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 ...
【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
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。