电压暂降源同质集成辨识方法技术

本发明专利技术提供一种电压暂降源同质辨识方法，对电压暂降源原始波形进行标幺化处理，并对标幺化处理后的三相电压的波形的暂降幅值进行计算，选取其中暂降幅值最小值作为暂降最严重相，然后提取暂降最严重相的8维时域统计特征构成数据集，可以简化特征提取工作量，提高电压暂降源的识别效率，同时采用AdaBoost算法对单一基础学习器支持向量机SVM进行集成，并用数据集的训练集进行训练后获得SVM‑AdaBoost电压暂降源集成学习识别模型，采用集成的思想避免了现有技术的算法对模型不断优化迭代导致的识别原理复杂、步骤繁多等问题，缩短了电压暂降源识别耗时，显著提升电压暂降源的识别准确率，弥补了单一基础学习器的不足。

【技术实现步骤摘要】
电压暂降源同质集成辨识方法
本专利技术涉及电压暂降源识别技术，特别涉及一种电压暂降源同质集成辨识方法。
技术介绍
电压暂降是电力系统正常运行不可避免的事件，引起频繁性、随机性和不确定性，给工业用户带来了严重影响，系统短路故障、变压器激磁、大型电机启动是导致电压暂降的主要原因，也是典型的电压暂降源，其中，系统短路故障又可细分为单相短路故障、两相短路故障、相间短路故障和三相短路故障，各类电压暂降源的准确辨识，对治理电压暂降问题具有重要意义。目前，国内外研究主要通过信号处理的方法来解决电压暂降源辨识问题，其主要环节包括：特征提取和模式识别，特征提取方法较多，有S变换、小波变换、希尔伯特黄变换等；模式识别分为波形匹配和分类器识别，上述方法虽在一定程度上解决了电压暂降源辨识问题，但普遍采用单一分类器，导致其辨识准确率不高，为提升辨识精度，又引入各种优化算法，极大地增加辨识方法的复杂性，因此，在保证电压暂降源辨识精度的同时，又尽可能简化模型复杂度、加快辨识效率是电压暂降源识别领域亟待解决的问题。
技术实现思路
鉴以此，本专利技术提出电压暂降源同质集成辨识方法，采用集成学习AdaBoost算法对基础学习期SVM进行集成优化，可以显著提升电压暂降源的辨识准确率，弥补单一基础学习器的不足。本专利技术的技术方案是这样实现的：电压暂降源同质集成辨识方法，包括以下步骤：步骤S1、对电压暂降原始波形进行标幺化处理；步骤S2、计算标幺化处理后的A、B、C三相电压的波形的暂降幅值，选取暂降幅值最小值所在相为暂降最严重相；步骤S3、提取暂降最严重相的标幺化后的波形的8维时域统计特征构成数据集，并将数据集分成训练集和验证集；步骤S4、调整单一基础学习器支持向量机SVM的模型参数；步骤S5、采用AdaBoost算法对单一基础学习器支持向量机SVM进行集成，采用训练集进行训练，并采用验证集进行验证，获得SVM-AdaBoost电压暂降源集成学习识别模型。步骤S6、输入实测电压暂降数据到SVM-AdaBoost电压暂降源集成学习识别模型中，由SVM-AdaBoost电压暂降源集成学习识别模型进行识别并输出暂降源标签。优选的，所述步骤S1的具体步骤为：以正常电压峰值为基准值，将电压波形标幺化处理至[-1,1]区间。优选的，所述步骤S3的8维时域统计特征分别为：均值FMean、方差FStd、有效值FRms、斜度FSkew、峭度FKur、峰值系数FCrest、波形系数FFfa和对数能量FLe。优选的，所述步骤S3中的数据集包含8维时域特征向量F0以及1维暂降源标签，所述8维时域特征向量F0＝[FMean，FStd，FRms，FSkew，FKur，FCrest，FFfa，FLe]。优选的，所述步骤S4的模型参数包括核函数t、核函数t的参数系数g、惩罚因子系数c以及交叉验证数v，所述核函数t选取常用的高斯核函数，参数系数g＝1/A，A为电压暂降源识别目标数。优选的，所述惩罚因子系数c以及交叉验证数v采用控制变量法逐一确定。优选的，所述步骤S5的具体步骤为：步骤S51、初始化训练集数据的分布权重D1(i)，D1(i)＝1/m，其中m为训练集的样本数；步骤S52、确定SVM-AdaBoost电压暂降源集成学习识别模型的参数，并进行训练获得弱学习器；步骤S53、对弱学习器进行预测，获得第k个弱分类器的分类预测结果gk以及误差ek，误差ek的表达式为：D1(i)为训练数据的分布权重；步骤S54、根据误差ek计算序列权重ak，ak的表达式为：步骤S55、调整分布权重，并重复步骤S52-步骤S54直至误差达到预定的阈值，分布权重的调整采用如下表达式实现：其中Bk为归一化因子，x(i)为训练集数据，i＝0,1,2,…,m；yk为期望输出；步骤S56、强学习器输出最终结果：对每一个弱学习器的分类预测结果gk进行加权获得最终结果h(i)，其中K为弱学习器个数；步骤S57、采用验证集对强学习器进行验证，并获得SVM-AdaBoost电压暂降源集成学习识别模型。与现有技术相比，本专利技术的有益效果是：本专利技术提供了一种电压暂降源同质集成辨识方法，对电压暂降原始波形进行标幺化处理后，提取最严重相的8个时域统计特征，可以简化特征提取工作量，也无需与外部数据相关联，简单高效，提高电压暂降源的识别效率，同时使用AdaBoost算法对单一基础学习器支持向量机SVM进行集成，可以显著提升电压暂降源的识别准确率，弥补单一基础学习器的不足，避免了现有技术中采用的算法对模型不断优化迭代导致的识别原理复杂、步骤繁多等问题，缩短了电压暂降源识别耗时。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的优选实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术的电压暂降源同质集成辨识方法的流程图；图2为本专利技术的电压暂降源同质集成辨识方法的单一基础学习器支持向量机SVM不同惩罚因子系数时的识别准确率；图3为本专利技术的电压暂降源同质集成辨识方法的AdaBoost算法的集成原理图；图4为不同数量基础学习期SVM时的模型精度。具体实施方式为了更好理解本专利技术
技术实现思路
，下面提供一具体实施例，并结合附图对本专利技术做进一步的说明。本专利技术的一种电压暂降源同质集成辨识方法是对6种典型电压暂降源进行识别，6种典型电压暂降源分别为单相接地故障、两相接地故障、相间故障、三相故障、变压器激磁、电机启动。参见图1，本专利技术提供的电压暂降源同质集成辨识方法，包括以下步骤：步骤S1、对电压暂降原始波形进行标幺化处理；所述步骤S1的具体步骤为：以正常电压峰值为基准值，将电压波形标幺化处理至[-1,1]区间。步骤S2、计算标幺化处理后的A、B、C三相电压的波形的暂降幅值，选取暂降幅值最小值所在相为暂降最严重相；步骤S3、提取暂降最严重相的标幺化后的波形的8维时域统计特征构成数据集，并将数据集分成训练集和验证集；所述步骤S3的8维时域统计特征分别为：均值FMean、方差FStd、有效值FRms、斜度FSkew、峭度FKur、峰值系数FCrest、波形系数FFfa和对数能量FLe，数据集包含8维时域特征向量F0以及1维暂降源标签，所述8维时域特征向量F0＝[FMean，FStd，FRms，FSkew，FKur，FCrest，FFfa，FLe]，1维暂降源标签即为6种典型电压暂降源。其中均值FMean是指发生电压暂降时，均值表征电压幅值的平均值，单相接地故障、两相接地故障、相间故障、三相故障引起的电压暂降其均值较接近暂降的残余电压，而变压器激磁和电机启动引起的暂降均值会较大程度偏离暂降的残余电压。方差FSt本文档来自技高网...

【技术保护点】
1.电压暂降源同质集成辨识方法，其特征在于，包括以下步骤：/n步骤S1、对电压暂降原始波形进行标幺化处理；/n步骤S2、计算标幺化处理后的A、B、C三相电压的波形的暂降幅值，选取暂降幅值最小值所在相为暂降最严重相；/n步骤S3、提取暂降最严重相的标幺化后的波形的8维时域统计特征构成数据集，并将数据集分成训练集和验证集；/n步骤S4、调整单一基础学习器支持向量机SVM的模型参数；/n步骤S5、采用AdaBoost算法对单一基础学习器支持向量机SVM进行集成，采用训练集进行训练，并采用验证集进行验证，获得SVM-AdaBoost电压暂降源集成学习识别模型。/n步骤S6、输入实测电压暂降数据到SVM-AdaBoost电压暂降源集成学习识别模型中，由SVM-AdaBoost电压暂降源集成学习识别模型进行识别并输出暂降源标签。/n

【技术特征摘要】
1.电压暂降源同质集成辨识方法，其特征在于，包括以下步骤：
步骤S1、对电压暂降原始波形进行标幺化处理；
步骤S2、计算标幺化处理后的A、B、C三相电压的波形的暂降幅值，选取暂降幅值最小值所在相为暂降最严重相；
步骤S3、提取暂降最严重相的标幺化后的波形的8维时域统计特征构成数据集，并将数据集分成训练集和验证集；
步骤S4、调整单一基础学习器支持向量机SVM的模型参数；
步骤S5、采用AdaBoost算法对单一基础学习器支持向量机SVM进行集成，采用训练集进行训练，并采用验证集进行验证，获得SVM-AdaBoost电压暂降源集成学习识别模型。
步骤S6、输入实测电压暂降数据到SVM-AdaBoost电压暂降源集成学习识别模型中，由SVM-AdaBoost电压暂降源集成学习识别模型进行识别并输出暂降源标签。


2.根据权利要求1所述的电压暂降源同质集成辨识方法，其特征在于，所述步骤S1的具体步骤为：以正常电压峰值为基准值，将电压波形标幺化处理至[-1,1]区间。


3.根据权利要求1所述的电压暂降源同质集成辨识方法，其特征在于，所述步骤S3的8维时域统计特征分别为：均值FMean、方差FStd、有效值FRms、斜度FSkew、峭度FKur、峰值系数FCrest、波形系数FFfa和对数能量FLe。


4.根据权利要求3所述的电压暂降源同质集成辨识方法，其特征在于，所述步骤S3中的数据集包含8维时域特征向量F0以及1维暂降源标签，所述8维时域特征向量F0＝[FMean，FStd，FRms，FSkew，F...

【专利技术属性】
技术研发人员：李天楚，李献，李科得，方铭，伍智鹏，施寅悦，
申请(专利权)人：海南电网有限责任公司电力科学研究院，
类型：发明
国别省市：海南;46