【技术实现步骤摘要】
本专利技术涉及振动信号处理与深度学习，尤其涉及一种基于参数自适应特征模态分解的电能质量扰动识别方法及装置。
技术介绍
1、随着我国电力事业的飞速发展,人们对电能质量的关注度越来越高。为满足用户对电能质量的高要求,电能质量的治理尤其重要。电能质量扰动的分类辨识是电能质量治理的前提。至今，国内外学者主要使用基于信号处理技术与分类算法相结合的传统方法，或是基于人工智能的深度学习方法，对电能质量扰动进行分类研究。
2、基于上述背景，为避免现有信号分解算法的缺点，特征模态分解被提出了，它具有一定的鲁棒性。然而，与变分模态分解一样，特征模态分解不具备参数自适应性，需要提前人工设定两个重要参数(即模态个数和滤波器长度)。也就是，如果特征模态分解参数设定的不合理，将对其性能和效率产生比较明显的影响。
技术实现思路
1、本专利技术针对特征模态分解需要依赖人为经验设定参数而不具有参数自适应性的问题，提出一种基于参数自适应特征模态分解的电能质量扰动识别方法及装置，本专利技术可以实现电能质量扰动信号自适应信号分解。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、本专利技术一方面提出一种基于参数自适应特征模态分解的电能质量扰动识别方法，包括：
4、步骤1：对采集到的电能质量扰动信号进行标准化处理，并初始化鲸鱼优化算法的参数；
5、步骤2：采用最大周期峰度作为鲸鱼优化算法的目标函数，对特征模态分解的参数进行优化；
6、步骤3：使
7、步骤4：利用连续小波变换提取重构扰动信号的二维时频图；
8、步骤5：将二维时频图输入神经网络中进行电能质量扰动识别。
9、进一步地，所述步骤1包括：
10、对采集到的电能质量扰动信号数据进行标准化处理，使其分布在均值为0标准差为1的分布上；
11、输入标准化后电能质量扰动信号数据，初始化鲸鱼种群大小和最大迭代次数，设定模态个数n的搜索范围[nmin,nmax]，设定滤波器长度l的搜索范围[lmin,lmax]，其中nmin为n的最小值，nmax为n的最大值，lmin为l的最小值，lmax为l的最大值。
12、进一步地，所述步骤2包括：
13、首先，设定初始迭代次数t＝1，设定鲸鱼优化算法搜索的目标函数为最大周期峰度；
14、接着，计算本轮迭代中每头鲸鱼的目标函数，并记录个体的局部最优解和种群的全局最优解，保存每次迭代中种群最优解的位置坐标；
15、最后，判断迭代次数是否达到最大值，如果达到最大值，则停止迭代，输出优化的模态个数n和滤波器长度l；否则，继续迭代，直到满足迭代停止条件为止。
16、进一步地，所述计算本轮迭代中每头鲸鱼的目标函数，并记录个体的局部最优解和种群的全局最优解，保存每次迭代中种群最优解的位置坐标，包括：
17、种群中每头鲸鱼所在的坐标位置为[n,l]，把该组合数输入到特征模态分解中进行模态分解，计算分解后每个模态的周期峰度ck，记录个体最大ck值和种群最大ck值，保存每次迭代中的种群最大ck值和其对应的鲸鱼的位置坐标[n,l]。
18、进一步地，特征模态分解参数优化问题等同于求最大周期峰度的优化问题，其表达式为：
19、
20、式中，pi表示第i头鲸鱼的位置，n和l分别表示特征模态分解的模态个数和滤波器长度；周期峰度ck按照下式计算：
21、
22、
23、式中，se(x)为信号x的平方包络信号，rse(x)为平方包络信号se(x)的自相关函数，it为时延系数，rx(0)为信号x在时延为0处的自相关值。
24、进一步地，所述步骤3包括：
25、使用参数优化的特征模态分解将标准化后的扰动信号划分为n个模态分量，并删除具有最小周期峰度的模态分量，基于剩余的模态分量重构扰动信号。
26、进一步地，所述步骤5包括：
27、将重构扰动信号的二维时频图按比例划分为训练集，验证集和测试集；训练集输入残差注意力神经网络atresnet进行多轮训练，每一轮训练过后对验证集进行测试，保存训练过程中验证集正确率最高的一轮的参数；训练完成后加载参数，对测试集进行扰动类型识别。
28、进一步地，在所述步骤5之后，还包括：
29、步骤6：基于训练好的网络模型，对实际采集的电能质量扰动信号进行电能质量扰动识别。
30、本专利技术另一方面提出一种基于参数自适应特征模态分解的电能质量扰动识别装置，包括：
31、数据标准化处理及算法初始化模块，用于对采集到的电能质量扰动信号进行标准化处理，并初始化鲸鱼优化算法的参数；
32、特征模态分解参数优化模块，用于采用最大周期峰度作为鲸鱼优化算法的目标函数，对特征模态分解的参数进行优化；
33、扰动信号重构模块，用于使用参数优化的特征模态分解重构扰动信号；
34、小波变换模块，用于利用连续小波变换提取重构扰动信号的二维时频图；
35、第一扰动识别模块，用于将二维时频图输入神经网络中进行电能质量扰动识别。
36、进一步地，还包括：
37、第二扰动识别模块，用于基于训练好的网络模型，对实际采集的电能质量扰动信号进行电能质量扰动识别。
38、与现有技术相比，本专利技术具有的有益效果：
39、本专利技术首先对扰动信号进行标准化，使其分布在均值为0方差为1的分布上，并初始化鲸鱼优化算法的参数。接着采用最大周期峰度作为鲸鱼优化算法的目标函数，对特征模态分解两个关键参数(模态个数n和滤波器长度l)进行优化。然后使用参数优化的特征模态分解重构原始信号。最后利用连续小波变换提取重构信号的二维时频图并输入到残差注意力神经网络atresnet中进行电能质量扰动识别。本专利技术的参数自适应特征模态分解克服了传统特征模式分解的参数需要基于人工经验设置的问题，可以实现自适应振动信号分解，有效地识别电能质量扰动类别。
本文档来自技高网...【技术保护点】
1.一种基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，包括：
2.根据权利要求1所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，所述步骤1包括：
3.根据权利要求2所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，所述步骤2包括：
4.根据权利要求2所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，所述计算本轮迭代中每头鲸鱼的目标函数，并记录个体的局部最优解和种群的全局最优解，保存每次迭代中种群最优解的位置坐标，包括：
5.根据权利要求2所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，特征模态分解参数优化问题等同于求最大周期峰度的优化问题，其表达式为：
6.根据权利要求1所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，所述步骤3包括：
7.根据权利要求1所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，所述步骤5包括：
8.根据权利要求7所述的基于参数自适应特征模态分解
9.一种基于参数自适应特征模态分解的电能质量扰动识别装置，其特征在于，包括：
10.根绝权利要求9所述的基于参数自适应特征模态分解的电能质量扰动识别装置，其特征在于，还包括：
...【技术特征摘要】
1.一种基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，包括：
2.根据权利要求1所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，所述步骤1包括：
3.根据权利要求2所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，所述步骤2包括：
4.根据权利要求2所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于，所述计算本轮迭代中每头鲸鱼的目标函数，并记录个体的局部最优解和种群的全局最优解，保存每次迭代中种群最优解的位置坐标，包括：
5.根据权利要求2所述的基于参数自适应特征模态分解的电能质量扰动识别方法，其特征在于...
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。