[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 |
| 地址： | 110819 遼寧*** | 國省代碼： | 遼寧;21 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 dbn elm 電能 質量 擾動 信號 分類 方法 | ||
本發明公開一種基于DBN?ELM的電能質量擾動信號分類方法，屬于信號分類技術領域。該方法利用深度信念網絡DBN對擾動信號進行特征提取，在搭建DBN時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，再利用極限學習機ELM對提取的特征進行分類，得到電能質量擾動信號的類別。該方法充分利用了深度學習的特點，提高了分類準確率以及抗噪性，使得單一擾動和復合擾動均能得到準確的分類。
技術領域
本發明涉及信號分類技術領域，尤其涉及一種基于DBN-ELM的電能質量擾動信號分類方法。
背景技術
近年來，隨著大量新能源發電裝置的廣泛引用，越來越多的電力電子器件和沖擊性負荷接入配電網，產生了各種復雜的電能質量擾動問題。電能質量事件的頻發會導致電力設備損壞，影響敏感負荷的正常工作，甚至引發大規模的停電事故。同時，電能質量擾動信號會影響終端用戶的用電體驗，導致精密儀器設備損壞以及數據丟失，造成工業生產線中斷，引起分布式電源和微網的離網等問題。改善和治理電能質量問題，首先需要對電能質量問題進行準確的識別和分類，根據電能質量問題的類別確定治理方案。
電能質量擾動包括單一擾動和復合擾動，復合擾動是由幾種單一擾動復合形成的擾動信號。復合擾動信號的形成，使得電能質量擾動問題的分析更加復雜。目前，電能質量擾動分類主要包含兩個步驟：(1)提取擾動信號的特征；(2)根據提取的特征進行分類。針對步驟(1)常見的方法有：短時傅里葉變換(STFT)、快速傅里變換(FFT)、S變換、小波變換、希爾伯特黃變換(HHT)等；針對步驟(2)常見的方法有：支持向量機(SVM)、專家系統、人工神經網絡(ANN)、決策樹等。但傳統的分類方法抗噪性差、分類準確率低，對一些復合擾動信號無法準確分類，使得電能質量問題的研究無法繼續深入。
發明內容
針對上述現有技術的不足，本發明提供一種基于DBN-ELM的電能質量擾動信號分類方法。
本發明所采取的技術方案是：
一種基于DBN-ELM的電能質量擾動信號分類方法，其過程如圖1所示，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，其示意圖如圖2所示，其中單層RBM模型示意圖如圖3所示，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，其流程如圖4所示；
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，pbest-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；
Qj＝ηpbest-j+(1-η)gbest
其中，Qj用于第j個粒子的位置更新，η為(0，1)上的均勻分布數值，gbest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：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于東北大學，未經東北大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910652562.7/2.html，轉載請聲明來源鉆瓜專利網。
