基于LMD与机器学习分类的电压扰动信号分类方法及系统技术方案

本发明专利技术公开了一种基于LMD与机器学习分类的电压扰动信号分类方法及系统，本发明专利技术的步骤包括获得原始电压扰动信号，对原始电压扰动信号进行LMD分解，获得包含原始信号频率、幅值物理意义的LMD进行3层分解乘积函数分量、将该分解乘积函数分量构建的信号能量值作为神经网络的输入；经过神经网络训练识别后，最后对识别结果进行贴近度判断，实现对电压扰动信号的识别分类。本发明专利技术能够实现对电压扰动信号的识别分类，适用于非线性信号和非平稳信号的处理，受噪音的影响小，不易受到过包络和欠包络现象的影响，具有信号处理效率高、识别准确率高，识别工作效率好的优点。

Classification method and system of voltage disturbance signals based on LMD and machine learning classification

The invention discloses a voltage disturbance signal classification method and system based on LMD and machine learning classification. The steps of the invention include obtaining the original voltage disturbance signal, LMD decomposition of the original voltage disturbance signal, obtaining the LMD which contains the physical meaning of the frequency and amplitude of the original signal, decomposing the product function components in three layers, and so on. The signal energy value constructed by the decomposition product function component is used as the input of the neural network. After the neural network is trained and identified, the recognition result is judged by the closeness, and the voltage disturbance signal is recognized and classified. The invention can realize the recognition and classification of voltage disturbance signals, and is suitable for the processing of non-linear signals and non-stationary signals. It is less affected by noise, and is not easily affected by over-enveloping and under-enveloping phenomena. It has the advantages of high signal processing efficiency, high recognition accuracy and good recognition efficiency.

【技术实现步骤摘要】
基于LMD与机器学习分类的电压扰动信号分类方法及系统
本专利技术涉及电力系统信号处理的电压扰动信号检测技术，具体涉及一种基于LMD与机器学习分类的电压扰动信号分类方法及系统。
技术介绍
电力系统在运行过程中，存在大量非线性、不规则的电力信号。同时，受到各种故障、开关闭合操作、雷击等情况的影响，会产生大量的电压扰动信号，这些信号的存在使电力系统电压的幅值、频率产生畸变，影响电力设备的正常运行，进而影响电力系统的安全。目前针对电压扰动信号处理的方法种类很多，但在对非线性信号和非平稳信号的处理中，都存在一定的缺陷。傅里叶变换是传统的信号提取与处理方法，但其不适用于处理非线性和非平稳信号，并存在频谱泄露和栅栏现象；小波及小波包变换不属于真正的自适应变换，必须在构造严格的标准函数的基础上进行信号的分解，否则无法达到最佳的分解效果；S变换是加窗傅立叶变换和连续小波变换思想的结合与推广，该变换窗函数是一个随频率变化而伸缩的高斯函数，因此受到噪音的影响较大；希尔伯特黄变换法(Hilbert-HuangTransform，HHT)和经验模态分解(EmpiricalModeDecomposition，EMD)法容易受到过包络和欠包络现象的影响，存在较严重的端点污染，使得检测出现无法解释的数值。
技术实现思路
本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种基于LMD与机器学习分类的电压扰动信号分类方法及系统，本专利技术能够实现对电压扰动信号的识别分类，适用于非线性信号和非平稳信号的处理，受噪音的影响小，不易受到过包络和欠包络现象的影响，具有信号处理效率高、识别准确性便于证明判断、识别准确率高，识别工作效率好的优点。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于LMD与机器学习分类的电压扰动信号分类方法，实施步骤包括：1)获得原始电压扰动信号u(t)；2)对原始电压扰动信号u(t)进行LMD分解获得指定层数的分解乘积函数分量；3)将指定层数的分解乘积函数分量的信号能量值构造特征向量T；4)将特征向量T输入预先完成训练的机器学习分类模型进行分类识别；5)对分类识别结果与预设的电压扰动信号分类标准进行最小平均贴近度计算，确定与原始电压扰动信号u(t)最贴近的电压扰动信号分类并输出。优选地，步骤2)的详细步骤包括：2.1)将原始电压扰动信号u(t)作为待分解信号ui(t)，其中i为LMD分解的层数；2.2)确定待分解信号ui(t)中的所有局部极值点，计算任意两个相邻局部极值点之间的平均值和幅值包络估计值；2.3)选择第一个局部极值点作为当前局部极值点mj；2.4)将当前局部极值点mj的平均值nj滑动平滑处理得到局部均值函数n1i(t)、幅值包络估计值aj滑动平滑处理得到幅值包络估计函数a1j(t)；2.5)从待分解信号ui(t)中分离出局部均值函数u1j(t)得到剩余的信号h1j(t)；2.6)将剩余的信号h1j(t)除以幅值包络估计函数a1j(t)得到电压调频信号s1j(t)；2.7)判断幅值包络估计函数a1j(t)的值为1是否成立，如果成立则判定电压调频信号s1j(t)为纯调频信号，跳转执行步骤2.7)；否则判定电压调频信号s1j(t)为非调频信号，选择下一个局部极值点作为当前局部极值点mj，跳转执行步骤2.4)；2.8)将步骤2.3)得到的所有的幅值包络估计函数a1j(t)相乘得到幅值包络信号ai(t)，将幅值包络信号ai(t)和步骤2.7)得到的纯调频信号相乘得到第i层分解乘积函数分量PFi，其中i为LMD分解的层数；2.9)判断LMD分解的层数i小于预设阈值是否成立，如果成立则将LMD分解的层数i加1，将待分解信号ui(t)分离出第i层分解乘积函数分量PFi作为新的待分解信号ui(t)，跳转执行步骤2.2)；否则，跳转执行步骤3)。优选地，步骤3)的详细步骤包括：3.1)根据式(9)求得各层分解乘积函数分量的总能量；式(9)中，Ei表示第i层分解乘积函数分量的总能量，PFi(t)表示第i层分解乘积函数分量PFi在t时刻的取值，t为时间；3.2)将各层分解乘积函数分量的总能量共同构造特征向量T。优选地，步骤4)中的机器学习分类模型为BP神经网络，BP神经网络的输入为特征向量T、输出为特征向量T的归一化处理结果。优选地，步骤5)中所述电压扰动信号分类标准的确定步骤包括：S1)预先构建包含不同电压扰动信号分类的原始电压扰动信号u(t)的训练样本集，所述训练样本集包括原始电压扰动信号u(t)对应的特征向量T；S2)针对各个训练样本的特征向量T进行归一化处理；S3)针对归一化处理结果进行K-means运算设定能量值的判定标准；S4)针对训练样本集中选取n个对象作为初始聚类中心，对剩下的个对象与聚类中心求取相似度，得到新的聚类中心后继续迭代运算，是采用距离作为相似性的评价指标，最终得到不同电压扰动信号分类对应的电压扰动信号分类标准，所述电压扰动信号分类标准包含与特征向量T中标量数量相同的多个归一化处理值。优选地，步骤5)中进行最小平均贴近度计算的函数表达式如式(11)所示；式(11)中，δi表示第i个预设的电压扰动信号分类标准Ai与分类识别结果B之间的最小平均贴近度，Ai(ui)∧B(ui)是对第i个预设的电压扰动信号分类标准Ai与分类识别结果B两个集合进行交运算，Ai(ui)+B(ui)是对第i个预设的电压扰动信号分类标准Ai与分类识别结果B两个集合的和运算，n为第i个预设的电压扰动信号分类标准Ai与分类识别结果B中的元素个数。本专利技术还提供一种基于LMD与机器学习分类的电压扰动信号分类系统，包括计算机设备，所述计算机设备被编程以执行本专利技术基于LMD与机器学习分类的电压扰动信号分类方法的步骤。与现有技术相比，本专利技术的优点在于：1、本专利技术在对原始电压扰动信号进行LMD分解过程中不需要将分解量重复使用，其分解速度和效率更快。2、本专利技术根据模糊理论中最小平均贴近度原则，将学习输出后的归一化能量值与设定的判断标准进行贴近度比较，更能证明机器学习分类训练后分类识别的准确性。3、本专利技术有效地将LMD法与机器学习分类相结合，构成电压扰动信号分类器，实现电压扰动信号的快速、准确分类，识别准确率高，工作效率好。附图说明图1为本专利技术实施例方法的基本流程示意图。图2为电压暂降信号的原始信号波形。图3是电压暂降信号的LMD两层分解波形。图4是电压暂降信号的电压瞬时幅值。图5是电压暂降信号的电压瞬时频率。图6为电压中断信号的原始信号波形。图7是电压中断信号的LMD两层分解波形。图8是电压中断信号的电压瞬时幅值。图9是电压中断信号的电压瞬时频率；图10为电压振荡信号的原始信号波形。图11是电压振荡信号的LMD两层分解波形。图12是电压振荡信号的电压瞬时幅值。图13是电压振荡信号的电压瞬时频率；图14为电压频率偏移信号的原始信号波形。图15是电压频率偏移信号的LMD两层分解波形。图16是电压频率偏移信号的电压瞬时幅值。图17是电压频率偏移信号的电压瞬时频率。具体实施方式下文将以电压暂降、电压中断、电压振荡、电压频率偏移(简称频率偏移)4种经典电压扰动信号为例，对本专利技术基于LMD与机器学习分类的电压扰动信号分类方法进行进一步的详细说明。参见图1本文档来自技高网...

【技术保护点】
1.一种基于LMD与机器学习分类的电压扰动信号分类方法，其特征在于实施步骤包括：1)获得原始电压扰动信号u(t)；2)对原始电压扰动信号u(t)进行LMD分解获得指定层数的分解乘积函数分量；3)将指定层数的分解乘积函数分量的信号能量值构造特征向量T；4)将特征向量T输入预先完成训练的机器学习分类模型进行分类识别；5)对分类识别结果与预设的电压扰动信号分类标准进行最小平均贴近度计算，确定与原始电压扰动信号u(t)最贴近的电压扰动信号分类并输出。

【技术特征摘要】
1.一种基于LMD与机器学习分类的电压扰动信号分类方法，其特征在于实施步骤包括：1)获得原始电压扰动信号u(t)；2)对原始电压扰动信号u(t)进行LMD分解获得指定层数的分解乘积函数分量；3)将指定层数的分解乘积函数分量的信号能量值构造特征向量T；4)将特征向量T输入预先完成训练的机器学习分类模型进行分类识别；5)对分类识别结果与预设的电压扰动信号分类标准进行最小平均贴近度计算，确定与原始电压扰动信号u(t)最贴近的电压扰动信号分类并输出。2.根据权利要求1所述的基于LMD与机器学习分类的电压扰动信号分类方法，其特征在于，步骤2)的详细步骤包括：2.1)将原始电压扰动信号u(t)作为待分解信号ui(t)，其中i为LMD分解的层数；2.2)确定待分解信号ui(t)中的所有局部极值点，计算任意两个相邻局部极值点之间的平均值和幅值包络估计值；2.3)选择第一个局部极值点作为当前局部极值点mj；2.4)将当前局部极值点mj的平均值nj滑动平滑处理得到局部均值函数n1i(t)、幅值包络估计值aj滑动平滑处理得到幅值包络估计函数a1j(t)；2.5)从待分解信号ui(t)中分离出局部均值函数u1j(t)得到剩余的信号h1j(t)；2.6)将剩余的信号h1j(t)除以幅值包络估计函数a1j(t)得到电压调频信号s1j(t)；2.7)判断幅值包络估计函数a1j(t)的值为1是否成立，如果成立则判定电压调频信号s1j(t)为纯调频信号，跳转执行步骤2.7)；否则判定电压调频信号s1j(t)为非调频信号，选择下一个局部极值点作为当前局部极值点mj，跳转执行步骤2.4)；2.8)将步骤2.3)得到的所有的幅值包络估计函数a1j(t)相乘得到幅值包络信号ai(t)，将幅值包络信号ai(t)和步骤2.7)得到的纯调频信号相乘得到第i层分解乘积函数分量PFi，其中i为LMD分解的层数；2.9)判断LMD分解的层数i小于预设阈值是否成立，如果成立则将LMD分解的层数i加1，将待分解信号ui(t)分离出第i层分解乘积函数分量PFi作为新的待分解信号ui(t)，跳转执行步骤2.2)；否则，跳转执行步骤3)。3.根据权利要求1所述的基于LMD与机器学习分类的电...

【专利技术属性】
技术研发人员：王旭红，杨思阳，李良，徐佳夫，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南,43