一種暫態電能質量錄波數據的識別分類方法技術

本發明專利技術公開了一種暫態電能質量錄波數據的識別分類方法，包括以下步驟：獲取電能質量錄波數據，并在數據中篩選訓練數據和測試數據；將數據變換成模時頻矩陣，并提取模時頻矩陣的特征向量；根據特征向量，建立基于BP神經網絡的電能質量錄波數據的分類器；建立訓練樣本和測試樣本；將訓練樣本輸入分類器，采用PSO算法優化分類器的BP神經網絡，得到基于PSO?BP神經網絡的電能質量錄波數據的優化分類器；將測試特征向量輸入優化分類器，并接收優化分類器輸出的測試分類；判斷測試分類與期望測試分類是否一致；當測試分類與期望測試分類一致時，輸出測試分類。該暫態電能質量錄波數據的識別分類方法具有識別效率高、識別準確率高以及抗干擾能力強的優點。

Recognition and classification method of transient power quality recording data

The invention discloses a method for identification and classification of transient power quality of recorded wave data, comprising the following steps: acquiring power quality recorder data, and selection of training data and test data in the data; the data is transformed into a module time-frequency matrix, and extract the frequency characteristics of matrix to die; according to the feature vector BP neural network is established, power quality classification based on recorded data; the establishment of training samples and test samples; the training classifier input samples by BP optimizing PSO neural network classifier, PSO BP neural network power quality optimization of classifier based on the data recorded wave; test vectors to optimize classifier, and receiving test classification optimization of the classifier output; determine the classification and expected test classification is consistent; when testing classification and testing classification expectations are consistent, lose Test classification. The method has the advantages of high recognition efficiency, high recognition accuracy and strong anti-interference ability.

【技術實現步驟摘要】
一種暫態電能質量錄波數據的識別分類方法
本專利技術涉及電能質量分析
，尤其涉及一種暫態電能質量錄波數據的識別分類方法。
技術介紹
隨著科學技術與國民經濟的高速發展，電力系統中光伏和風電等新能源大規模并網，此外，越來越多的大容量非線性負荷在電力系統中廣泛應用，如電氣化鐵路、冶金冶煉等，使得電力系統的電能質量問題日趨嚴重。為掌握電能質量問題對生產活動造成的影響，在許多非線性負荷的并網處均設置了電能質量監測點用以實現對并網點電能質量的不間斷監測。電能質量監測裝置除了可以得出穩態的正常工作狀態下的穩態電能質量數據外，還能記錄異常情況下的暫態電能質量錄波數據。準確高效地對電能質量錄波數據進行分析、識別與分類，有助于及時發現并解決電力系統問題，保證電力系統安全穩定運行。目前，對電能質量錄波數據的識別與分類主要包括兩個步驟，即數據特征的提取和擾動類型的識別。以圖1所示的現有技術中的暫態電能質量錄波數據的識別分類方法流程示意圖，圖1中以基于小波變換與基于PSO(ParticleSwarmOptimization，粒子群優化算法)的BP(BackPropagation，反向傳播)神經網絡電能質量錄波數據分類方法為例，該方法是通過利用小波變換對錄波數據進行多尺度分解，得到各尺度上錄波數據的能量特征，并將提取的相應特征輸入PSO-BP神經網絡，實現錄波數據的擾動類型進行分類。但是，上述基于小波變換與PSO-BP神經網絡電能質量錄波數據分類方法中，首先采用小波變換提取錄波數據特征，再以所提取的錄波數據特征直接作為識別模型的輸入量，進行神經網絡的訓練學習。由于小波變換存在頻譜泄露、易受噪聲影響和變換結果缺乏直觀性等問題，而輸入量數據復雜且龐大，導致神經網絡訓練識別難度大、訓練速度慢、訓練準確性低，最終影響整個方法的識別和分類效果。
技術實現思路
為克服相關技術中存在的問題，本專利技術提供一種暫態電能質量錄波數據的識別分類方法。根據本專利技術實施例提供的一種暫態電能質量錄波數據的識別分類方法，包括以下步驟：獲取電能質量錄波數據，并在數據中篩選訓練數據和測試數據；將數據變換成模時頻矩陣，并提取模時頻矩陣的特征向量；根據特征向量，建立基于BP神經網絡的電能質量錄波數據的分類器；建立訓練樣本和測試樣本，其中，訓練樣本由訓練數據的訓練特征向量和期望訓練分類組成，測試樣本由測試數據的測試特征向量和期望測試分類組成；將訓練樣本輸入分類器，采用PSO算法優化分類器的BP神經網絡，得到基于PSO-BP神經網絡的電能質量錄波數據的優化分類器；將測試特征向量輸入優化分類器，并接收優化分類器輸出的測試分類；判斷測試分類與期望測試分類是否一致；當測試分類與期望測試分類一致時，輸出測試分類。可選地，暫態電能質量錄波數據的識別分類方法，還包括：當測試分類與期望測試分類不一致時，將測試樣本作為錯誤樣本；將錯誤樣本并入訓練樣本、并作為訓練樣本集中的一個訓練樣本。可選地，獲取電能質量錄波數據，并在數據中篩選訓練數據和測試數據，包括：獲取實時電能質量錄波數據；由實時電能質量錄波數據中隨機選擇訓練數據；將實時電能質量錄波數據作為測試數據。可選地，獲取實時電能質量錄波數據和獲取數據庫中歷史電能質量錄波數據；由實時電能質量錄波數據和/或歷史電能質量錄波數據中隨機選擇訓練數據；將實時電能質量錄波數據作為測試數據。可選地，獲取電能質量錄波數據，并在數據中篩選訓練數據和測試數據，包括：基于MATLAB軟件仿真生成仿真數據，其中，仿真數據包括電壓暫降數據、電壓暫升數據、電壓中斷數據、暫態振蕩數據和暫態脈沖數據；獲取仿真數據和實時電能質量錄波數據；將仿真數據作為訓練數據；將實時電能質量錄波數據作為測試數據。可選地，將數據變換成模時頻矩陣，并提取特征向量，包括：將數據變換成模時頻矩陣，得到初始特征向量；計算初始特征向量的相關系數，對初始特征向量進行篩選，得到特征向量。可選地，將數據變換成模時頻矩陣，并提取特征向量，包括：對數據進行等間隔時間采樣，得到離散時間數據；將離散時間數據變換成復時頻矩陣；將復時頻矩陣中各個元素進行求模運算，得到模時頻矩陣；根據模時頻矩陣，構建時頻特性曲線P，其中，時頻特性曲線包括時頻等高線P1、時間幅值包絡曲線P2、頻率幅值包絡曲線P3和頻率標準差曲線P4；根據時頻特性曲線，提取數據特征以構建特征向量F，其中，特征向量F＝[F1，F2，F3，F4，F5，F6，F7，F8]，其中，F1為P1中最高頻率等高線幅值的均方差；F2為P1中最高頻率等高線幅值的平均值；F3為P2中的平均能量；F4為P2中的幅值因數；F5為八倍基波頻率所對應的時間幅值曲線均方差；F6為八倍基波頻率所對應的時間幅值曲線極值差；F7為P3的均方差；F8為P4的平方根的平均值。可選地，采用PSO算法和BP算法優化分類器的BP神經網絡，包括：先通過PSO算法對BP神經網絡的輸入層到隱含層連接權值、隱含層到輸出層連接權值、隱含層閾值和輸出層閾值進行尋優賦值；再采用BP算法對尋優賦值的輸入層到隱含層連接權值、隱含層到輸出層連接權值、隱含層閾值和輸出層閾值進行訓練。可選地，建立訓練樣本和測試樣本，包括：獲取訓練數據的訓練特征向量，以及，測試數據的測試特征向量；在數據庫中篩選與訓練數據匹配度最高的數據的分類作為期望訓練分類，以及，與測試數據匹配度最高的數據的分類作為測試訓練分類；將訓練特征向量和期望訓練分類組成訓練樣本，以及，測試特征向量和期望測試分類組成測試樣本。可選地，建立訓練樣本和測試樣本，包括：獲取訓練數據的訓練特征向量；將訓練數據對應的仿真數據分類作為期望訓練分類；將訓練特征向量和期望訓練分類組成訓練樣本；獲取測試數據的測試特征向量；在數據庫中篩選與測試數據匹配度最高的數據的分類作為測試訓練分類；將測試特征向量和期望測試分類組成測試樣本。本專利技術的實施例提供的技術方案可以包括以下有益效果：本專利技術實施例提供的一種暫態電能質量錄波數據的識別分類方法，包括以下步驟：獲取電能質量錄波數據，并在數據中篩選訓練數據和測試數據；將數據變換成模時頻矩陣，并提取模時頻矩陣的特征向量；根據特征向量，建立基于BP神經網絡的電能質量錄波數據的分類器；建立訓練樣本和測試樣本，其中，訓練樣本由訓練數據的訓練特征向量和期望訓練分類組成，測試樣本由測試數據的測試特征向量和期望測試分類組成；將訓練樣本輸入分類器，采用PSO算法優化分類器的BP神經網絡，得到基于PSO-BP神經網絡的電能質量錄波數據的優化分類器；將測試特征向量輸入優化分類器，并接收優化分類器輸出的測試分類；判斷測試分類與期望測試分類是否一致；當測試分類與期望測試分類一致時，輸出測試分類。該方法使用時頻可逆的S變換分析方法對錄波數據進行特征提取，既具有小波變換多變率分析的能力，又避免短時傅里葉變換窗函數的選擇問題，可提前對多種特征用于錄波數據擾動識別，具有較強的直觀性同時不易受噪聲干擾。因此，該暫態電能質量錄波數據的識別分類方法具有識別效率高、識別準確率高以及抗干擾能力強的優點。應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本專利技術。附圖說明此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本專利技術的實施例，并與說明書一起用于解本文檔來自技高網...

【技術保護點】
一種暫態電能質量錄波數據的識別分類方法，其特征在于，包括以下步驟：獲取電能質量錄波數據，并在所述數據中篩選訓練數據和測試數據；將所述數據變換成模時頻矩陣，并提取所述模時頻矩陣的特征向量；根據所述特征向量，建立基于BP神經網絡的電能質量錄波數據的分類器；建立訓練樣本和測試樣本，其中，所述訓練樣本由所述訓練數據的訓練特征向量和期望訓練分類組成，所述測試樣本由所述測試數據的測試特征向量和期望測試分類組成；將所述訓練樣本輸入所述分類器，采用PSO算法優化所述分類器的BP神經網絡，得到基于PSO?BP神經網絡的電能質量錄波數據的優化分類器；將所述測試特征向量輸入所述優化分類器，并接收所述優化分類器輸出的測試分類；判斷所述測試分類與所述期望測試分類是否一致；當所述測試分類與所述期望測試分類一致時，輸出測試分類。

【技術特征摘要】
1.一種暫態電能質量錄波數據的識別分類方法，其特征在于，包括以下步驟：獲取電能質量錄波數據，并在所述數據中篩選訓練數據和測試數據；將所述數據變換成模時頻矩陣，并提取所述模時頻矩陣的特征向量；根據所述特征向量，建立基于BP神經網絡的電能質量錄波數據的分類器；建立訓練樣本和測試樣本，其中，所述訓練樣本由所述訓練數據的訓練特征向量和期望訓練分類組成，所述測試樣本由所述測試數據的測試特征向量和期望測試分類組成；將所述訓練樣本輸入所述分類器，采用PSO算法優化所述分類器的BP神經網絡，得到基于PSO-BP神經網絡的電能質量錄波數據的優化分類器；將所述測試特征向量輸入所述優化分類器，并接收所述優化分類器輸出的測試分類；判斷所述測試分類與所述期望測試分類是否一致；當所述測試分類與所述期望測試分類一致時，輸出測試分類。2.根據權利要求1所述的暫態電能質量錄波數據的識別分類方法，其特征在于，所述暫態電能質量錄波數據的識別分類方法，還包括：當所述測試分類與所述期望測試分類不一致時，將所述測試樣本作為錯誤樣本；將所述錯誤樣本并入所述訓練樣本、并作為訓練樣本集中的一個訓練樣本。3.根據權利要求1所述的暫態電能質量錄波數據的識別分類方法，其特征在于，所述獲取電能質量錄波數據，并在所述數據中篩選訓練數據和測試數據，包括：獲取實時電能質量錄波數據；由所述實時電能質量錄波數據中隨機選擇訓練數據；將所述實時電能質量錄波數據作為測試數據。4.根據權利要求1所述的暫態電能質量錄波數據的識別分類方法，其特征在于，所述獲取電能質量錄波數據，并在所述數據中篩選訓練數據和測試數據，包括：獲取實時電能質量錄波數據和獲取數據庫中歷史電能質量錄波數據；由所述實時電能質量錄波數據和/或所述歷史電能質量錄波數據中隨機選擇訓練數據；將所述實時電能質量錄波數據作為測試數據。5.根據權利要求1所述的暫態電能質量錄波數據的識別分類方法，其特征在于，所述獲取電能質量錄波數據，并在所述數據中篩選訓練數據和測試數據，包括：基于MATLAB軟件仿真生成仿真數據，其中，所述仿真數據包括電壓暫降數據、電壓暫升數據、電壓中斷數據、暫態振蕩數據和暫態脈沖數據；獲取所述仿真數據和實時電能質量錄波數據；將所述仿真數據作為訓練數據；將所述實時電能質量錄波數據作為測試數據。6.根據權利要求1所述的暫態電能質量錄波數據的識別分類方法，其特征在于，所述將所述數據變換成模時頻矩陣，并提取特征向量，包括：將所述數據變換...

【專利技術屬性】
技術研發人員：郭成，周鑫，覃日升，李勝男，徐志，
申請(專利權)人：云南電網有限責任公司電力科學研究院，
類型：發明
國別省市：云南,53