基于混沌天鹰优化器的电能质量扰动识别方法及系统技术方案

本发明专利技术涉及电能质量扰动信号技术领域，提供了基于混沌天鹰优化器的电能质量扰动识别方法及系统，包括：获取电能质量扰动数据；对电能质量扰动数据提取特征向量后，利用神经网络得到分类结果；其中，神经网络在训练过程中利用混沌天鹰优化器优化中间层神经元数量，且混沌天鹰优化器的开采系数通过帐篷映射和Sine映射得到。大幅度提升了神经网络对电能质量扰动识别的性能。动识别的性能。动识别的性能。

【技术实现步骤摘要】
基于混沌天鹰优化器的电能质量扰动识别方法及系统


[0001]本专利技术属于电能质量扰动信号
，尤其涉及基于混沌天鹰优化器的电能质量扰动识别方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]电能质量涵盖了与电力系统网络和终端用户设备相互作用有关的广泛的电磁现象。随着风能和太阳能转换系统等新能源并网率的增加和复杂的电力分布，电能质量进一步恶化。因此，由于非线性的能源密集型设备中使用的敏感固态变流器的增加，对清洁能源的需求也在增加。配电系统中的电压波形污染取决于这些非线性负载所产生的电流波形的不同模式。这些失真的负载电流会在配电系统的公共耦合点造成电压失真。连续过程、多阶段批处理操作和数据处理主要受电能质量差的影响。任何电能质量干扰都会使造纸、半导体等行业的生产过程中断，从而导致生产中止和巨大的生产损失。此外，重启大量工作站和恢复挂起的事务是一个耗时的过程。

技术实现思路

[0004]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供基于混沌天鹰优化器的电能质量扰动识别方法及系统，利用混沌天鹰优化器求取神经网络的最佳中间层节点数，并通过将混沌天鹰优化器中的开采系数α和β分别替换为帐篷映射和Sine映射，大幅度提升了神经网络对电能质量扰动识别的性能。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]本专利技术的第一个方面提供基于混沌天鹰优化器的电能质量扰动识别方法，其包括：/>[0007]获取电能质量扰动数据；
[0008]对电能质量扰动数据提取特征向量后，利用神经网络得到分类结果；
[0009]其中，神经网络在训练过程中利用混沌天鹰优化器优化中间层神经元数量，且混沌天鹰优化器的开采系数通过帐篷映射和Sine映射得到。
[0010]进一步地，利用混沌天鹰优化器优化中间层神经元数量的具体步骤为：
[0011]将混沌天鹰优化器的种群初始化，个体代表神经元数量；
[0012]在神经元数量下，训练神经网络；
[0013]利用训练好的神经网络执行多次分类，计算分类结果准确度的平均值，并将准确度的平均值记作个体的适应度值；
[0014]利用混沌天鹰优化器进行迭代寻优，并将适应度值最高的个体确定为神经网络的中间层神经元数量。
[0015]进一步地，利用混沌天鹰优化器进行迭代寻优的具体步骤为：
[0016]当迭代次数位于第一区间时，天鹰优化器在扩大探索方案和缩小探索方案中随机选择一种执行；
[0017]当迭代次数位于第二区间时，天鹰优化器在扩大开发方案和缩小开发方案中随机选择一种执行。
[0018]进一步地，所述神经网络在训练过程中的收敛条件包括：平均余弦相似度不小于阈值。
[0019]进一步地，利用S变换对电能质量扰动数据提取特征向量。
[0020]进一步地，所述特征向量包括：50Hz频率下平均值的一半、50Hz频率下的最大峰值、50Hz频率下的最小峰值、150Hz频率下的平均值、250Hz频率的平均值、350Hz频率下的平均值、450Hz频率下的平均值、550Hz频率下的平均值、700
‑
2500Hz频率下的平均值。
[0021]进一步地，所述电能质量扰动的数据分为五类，分别为：正常数据、电压下沉、谐波、电压闪变和电压暂升数据。
[0022]本专利技术的第二个方面提供基于混沌天鹰优化器的电能质量扰动识别系统，其包括：
[0023]数据获取模块，其被配置为：获取电能质量扰动数据；
[0024]识别模块，其被配置为：对电能质量扰动数据提取特征向量后，利用神经网络得到分类结果；
[0025]其中，神经网络在训练过程中利用混沌天鹰优化器优化中间层神经元数量，且混沌天鹰优化器的开采系数通过帐篷映射和Sine映射得到。
[0026]本专利技术的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于混沌天鹰优化器的电能质量扰动识别方法中的步骤。
[0027]本专利技术的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于混沌天鹰优化器的电能质量扰动识别方法中的步骤。
[0028]与现有技术相比，本专利技术的有益效果是：
[0029]本专利技术提供了基于混沌天鹰优化器的电能质量扰动识别方法，其在获取若干带有电能质量扰动标签的数据的前提下，建立了以BP神经网络模型为基础的分类器，该分类器可以准确识别不同的电能质量扰动。
[0030]本专利技术提供了基于混沌天鹰优化器的电能质量扰动识别方法，其以BP神经网络模型为基础，应用平均余弦相似度作为额外的收敛条件，使训练出的改进BP神经网络模型准确度更高。
[0031]本专利技术提供了基于混沌天鹰优化器的电能质量扰动识别方法，其以天鹰优化器为基础，通过将混沌天鹰优化器中的开采系数α和β分别替换为帐篷映射和Sine映射，大幅度提升了算法的性能，并利用混沌天鹰优化器求取了改进BP神经网络的最佳中间层节点数。
附图说明
[0032]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0033]图1是本专利技术实施例一的基于混沌天鹰优化器的电能质量扰动识别方法的流程图；
[0034]图2是本专利技术实施例一的20次分类平均准确度饼图；
[0035]图3是本专利技术实施例一的不同电能质量扰动信号的准确率柱状图；
[0036]图4是本专利技术实施例一的五种电能质量干扰信号的波形示意图；
[0037]图5是本专利技术实施例一的混沌天鹰优化器算法流程图。
具体实施方式
[0038]下面结合附图与实施例对本专利技术作进一步说明。
[0039]应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0040]实施例一
[0041]本实施例提供了基于混沌天鹰优化器的电能质量扰动识别方法，如图1所示，其具体包括如下步骤：
[0042]步骤1、获取已经确定分类的电能质量扰动的数据。
[0043]具体地，设置采样区间为0.0001s、信号步长为1000、幅值为1V、电能质量信号干扰检测的高次谐波指数为250，利用过数学模型获取合成的五种电能质量扰动数据，即电能质量扰动的数据分为五类，分别为：正常数据、电压下沉、谐波、电压闪变、电压暂升数据。电能质量扰动波形见图4，五类电能质量扰动的数据的数学模型公式如下：
[0044]正常数据：
[0045]V(t)＝Asin(ωt)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0046]A＝1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于混沌天鹰优化器的电能质量扰动识别方法，其特征在于，包括：获取电能质量扰动数据；对电能质量扰动数据提取特征向量后，利用神经网络得到分类结果；其中，神经网络在训练过程中利用混沌天鹰优化器优化中间层神经元数量，且混沌天鹰优化器的开采系数通过帐篷映射和Sine映射得到。2.如权利要求1所述的基于混沌天鹰优化器的电能质量扰动识别方法，其特征在于，利用混沌天鹰优化器优化中间层神经元数量的具体步骤为：将混沌天鹰优化器的种群初始化，个体代表神经元数量；在神经元数量下，训练神经网络；利用训练好的神经网络执行多次分类，计算分类结果准确度的平均值，并将准确度的平均值记作个体的适应度值；利用混沌天鹰优化器进行迭代寻优，并将适应度值最高的个体确定为神经网络的中间层神经元数量。3.如权利要求2所述的基于混沌天鹰优化器的电能质量扰动识别方法，其特征在于，利用混沌天鹰优化器进行迭代寻优的具体步骤为：当迭代次数位于第一区间时，天鹰优化器在扩大探索方案和缩小探索方案中随机选择一种执行；当迭代次数位于第二区间时，天鹰优化器在扩大开发方案和缩小开发方案中随机选择一种执行。4.如权利要求1所述的基于混沌天鹰优化器的电能质量扰动识别方法，其特征在于，所述神经网络在训练过程中的收敛条件包括：平均余弦相似度不小于阈值。5.如权利要求1所述的基于混沌天鹰优化器的电能质量扰动识别方法，其特征在于，利用S变换对电能质量扰动数据提取特征向量。6.如权利要求1所述的基于混沌天鹰优化器的电能...

【专利技术属性】
技术研发人员：张永华，康星，杨宏武，易国皇，张吉平，姚蕾，钟建伟，梁会军，
申请(专利权)人：湖北民族大学，
类型：发明
国别省市：