基于多域特征融合极限学习机的电能质量扰动分类方法技术

本发明专利技术公开了一种基于多域特征融合极限学习机的电能质量扰动分类方法，该方法首先对采集的电能质量扰动数据进行预处理，采用基于RMS时域和小波变换域的多域并行特征提取方法得到扰动信号的原始特征集；其次对原始特征集进行基于互信息和Fisher Score的二维度量，以两者之积作为特征选择的综合指标，优选出高效特征子集；然后构建极限学习机分类器模型；最后将待分类样本的高效特征子集输入给训练好的ELM模型，输出识别结果。本发明专利技术通过多域并行特征提取增强特征集的多样性和完备性，通过特征优选策略减小特征间的交叉冗余，试验表明该方法能有效提高多种单一及复合电能质量扰动分类精度，提升扰动识别效率。提升扰动识别效率。提升扰动识别效率。

【技术实现步骤摘要】
基于多域特征融合极限学习机的电能质量扰动分类方法


[0001]本专利技术涉及电能质量分析
，具体涉及一种基于多域特征融合极限学习机的电能质量扰动分类方法。

技术介绍

[0002]随着我国低碳化和数字化智能电网的发展，大量新能源、电动汽车和各类非线性设备随机接入电网，增强了电网的非线性、时变性和波动性，严重影响了主动配电网的供电可靠性和电能质量。为了保证智能电网的安全高效运行，减小各种扰动的影响，采取合理措施提高电能质量，首先要对电能质量各因素进行评估与分析，其中对各种扰动进行准确及时的分类就是关键问题之一。
[0003]目前，对于电能质量扰动分类的研究主要集中在特征提取和扰动分类方法两个方面。其中，特征提取是扰动分类的前提，利用各种信号处理方法找出表征信号特点的合适特征集是至关重要的步骤。常见的分析方法有快速傅里叶变换(FFT)、短时傅里叶变换(STFT)、小波变换(WT)、S变换(ST)、希尔伯特
‑
黄变换(HHT)等。但是，由于电能质量复合扰动是各类稳态和暂态扰动的动态交叠，其间的关联耦合造成扰动特征在幅值、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多域特征融合极限学习机的电能质量扰动分类方法，其特征在于，包括如下步骤：步骤1，电能质量扰动信号数据采集和预处理；步骤2，对电能质量扰动信号进行多域并行特征提取，包括基于RMS的时域统计量特征提取和基于小波变换域的能量分布特征提取，构成完备多样的原始特征集；步骤3，采用基于互信息和Fisher Score二维度量的特征优选策略，对原始特征集进行特征选择，减小特征间的交叉冗余，得到高效特征子集；步骤4，基于极限学习机构建电能质量扰动分类模型；步骤5，将特征集输入给训练好的ELM智能分类器，输出电能质量扰动识别结果。2.权利要求1所述的基于多域特征融合极限学习机的电能质量扰动分类方法，其特征在于，所述步骤2中的多域并行特征提取的具体步骤为：步骤21，分段计算电能质量扰动信号x(n)的RMS值X
RMS
，得到RMS曲线：式中，N1为分段计算RMS时对应数据段的长度，即每N1点算一次X
RMS
值。根据RMS曲线计算以下5个时域统计量特征：RMS曲线的最大值FT1＝max(X
RMS
)RMS曲线的最小值FT2＝min(X
RMS
)最大值与最小值之差FT3＝max(X
RMS
)
‑
min(X
RMS
)RMS曲线的平均值RMS曲线的标准差构成时域统计特征集FT＝[FT1，FT2，...FT5]。步骤22，对x(n)进行一维离散小波变换，小波变换函数为：其中，α，τ分别为缩放和平移参数，n为信号采样点个数。采用db4母小波，对扰动信号进行5层多分辨率小波分解和重构，得到慢波动概貌分量cA(n)和快波动细节分量cD
i
(n)(其中i＝1，2，...5；n＝1，2，...N)小波变换能量：E
cA
＝∑
n
(cA(n))2计算各...

【专利技术属性】
技术研发人员：任祖华，王冰，叶彦斐，
申请(专利权)人：河海大学，
类型：发明
国别省市：