【技术实现步骤摘要】
一种高噪声环境下的电能质量扰动识别方法
[0001]本专利技术属于电能质量扰动识别
，具体涉及一种高噪声环境下的电能质量扰动识别方法。
技术介绍
[0002]首先在电力系统的实际运行中，对海量的电能质量扰动信号进行采集时，会受到不同程度的噪声的干扰。而其中高噪声会对电能质量扰动信号产生较为严重的影响，不仅会降低监测装置的工作效率，还会覆盖其中各类扰动信号的扰动特征，导致电能质量扰动信号识别的准确率下降。其次现有的电能质量扰动识别方法，在进行特征提取时，有些方法需要提取较多特征，会人工对特征进行选取，容易造成特征冗余的情况，且会丢失一部分的特征信息，导致识别率下降。最后，现有的针对电能质量分类方法一般基于机器学习理论的分类算法构建分类器，在复合扰动以及不同信噪比的情况下，易产生过拟合现象，且会受噪声影响，且传统的随机森林算法在进行状态评估时，存在产生相似度较高的决策树，使得投票时产生重复，导致模型存在冗余，从而降低准确率。
技术实现思路
[0003]本专利技术的目的是提供一种高噪声环境下的电能质量扰动识别...
【技术保护点】
【技术特征摘要】
1.一种高噪声环境下的电能质量扰动识别方法，其特征在于，具体按照以下步骤实施：步骤1、向仿真信号中加入高斯白噪声模拟高噪声环境，在该环境下采集电能质量扰动信号数据；步骤2、对高噪声环境下的电能质量扰动信号数据进行特征提取以及特征融合，得到最优特征子集；步骤3、将最优特征子集输入基于互信息的加权随机森林模型，得到优化的随机森林模型，将待识别的电能质量扰动信号数据输入优化的随机森林模型进行电能质量扰动信号识别与分类。2.根据权利要求1所述一种高噪声环境下的电能质量扰动识别方法，其特征在于，步骤1中向仿真信号中加入高斯白噪声模拟高噪声环境具体过程是：利用awgn函数向仿真信号中加入大小为5～15db的高斯白噪声形成模拟高噪声环境。3.根据权利要求1所述一种高噪声环境下的电能质量扰动识别方法，其特征在于，步骤2具体过程为：步骤2.1、对高噪声环境下的电能质量扰动信号数据进行特征提取，利用三种特征提取方法进行特征提取，分别为：快速傅里叶变换、梅尔频率倒谱系数以及时域特征提取，得到三个特征子集；步骤2.2、将任意两个特征子集进行融合，得到第一次融合后的融合特征子集，将融合特征子集与第三个特征子集进行融合得到最优特征子集。4.根据权利要求3所述一种高噪声环境下的电能质量扰动识别方法，其特征在于，步骤2.1具体过程为：将高噪声环境下的电能质量扰动信号数据进行快速傅里叶变换得到频谱X[k]；且存在：X[k]＝H[k]E[k](1)其中X[k]为频谱，H[k]、E[k]为包络和频谱的细节，k＝1,2,3,....,n；快速傅里叶变换后得到的特征子集包括：基频幅值曲线的最大值F1、最小值F2、均值F3、方差F4、频率幅值包络线的最大4个峰值F5、F6、F7、F8以及最大4个峰值对应的频率F9、F
10
、F
11
、F
12
；其中，基频幅值曲线的最大值F1表示为：F1＝max(X[k])(2)基频幅值曲线的最小值F2表示为：F2＝min(X[k])(3)基频幅值曲线的均值F3表示为：基频幅值曲线的方差F4表示为：式中X[k]为经过傅里叶变换后的频谱，其中i＝1,2,3,....,n，k＝1,2,3,....,n，N
s
＝1,2,3,....,n，s＝1,2,3,....,n；
将频谱X[k]通过一组梅尔滤波器得到梅尔频谱：logX[k]＝log(Mel
‑
Spectrum)(6)将滤波器组的输出取绝对值的对数得到其能量：log||X[k]||＝log||H[k]||+log||E[k]||(7)对其能量进行离散余弦变换；取离散余弦变换的第14个到第25个系数作为梅尔频率倒谱系数的特征子集，表示为：F
13
、F
14
、F
15
、F
16
、F
17
、F
18
、F
19
、F
20
、F
21
、F
22
、F
23
、F
24
；时域特征子集包括高噪声环境下的电能质量扰动信号数据的最大值F
25
、最小值F
26
、平均值F
27
、方差F
28
、标准差F
29
、方根幅值F
30
、有效值F
31
、峰值因子F
32
、脉冲因子F
33
、裕度因子F
34
、波形因子F
35
；计算公式为：F
25
＝max(x(i))F
26
＝min(x(i))＝min(x(i))＝min(x(i))＝min(x(i))＝min(x(i))＝min(x(i))＝min(x(i))＝min(x(i))＝min(x(...
【专利技术属性】
技术研发人员：陈世哲，吕逸灵，王昊，
申请(专利权)人：杭州电力设备制造有限公司，
类型：发明
国别省市：
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。