CN110808580A - 基于小波变换和极限学习机的电压暂降源快速辨识方法 - Google Patents

Abstract

本发明涉及一种基于小波变换和极限学习机的电压暂降源快速辨识方法，包括以下步骤：步骤1、获取原始电压暂降信号；步骤2、对原始电压暂降信号进行归一化处理；步骤3、对电压暂降信号进行小波多分辨分析，并提取各尺度上的能量特征；步骤4、形成带标签的各类电压暂降源数据样本；步骤5、将各类电压暂降源数据样本分为测试集和训练集；步骤6、构建最优的基于ELM模型的暂降源辨识模型；步骤7、将测试集输入到构建好的最优的基于ELM模型的暂降源辨识模型。本发明辨识结果准确可靠且能够实现对暂降源快速识别。

Description

基于小波变换和极限学习机的电压暂降源快速辨识方法

技术领域

本发明属于电能质量监测技术领域，涉及电压暂降源快速辨识方法，尤其是一种基于小波变换和极限学习机的电压暂降源快速辨识方法。

背景技术

电压暂降(voltage sag)是指工频条件下电压有效值降低到0.1～0.9p.u之间、持续时间为0.5周波至1分钟的短时电压变动现象。电压暂降是系统正常运行过程中不可避免的短时扰动现象，上级输电网、远方配网和本地配网的短路类故障、变压器激磁、大型电机的起动以及负荷的投切等是导致电压暂降的主要原因，同时系统阻抗、故障阻抗、变压器参数、保护和继电保护的安装和参数设置等，对电压暂降也有重要影响。

随着我国不断由制造大国向制造强国迈进，优质的电力是高精度、高科技等产业的根本保证，因而电能质量问题也是日前越来越关注的问题。电能质量不仅影响电网企业的安全性与经济性，同时也会影响用户产品的产品质量与设备安全。而电压暂降问题作为当下最为突出的电能质量问题，受到了电力公司和用户的极大关注，尤其是当电压暂降问题给用户造成经济损失，会引起用户的投诉和抱怨。而对于电压暂降的治理，从源头上抑制和消除暂降源是治理和改善电压暂降问题的关键。而这需要以如何快速、准确地对电压暂降源进行辨识，从而为暂降责任分摊和治理决策提供给依据。

目前，针对暂降源辨识的问题，主要通过信号处理的方法实现，如小波变换、S变换、Hilbert-Huang变换等，这些方法简单易处理、需要样本数量小、物理意义明确；或者模式识别方法，如深度置信网络、卷积神经网络等，这些方法能智能识别、自动批量处理、结果直观。但是信号处理具有人工取阈值、主观因素强、识别结果不直观等缺点和模式识别类的方法或多或少的存在计算量大、计算时间长、相关参数设置和模型调试困难、模型复杂等缺点。因此急需一种拥有信号处理和模式识别的优点的方法，以实现暂降源的快速辨识。

与此同时，考虑到在电力物联网背景下在电能质量监测终端会产生海量数据，直接这些数据传输到某一平台进行集中处理，会增加数据传输量和传输时间，以及对平台集中处理数据的能力要求高的特点，因此，本发明提出一种适用于边缘计算(即直接在电能质量检测终端获得进行数据计算和处理)的基于小波变换和极限学习机的电压暂降源快速辨识方法。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、辨识结果准确可靠且能够实现对暂降源快速识别的基于小波变换和极限学习机的电压暂降源快速辨识方法。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于小波变换和极限学习机的电压暂降源快速辨识方法，包括以下步骤：

步骤1、获取原始电压暂降信号；

步骤2、将步骤1获取的原始电压暂降信号进行归一化处理；

步骤3、对步骤2归一化处理后的电压暂降信号进行小波多分辨分析，并提取各尺度上的能量特征，作为每类电压暂降源的辨识特征向量；

步骤4、对每类多个电压暂降源提取能量特征并形成辨识特征向量，对其进行标签的设定，形成带标签的各类电压暂降源数据样本；

步骤5、将各类电压暂降源数据样本分为测试集和训练集；

步骤6、构建最优的基于ELM模型的暂降源辨识模型；

步骤7、将测试集输入到构建好的最优的基于ELM模型的暂降源辨识模型，通过输出的辨识结果和耗时以验证模型的辨识能力。

而且，所述步骤2的具体方法为：将每次采集到多个的离散暂降数据分别除以未发生电压暂降时电压的最大值，以此得到位于[-1,1]之间的电压暂降信号。

而且，所述步骤3的具体步骤包括：

(1)选用db4小波对电压暂降信号x(t)进行5层分解，对获得的电压暂降信号进行5层分解，得到的小波变换系数为a₅(n)和d_j(n)，其中j＝1,2,…,5；

(2)计算不同分解尺度上的信号能量，各尺度上的能量计算表达式为：

其中：j＝1,2,…,5；这样经过5层小波分解，可以得到6个特征量。

(3)辨识特征向量的构建。将各特征量构成一个向量，有:

如果是单相系统，F就作为辨识特征向量，如果采集到的电压暂降信号通常是三相电压，因此对每相电压信号提取上述能量特征，从而构成最终的电压暂降源辨识特征向量：

F_S＝[F(A),F(B),F(C)] (7)

式中：A、B、C分别代表三相电压暂降信号的A相、B相、C相。

而且，所述步骤6的具体步骤包括：

(1)假设有N个带标签的电压暂降源数据样本为(X_i,T_i)，1≤i≤N，其中X_i＝[x_i1,x_i2,…,x_in]^T∈Rⁿ为第i个输入样本，T_i＝[t_i1,t_i2,…,t_im]^T∈R^m为与之对应的目标输出，n表征输入样本的维数，m表征为目标输出的维数；若SLFN中输入层、隐含层和输出层的单元数分别为n、L、m，则该网络的输出可表示为：

式中：g(·)为激活函数，通常选择sigmoid、sine或hardim函数；W_j＝[ω_j1,ω_j2,…,ω_jn]为输入权值；b_j为第j个隐含层单元对应的偏置；β_j为输出权值；O_i＝[o_i1,o_i2,…,o_im]为第i个样本所对应的输出；j∈[1，L]；

(2)定义训练样本的最小化损失函数，即：

式中：H为隐含层单元的输出矩阵；β为输出权值矩阵，T为样本目标输出矩阵；其数学表示形式为：

(3)对于给定的任意小误差ε≥0、任意区间上无限可微的激活函数、随机初始化的权值W_j和偏置b_j，总存在一个含有L个隐含层单元的SLFN满足||Hβ-T||≤ε；因此，当激活函数无限可微时，SLFN的参数不必全部调整，W_j和b_j可随机初始化并在训练中保持不变，而输出权值矩阵β可通过求解式(12)的最小二乘解得到：

其解为：β＝H⁺T，其中H⁺为隐含层单元的输出矩阵H的Moore-Penrose广义逆。

(4)在MATLAB环境下建立适用于本发明的电压暂降源辨识模型，将训练集输入到该模型中，并多次调试和训练，得到其模型最优参数设置，从而最终得到最优的基于ELM的电压暂降源辨识模型。

本发明的优点和有益效果：

本发明提出一种适用于边缘计算的基于小波变换和极限学习机的电压暂降源快速辨识方法，小波变换是进行信号时频分析和处理的理想工具，通过变换提取其多尺度上的能量特征，不仅能够表征发生电压暂降时信号的变化特点，而且能减少ELM辨识模型的输入量，以达到减少计算量、缩短耗时、抗噪的目的。为实现电压暂降源的辨识需要实现快速、自动地识别，并考虑到当前方法的缺点，而ELM模型是机器学习的一种，具有学习速度快、模型简单、泛化能力强，使用ELM模型对暂降源可以准确辨识，耗时短，且模型简单。

附图说明

图1是本发明的基于小波变换和极限学习机的电压暂降源快速辨识流程图；

图2(a)是本发明的原始电压暂降信号的仿真模型图-短路故障；

图2(b)是本发明的原始电压暂降信号的仿真模型图-变压器投运；

图2(c)是本发明的原始电压暂降信号的仿真模型图-感应电动机起动；

图3是本发明的对电压暂降信号进行5层小波变换多分辨分析示意图；

图4是本发明的用于构建电压暂降源辨识模型的极限学习机网络结构图；

图5是本发明构建的电压暂降源辨识模型的测试集辨识结果示意图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种基于小波变换和极限学习机的电压暂降源快速辨识方法，如图1所示，包括以下步骤：

步骤1、获取原始电压暂降信号；

所述步骤1中获得电压暂降信号的途径通常包括实测和仿真两种，实测数据可以通过分布在电力系统中的电能质量监测终端在发生电电压暂降时对其进行录波得到；仿真数据可以通过仿真软件(如MATLAB/Simulink、PSCAD)对实际电网结构进行建模仿真，采样得到电压暂降信号。

在本实施例中，所述步骤1的原始电压暂降信号的获得的具体方法为：在PSCAD/EMTDC环境中分别搭建电压暂降仿真模型，其模型结构和具体参数如图2所示。调整图2(a)中短路故障持续时间(0.15～0.6s)和短路阻抗(1.5～9Ω)，获得单相短路120组；调整图2(b)中变压器额定容量(1～8MVA)、线路负荷(0.5～2.5MW)，获得变压器投切样本120组；调整图2(c)中IM额定电压(7～8.5kV)和电流(0.025～0.035kA)，获得IM起动样本120组。

步骤2、将步骤1获取的原始电压暂降信号进行归一化处理；

归一化处理是一种简化计算的方式，将不同电压等级的暂降信号归一化在某范围的区间内，使得数据处理方便，并保证不同电压暂降信号可以相互比较。

因其原始电压暂降数据可能来自于不同的电压等级，以及同一电压等级下，不同位置所采集到的电压信号的幅值也有所不同。为保证不同电压暂降源波形的差异性具有可比性和辨识模型拥有较高的辨识精度，因此进行归一化处理。

在本实施例中，所述步骤2的具体方法为：将每次采集到多个的离散暂降数据分别除以未发生电压暂降时电压的最大值，以此得到位于[-1,1]之间的电压暂降信号。

步骤3、对步骤2归一化处理后的电压暂降信号进行小波多分辨分析，并提取各尺度上的能量特征，作为每类电压暂降源的辨识特征向量；

特征提取通常采用时频变换方法将其变换到频域内，在对其进行时频域特征提取，以起到抗噪和获得更多有用信息的目的。

在提取电压暂降源的辨识特征向量前，有必要对小波变换多分辨分析作进一步说明，具体包含：小波变换是一种分析信号时频特性的强有力的工具，具有可变的窗口大小，可以根据信号频率的不同进行调整。小波变换的实质是利用小波函数及小波变换系数表达一个信号函数。设时域信号为f(x)，其小波变换表达式可以表示为：

f(x)＝∑a_i,jψ_i,j(x) (1)

其中：i、j为整数，分别为伸缩因子、平移因子；a_i,j为离散小波变换系数；ψ_i,j(x)为小波函数。

离散小波变换系数可以通过式(2)得到：

小波函数ψ_i,j(x)可以通过小波母函数ψ(x)经平移和伸缩变换得到：

ψ_i,j(x)＝2^-i/2ψ(2^-ix-j) (3)

在进行多分辨分析的情况下，小波母函数必须满足下列二尺度方程：

g(x)＝(-1)^kh(1-k) (4)

在本实施例中，所述步骤3的具体方法为：采用小波多分辨分析对归一化暂降信号进行时频变换，并提取各尺度上的能量特征作为每类暂降源的辨识特征向量。

所述步骤3的具体步骤包括：

(1)选用db4小波对电压暂降信号x(t)进行5层分解，对获得的电压暂降信号进行5层分解，得到的小波变换系数为d_j(n)和d_j(n)，其中j＝1,2,…,5，其小波变换多分辨分析示意图如图3所示。其中cA表示低频部分；cD表示高频部分；

(2)计算不同分解尺度上的信号能量。各尺度上的能量计算表达式为：

其中：j＝1,2,…,5；这样经过5层小波分解，可以得到6个特征量。

(3)辨识特征向量的构建。将各特征量构成一个向量，有:

如果是单相系统，F就作为辨识特征向量，如果采集到的电压暂降信号通常是三相电压，因此对每相电压信号提取上述能量特征，从而构成最终的电压暂降源辨识特征向量：

F_S＝[F(A),F(B),F(C)] (7)

式中：A、B、C分别代表三相电压暂降信号的A相、B相、C相。

所述步骤3的工作原理为：

选用dbN小波对电压暂降信号进行多层分解，获取各层的小波分解系数作为电压暂降源辨识特征提取的基础。

通过对获得的电压暂降信号进行小波变换多分辨分析，得到的小波变换系数包含该电压暂降信号的有效特征，因此可以通过对这些系数进行某种操作，在保持原有信号特征的前提下，尽量减少参数数量，以便于将这些参数应用于辨识模型时减少其输入向量的大小。因此，本发明求解不同分解尺度上的信号能量，将这些能量值按尺度顺序排列成特征向量，从而形成电压暂降源辨识特征向量，以输入到辨识模型中，实现暂降源的快速准确辨识。

步骤4、对每类多个电压暂降源提取能量特征并形成辨识特征向量，对其进行标签的设定，形成带标签的各类电压暂降源数据样；

在本实施例中，所述步骤4的各类带标签的电压暂降源数据样本的形成的具体实现方法为：来自每类多个不同暂降源类型的辨识特征向量形成辨识模型的输入矩阵；对于每类暂降源的标签设定，采用单个数字标记的方法进行标记，即，短路类故障标签设定为1，变压器投运的标签设定为2，电动机启动的标签设定为3，以形成辨识模型的输出。从而构成了最终带各类带标签的电压暂降源数据样本。

步骤5、将各类电压暂降源数据样本按照一定的比例分为测试集和训练集，以为后续分类器测试和训练做好准备；

在本实施例中，所述步骤5的测试集和训练集的划分的原则为：每类以80个作为训练集，40个作为测试集。

步骤6、构建基于极限学习机(ELM)的电压暂降源快速识别模型，将训练集输入到ELM模型中，进行多次模型参数调试和训练，获得最优参数设置，从而构建出最优的基于ELM模型的暂降源辨识模型；

ELM是一种针对单隐含层前馈神经网络(Single Layer Feedforward neuronNetwork，SLFN)的新型算法，其突出特点是学习速度快、泛化能力强、学习参数设定简单等，其典型网络结构如图4所示。

所述步骤6中的构建基于极限学习机的电压暂降源快速辨识模型和多次进行调试和测试寻找最优参数的具体步骤为：

(1)假设有N个带标签的电压暂降源数据样本为(X_i,T_i)，1≤i≤N，其中X_i＝[x_i1,x_i2,…,x_in]^T∈Rⁿ为第i个输入样本，T_i＝[t_i1,t_i2,…,t_im]^T∈R^m为与之对应的目标输出，n表征输入样本的维数(与提取的暂降源识别特征向量的维数相同)，m表征为目标输出的维数；若SLFN中输入层、隐含层和输出层的单元数分别为n、L、m，则该网络的输出可表示为：

式中：g(·)为激活函数，通常选择sigmoid、sine或hardim函数；W_j＝[ω_j1,ω_j2,…,ω_jn]为输入权值；b_j为第j个隐含层单元对应的偏置；β_j为输出权值；O_i＝[o_i1,o_i2,…,o_im]为第i个样本所对应的输出；j∈[1，L]；

(2)ELM网络训练的目标是使得输出误差最小化，因此定义训练样本的最小化损失函数，即：

式中：H为隐含层单元的输出矩阵；β为输出权值矩阵，T为样本目标输出矩阵；其数学表示形式为：

(3)对于给定的任意小误差ε≥0、任意区间上无限可微的激活函数、随机初始化的权值W_j和偏置b_j，总存在一个含有L个隐含层单元的SLFN满足||Hβ-T||≤ε(当且仅当隐含层单元数L与训练样本数相等时取等)；因此，当激活函数无限可微时，SLFN的参数不必全部调整，W_j和b_j可随机初始化并在训练中保持不变，而输出权值矩阵β可通过求解式(12)的最小二乘解得到：

其解为：β＝H⁺T，其中H⁺为隐含层单元的输出矩阵H的Moore-Penrose广义逆。

(4)基于极限学习机模型的理论基础，在MATLAB环境下建立适用于本发明的电压暂降源辨识模型，将训练集输入到该模型中，并多次调试和训练，得到其模型最优参数设置如表1所示。最终得到最优的基于ELM的电压暂降源辨识模型。

表1 ELM参数设置

步骤7、将测试集输入到构建好的最优的基于ELM模型的暂降源辨识模型，通过输出的辨识结果和耗时以验证模型的辨识能力。

所述步骤7的测试集验证本发明所建立辨识模型的性能的具体实现方法为：将测试进输入到步骤6所得的最优的基于ELM的电压暂源辨识模型中，以各类暂降源的辨识精度和总耗时为指标，评判本发明的性能。其最终的发明效果用表2和图5形式分别展示。

表2测试集辨识结果

从结果可知，总辨识精度达到了98.3333％，拥有良好的精度，同时模型参数设置简单，仅需设置三个参数即可，模型调试简单，且经过多次训练和测试得到对应环节的平均耗时分别为25.867ms和9.066ms，从而可知训练和测试快速，能实现暂降源的快速辨识。

本发明只对由短路类故障、变压器投运、感应电动机起动引起的电压暂降进行辨识，其中由短路类故障引起的电压暂降80％是由单相短路故障引起的，因此，这里只考虑单相短路故障。

本发明为了对基于小波变换和极限学习机的电压暂降源快速辨识方法的发明效果进行评估，可采用每类辨识精度和总辨识精度进行展示，同时为了体现模型的快速性，多次运行训练和测试环节并分别对其运行时间进行计算，从而得到两个环境的平均耗时，以此验证模型的快速性。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。

Claims (4)

1.一种基于小波变换和极限学习机的电压暂降源快速辨识方法，其特征在于：包括以下步骤：

步骤1、获取原始电压暂降信号；

步骤2、将步骤1获取的原始电压暂降信号进行归一化处理；

步骤3、对步骤2归一化处理后的电压暂降信号进行小波多分辨分析，并提取各尺度上的能量特征，作为每类电压暂降源的辨识特征向量；

步骤4、对每类多个电压暂降源提取能量特征并形成辨识特征向量，对其进行标签的设定，形成带标签的各类电压暂降源数据样本；

步骤5、将各类电压暂降源数据样本分为测试集和训练集；

步骤6、构建最优的基于ELM模型的暂降源辨识模型；

步骤7、将测试集输入到构建好的最优的基于ELM模型的暂降源辨识模型，通过输出的辨识结果和耗时以验证模型的辨识能力。

2.根据权利要求1所述的一种基于小波变换和极限学习机的电压暂降源快速辨识方法，其特征在于：所述步骤2的具体方法为：将每次采集到多个的离散暂降数据分别除以未发生电压暂降时电压的最大值，以此得到位于[-1,1]之间的电压暂降信号。

3.根据权利要求1所述的一种基于小波变换和极限学习机的电压暂降源快速辨识方法，其特征在于：所述步骤3的具体步骤包括：

(1)选用db4小波对电压暂降信号x(t)进行5层分解，对获得的电压暂降信号进行5层分解，得到的小波变换系数为a₅(n)和d_j(n)，其中j＝1,2,…,5；

(2)计算不同分解尺度上的信号能量，各尺度上的能量计算表达式为：

其中：j＝1,2,…,5；这样经过5层小波分解，可以得到6个特征量；

(3)辨识特征向量的构建：将各特征量构成一个向量，有:

如果是单相系统，F就作为辨识特征向量，如果采集到的电压暂降信号通常是三相电压，因此对每相电压信号提取上述能量特征，从而构成最终的电压暂降源辨识特征向量：

F_S＝[F(A),F(B),F(C)]

式中：A、B、C分别代表三相电压暂降信号的A相、B相、C相。

4.根据权利要求1所述的一种基于小波变换和极限学习机的电压暂降源快速辨识方法，其特征在于：所述步骤6的具体步骤包括：

(1)假设有N个带标签的电压暂降源数据样本为(X_i,T_i)，1≤i≤N，其中X_i＝[x_i1,x_i2,…,x_in]^T∈Rⁿ为第i个输入样本，T_i＝[t_i1,t_i2,…,t_im]^T∈R^m为与之对应的目标输出，n表征输入样本的维数，m表征为目标输出的维数；若SLFN中输入层、隐含层和输出层的单元数分别为n、L、m，则该网络的输出可表示为：

式中：g(·)为激活函数，通常选择sigmoid、sine或hardim函数；W_j＝[ω_j1,ω_j2,…,ω_jn]为输入权值；b_j为第j个隐含层单元对应的偏置；β_j为输出权值；O_i＝[o_i1,o_i2,…,o_im]为第i个样本所对应的输出；j∈[1，L]；

(2)定义训练样本的最小化损失函数，即：

式中：H为隐含层单元的输出矩阵；β为输出权值矩阵，T为样本目标输出矩阵；其数学表示形式为：

(3)对于给定的任意小误差ε≥0、任意区间上无限可微的激活函数、随机初始化的权值W_j和偏置b_j，总存在一个含有L个隐含层单元的SLFN满足Hβ-T||≤ε；因此，当激活函数无限可微时，SLFN的参数不必全部调整，W_j和b_j可随机初始化并在训练中保持不变，而输出权值矩阵β可通过求解下式的最小二乘解得到：

其解为：β＝H⁺T，其中H⁺为隐含层单元的输出矩阵H的Moore-Penrose广义逆；

(4)在MATLAB环境下构建基于极限学习机ELM的电压暂降源快速识别模型，将训练集输入到ELM模型中，进行多次模型参数调试和训练，获得最优参数设置，从而构建出最优的基于ELM模型的暂降源辨识模型。

Images