[發明專利]一種基于DBN-ELM的電能質量擾動信號分類方法

有效

• 申請號: 201910652562.7
• 申請日: 2019-07-19
• 公開（公告）號: CN110378286B
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 高凱;黃博南;肖軍;劉鑫蕊;孫秋野;馬大中;劉振偉;劉康;李明;鄭超銘;劉力寧;蔣慶康
• 申請（專利權）人: 東北大學
• 主分類號: G06F18/24
• 分類號: G06F18/24;G06N3/006;G06N3/048;G06N3/08
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 李在川

1.一種基于DBN-ELM的電能質量擾動信號分類方法，其特征在于，包括如下步驟：

步驟1：對不同類型的電能質量擾動信號分別進行采樣并做好類別標簽；

步驟1-1：共采樣h種擾動信號，其中包含a種單一擾動信號，b種復合擾動信號，每種信號共生成K個樣本；

步驟1-2：分別對采樣得到的h*K個擾動信號樣本增加類別標簽為S1,S2,…,Sh；

步驟2：采用min-max方法對采樣信號歸一化處理，劃分出訓練樣本集和測試樣本集；

步驟3：搭建DBN神經網絡，利用改進的量子粒子群算法對DBN網絡中的每個RBM的學習速率進行尋優；

步驟3-1：計算粒子歷史最佳位置的平均值；

其中，n代表種群的大小，p_best-j代表迭代過程中第j個粒子的最優位置；

步驟3-2：粒子位置的更新；

Q_j＝ηp_best-j+(1-η)g_best

其中，Q_j用于第j個粒子的位置更新，η為(0，1)上的均勻分布數值，g_best代表當前迭代過程中的全局最優粒子；

粒子位置更新的公式如下式所示：

其中，x_j(t+1)表示第j個粒子第t+1次迭代時的位置，x_j(t)表示第j個粒子第t次迭代時的位置，u為(0，1)上的均勻分布數值，β為革新迭代因子，設置β≤1，式中取+和-的概率均為0.5；

步驟3-3：根據迭代次數來設置革新迭代因子β；

其中，t為粒子當前所處的迭代次數，T為設定的迭代總次數；

步驟3-4：利用改進的QPSO算法對每個RBM的學習速率進行尋優，找到一個最優的學習速率，從而提高DBN的訓練速度；

步驟4：利用訓練樣本集對改進后的DBN神經網絡進行訓練，提取出電能擾動信號的特征；

步驟5：采用ELM分類器對提取出的特征進行分類訓練；

步驟6：將測試樣本集輸入到訓練好的DBN神經網絡中進行特征提取；

步驟7：將提取出的特征輸入到訓練好的ELM分類器中進行分類，得到擾動信號類型。

2.根據權利要求1所述的一種基于DBN-ELM的電能質量擾動信號分類方法，其特征在于所述步驟5中，采用ELM分類器對提取出的特征進行分類訓練的過程如下：

步驟5-1：選擇無限可微的Sigmoid函數作為隱含層的激活函數；

步驟5-2：隨機設定輸入層和隱含層之間的權值和偏置；

步驟5-3：對比不同隱含層節點數下的分類準確率，選擇準確率最高的節點數n，但節點數也不宜過多，過多的節點數會導致網絡的計算量偏大，訓練速度變慢；

步驟5-4：根據確定的隱含層節點數，得到隱含層輸出矩陣；

其中，g()為隱含層激活函數，Q為DBN提取的特征信息，w_i為輸入層和隱含層的權值，b_i為輸入層和隱含層的偏置，m為DBN特征提取后樣本的信息量，n為ELM隱含層節點的個數；

步驟5-5：求出隱含層輸出矩陣的逆矩陣，計算得到輸出層權值；

ELM模型的輸出如下式所示：

F＝Pα

其中，α為隱含層和輸出層的連接權值；

根據上式計算隱含層和輸出層的連接權值：

α＝P^-1F

其中，P^-1為P的逆；

步驟5-6：執行步驟5-1至步驟5-6訓練一批ELM，從中挑選出三個最優的進行組合，用于后續對電能質量擾動信號的分類；

步驟5-7：將提取出來的特征輸入到組合分類器中的每個ELM中，每個ELM都能得到一個相應的輸出；

步驟5-8：基于投票法的理論，利用所有的輸出對輸入的特征做出相應的分類判斷。