暂态电能质量录波数据的识别分类方法，还包括：当所述测试分类与所述期望测试分类不一致时，将所述测试样本作为错误样本；将所述错误样本并入所述训练样本、并作为训练样本集中的一个训练样本。3.根据权利要求1所述的暂态电能质量录波数据的识别分类方法，其特征在于，所述获取电能质量录波数据，并在所述数据中筛选训练数据和测试数据，包括：获取实时电能质量录波数据；由所述实时电能质量录波数据中随机选择训练数据；将所述实时电能质量录波数据作为测试数据。4.根据权利要求1所述的暂态电能质量录波数据的识别分类方法，其特征在于，所述获取电能质量录波数据，并在所述数据中筛选训练数据和测试数据，包括：获取实时电能质量录波数据和获取数据库中历史电能质量录波数据；由所述实时电能质量录波数据和/或所述历史电能质量录波数据中随机选择训练数据；将所述实时电能质量录波数据作为测试数据。5.根据权利要求1所述的暂态电能质量录波数据的识别分类方法，其特征在于，所述获取电能质量录波数据，并在所述数据中筛选训练数据和测试数据，包括：基于MATLAB软件仿真生成仿真数据，其中，所述仿真数据包括电压暂降数据、电压暂升数据、电压中断数据、暂态振荡数据和暂态脉冲数据；获取所述仿真数据和实时电能质量录波数据；将所述仿真数据作为训练数据；将所述实时电能质量录波数据作为测试数据。6.根据权利要求1所述的暂态电能质量录波数据的识别分类方法，其特征在于，所述将所述数据变换成模时频矩阵，并提取特征向量，包括：将所述数据变换...

【专利技术属性】
技术研发人员：郭成，周鑫，覃日升，李胜男，徐志，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：云南,53