一种基于TLBO算法的电能质量扰动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TLBO算法的电能质量扰动分类方法及系统，该方法包括如下步骤：S1、建立电能质量扰动的数学模型；S2、采用离散小波变换法对电能质量扰动信号进行特征量提取；S3、建立电能质量扰动数据库，划为训练集数据和测试集数据；S4、建立电能质量扰动分类模型；S5、将训练集数据输入分类模型进行模型训练；S6、将测试集数据输入到分类模型进行分类；S7、采用TLBO算法对分类器的核函数参数进行优化；S8、将测试集数据输入到优化好的分类模型得到分类结果并形成混淆矩阵，得到分类精确度。本发明专利技术通过TLBO算法优化，快速分类并且提升电能质量扰动分类的精确度，避免因电能质量问题对生产造成的经济损失。问题对生产造成的经济损失。问题对生产造成的经济损失。

【技术实现步骤摘要】
一种基于TLBO算法的电能质量扰动分类方法及系统


[0001]本专利技术属于电能质量分析
，具体涉及一种基于TLBO算法的电能质量扰动分类方法及系统。

技术介绍

[0002]理想的电力系统应以恒定的频率(50Hz)和正弦波形，按规定的电压水平(标称电压)对用户供电。谐波、电压骤升、电压暂降、电压中断等都会降低服务质量。近年来电力电子器件的快速应用导致了非线性、时变负荷在配电网中的广泛扩散，导致了大量严重的电能质量问题。同时，精密电子设备的广泛使用需要极高质量的电源。为了保证电能质量，电力扰动检测分类也变得非常重要，以便进一步确定检测位置和干扰类型。
[0003]目前电能质量分类方法的过程主要包括扰动特征提取和扰动识别分类两个步骤，其中常用的特征值提取方法有小波变换、希尔伯特黄变换、S变换、数学形态学、瞬时无功功率理论和分形分析法等；常用的分类方法有模糊分类法、人工神经网络、Fisher线性分类法、决策树、支持向量机和专家系统等。
[0004]虽然将电能质量识别过程的特征提取与分类器的结合对于扰动信号的分类有着很好的效果，但也存在以下问题：1)特征提取模块和分类器固有的一些缺陷也导致了分类结果的不准确等问题；2)特征提取阶段希尔伯特
‑
黄变换存在端点效应和模态混叠现象，较大的计算量和较差的实时性仍是S变换不可忽视的问题；3)在分类器阶段人工神经网络存在陷入局部最优、收敛性较差等缺点，专家系统由于自身不具备学习能力，所有的知识和解决方案都是由领域内的专家提供，因此其容错能力差，而且随着知识的增多，专家系统易产生组合爆炸的问题。

技术实现思路

[0005]为了解决上述存在的技术问题，本专利技术提供一种基于TLBO算法的电能质量扰动分类方法及系统，通过TLBO算法优化DAG
‑
SVMS，快速对电能质量扰动分类并且提升电能质量扰动分类的精确度，避免因电能质量问题对生产造成的经济损失。
[0006]本专利技术所采取的一种技术方案是：
[0007]一种电能质量扰动分类方法，包括如下步骤：
[0008]S1、建立电能质量扰动的数学模型，并在参数限定的范围内进行多次随机设置生成多种电能质量扰动信号；
[0009]S2、采用离散小波变换法对多种电能质量扰动信号及一种电能质量正常信号分别进行特征量提取并进行归一化处理；
[0010]S3、将多种电能质量扰动信号和一种电能质量正常信号归一化处理后得到的特征量值和类别标签值建立电能质量扰动数据库，然后进行随机抽样并按比例将电能质量扰动数据库的数据划分为训练集数据和测试集数据；
[0011]S4、建立有向无环图支持向量机(DAG
‑
SVMS)电能质量扰动分类模型；
[0012]S5、将上述训练集数据输入到DAG
‑
SVMS电能质量扰动分类模型进行模型训练；
[0013]S6、将上述测试集数据输入到DAG
‑
SVMS电能质量扰动分类模型进行分类并获取测试集数据的分类精确度；
[0014]S7、根据测试集数据的分类精确度采用TLBO算法对DAG
‑
SVMS中分类器的核函数参数进行优化处理，并得到优化好的DAG
‑
SVMS电能质量扰动分类模型；
[0015]S8、将测试集数据输入到优化好的DAG
‑
SVMS电能质量扰动分类模型并得到分类预测结果，根据分类预测结果形成混淆矩阵，得出优化好的DAG
‑
SVMs电能质量扰动分类模型的分类预测精确度。
[0016]优选地，所述步骤S1中电能质量扰动信号的生成是在参数限定的范围内进行随机设置，其公式如下：
[0017]rand(1,1)
×
(参数最大值
‑
参数最小值)+参数最小值(1)
[0018]其中，所述电能质量扰动信号分别包括电压暂降、电压暂升、谐波、暂态脉冲、暂态振荡、电压中断和电压波动7种单一扰动信号及电压暂降+谐波及电压暂升+谐波2种复合扰动信号。
[0019]优选地，所述步骤S2具体过程如下：
[0020]1)用小波滤波器卷积输入多种电能质量扰动信号及一种电能质量正常信号，然后进行二元抽取，进而分别得到多种电能质量扰动信号及一种电能质量正常信号的近似系数及详细系数；
[0021]2)分别通过多种电能质量扰动信号及一种电能质量正常信号的近似系数和详细系数求取信息熵；
[0022]3)再根据能量公式分别对某一个电能质量扰动信号的详细系数求出相对应的详细系数总能量，能量公式具体如下：
[0023][0024]其中，E
x
为详细系数总能量，x(t)为扰动信号的详细系数，|x(t)|2称为能量信号的能量谱密度，E
x
表示为在时间t处宽度为dt的时域内的详细系数总能量；
[0025]4)根据某一个电能质量扰动信号的详细系数总能量求出其详细系数的平均能量，即对某一个电能质量扰动信号的详细系数总能量求取平均值；
[0026]5)根据某一个电能质量扰动信号的详细系数总能量计算某一个电能质量扰动信号的详细系数能量占多个电能质量扰动信号的能量总和的百分比得出某一个电能质量扰动信号的详细系数能量百分比；
[0027]6)根据步骤3)～5)依次求得的每个电能质量扰动信号的详细系数能量百分比，并取其最大值作为详细系数的最大能量百分比；
[0028]7)分别求取多种电能质量扰动信号及一种电能质量正常信号的总谐波失真；
[0029]8)选取多种电能质量扰动信号及一种电能质量正常信号的原始信号熵、近似系数的熵、详细系数的熵、详细系数的平均能量、详细系数的最大能量百分比和总谐波失真作为六个特征量，并分别设置相对应的类别标签值；
[0030]9)将六个特征量进行归一化处理转换到[0,1]的范围，归一化处理公式如下：
[0031][0032]其中，X为六个特征量的各自值，X
max
为六个特征量中的最大值，X
min
为六个特征量中的最小值。
[0033]优选地，所述步骤S1中的所述训练集数据和测试集数据比例设置为8:2或6:4。
[0034]优选地，所述步骤S4及步骤S5的具体过程如下：
[0035]1)电能质量扰动数据库包括多种电能质量扰动信号和一种电能质量正常信号归一化处理后得到的特征量值和类别标签值，DAG
‑
SVMS将每两个电能质量扰动信号的类别构造成一个新的SVM分类器：假定有n类电能质量扰动，支持向量机构造一个有根的二叉有向无环图，该图有个内部决策点(二进制支持向量机)和n个叶子，分布于n层结构中，每个节点是第i类和第j类的二进制支持向量机；
[0036]2)设每个支持向量机分类器的数据集为：
[0037](x
i
，y
i
)，x<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TLBO算法的电能质量扰动分类方法，其特征在于，包括如下步骤：S1、建立电能质量扰动的数学模型，并在参数限定的范围内进行多次随机设置生成多种电能质量扰动信号；S2、采用离散小波变换法对多种电能质量扰动信号及一种电能质量正常信号分别进行特征量提取并进行归一化处理；S3、将多种电能质量扰动信号和一种电能质量正常信号归一化处理后得到的特征量值和类别标签值建立电能质量扰动数据库，然后进行随机抽样并按比例将电能质量扰动数据库的数据划分为训练集数据和测试集数据；S4、建立有向无环图支持向量机(DAG
‑
SVMS)电能质量扰动分类模型；S5、将上述训练集数据输入到DAG
‑
SVMS电能质量扰动分类模型进行模型训练；S6、将上述测试集数据输入到DAG
‑
SVMS电能质量扰动分类模型进行分类并获取测试集数据的分类精确度；S7、根据测试集数据的分类精确度采用TLBO算法对DAG
‑
SVMS中分类器的核函数参数进行优化处理，并得到优化好的DAG
‑
SVMS电能质量扰动分类模型；S8、将测试集数据输入到优化好的DAG
‑
SVMS电能质量扰动分类模型并得到分类预测结果，根据分类预测结果形成混淆矩阵，得出优化好的DAG
‑
SVMs电能质量扰动分类模型的分类预测精确度。2.根据权利要求1所述的基于TLBO算法的电能质量扰动分类方法，其特征在于，所述步骤S1中电能质量扰动信号的生成是在参数限定的范围内进行随机设置，其公式如下：rand(1,1)
×
(参数最大值
‑
参数最小值)+参数最小值(1)其中，所述电能质量扰动信号分别包括电压暂降、电压暂升、谐波、暂态脉冲、暂态振荡、电压中断和电压波动7种单一扰动信号及电压暂降+谐波及电压暂升+谐波2种复合扰动信号。3.根据权利要求1所述的基于TLBO算法的电能质量扰动分类方法，其特征在于，所述步骤S2具体过程如下：1)用小波滤波器卷积输入多种电能质量扰动信号及一种电能质量正常信号，然后进行二元抽取，进而分别得到多种电能质量扰动信号及一种电能质量正常信号的近似系数及详细系数；2)分别通过多种电能质量扰动信号及一种电能质量正常信号的近似系数和详细系数求取信息熵；3)再根据能量公式分别对某一个电能质量扰动信号的详细系数求出相对应的详细系数总能量，能量公式具体如下：其中，E
x
为详细系数总能量，x(t)为扰动信号的详细系数，|x(t)|2称为能量信号的能量谱密度，E
x
表示为在时间t处宽度为dt的时域内的详细系数总能量；4)根据某一个电能质量扰动信号的详细系数总能量求出其详细系数的平均能量，即对某一个电能质量扰动信号的详细系数总能量求取平均值；
5)根据某一个电能质量扰动信号的详细系数总能量计算某一个电能质量扰动信号的详细系数能量占多个电能质量扰动信号的能量总和的百分比得出某一个电能质量扰动信号的详细系数能量百分比；6)根据步骤3)～5)依次求得的每个电能质量扰动信号的详细系数能量百分比，并取其最大值作为详细系数的最大能量百分比；7)分别求取多种电能质量扰动信号及一种电能质量正常信号的总谐波失真；8)选取多种电能质量扰动信号及一种电能质量正常信号的原始信号熵、近似系数的熵、详细系数的熵、详细系数的平均能量、详细系数的最大能量百分比和总谐波失真作为六个特征量，并分别设置相对应的类别标签值；9)将六个特征量进行归一化处理转换到[0,1]的范围，归一化处理公式如下：其中，X为六个特征量的各自值，X
max
为六个特征量中的最大值，X
min
为六个特征量中的最小值。4.根据权利要求1所述的基于TLBO算法的电能质量扰动分类方法，其特征在于，所述步骤S1中的所述训练集数据和测试集数据比例设置为8:2或6:4。5.根据权利要求1所述的基于TLBO算法的电能质量扰动分类方法，其特征在于，所述步骤S4及步骤S5的具体过程如下：1)电能质量扰动数据库包括多种电能质量扰动信号和一种电能质量正常信号归一化处理后得到的特征量值和类别标签值，DAG
‑
SVMS将每两个电能质量扰动信号的类别构造成一个新的SVM分类器：假定有n类电能质量扰动，支持向量机构造一个有根的二叉有向无环图，该图有个内部决策点(二进制支持向量机)和n个叶子，分布于n层结构中，每个节点是第i类和第j类的二进制支持向量机；2)设每个支持向量机分类器的数据集为：(x
i
，y
i
)，x
i
∈R
N
，y
i
∈{+1，
‑
1}，i＝1，2，...，l (4)其中：x
i
对应集合中的每个信号向量；y
i
为信号向量x
i
所对应的类别标签值；3)训练集数据由非线性映射φ(x)将低维空间的输入映射到高维空间，存在一个超平面将两类样本分开，构造的最优分类超平面为：H：f(x)＝sign[ω
·
φ(x)+b]
ꢀꢀꢀ
(5)其中，ω为特征空间中分类超平面的权系数向量(法向量)；b为偏置系数；4)根据间隔最大化原则，最佳分类函数可以通过求解约束优化问题获得：最佳分类函数可以通过求解约束优化问题获得：其中，||ω||为欧式距离；C为误差项的惩罚因子；ξ为松弛因子；5)引入拉格朗日系数，转化为二次规划问题进行求解，则：
其中，K(x
i
·
x
j
)为满足Mercer条件的核函数；最终得到的基于有向无环图支持向量机的最优分类决策函数为：为避免映射转换中出现高维数据灾难现象，采取的核函数为多项式核函数：K(x
i
·
x
j
)＝(a(X
iT
X
j
)+b)

【专利技术属性】
技术研发人员：李家俊，李祯维，吴建军，龙克飞，黄谋甫，钟建伟，陈武，
申请(专利权)人：湖北民族大学，
类型：发明
国别省市：