[發明專利]一種基于EWT-MPE-PSO-BP的擾動分類方法

在審

• 申請號: 202110559254.7
• 申請日: 2021-05-21
• 公開（公告）號: CN113378652A
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 王寶華;薛凱;蔣海峰
• 申請（專利權）人: 南京理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/00;G06N3/04;G06N3/08;G06Q50/06
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 封睿

本發明涉及一種基于EWT?MPE?PSO?BP神經網絡的電能質量擾動分類方法，首先，EWT對不同類型的擾動信號進行準確、具有抗噪性能的模態分解，得到不同頻率的模態分量；然后，引入時間尺度概念，對傳統的排列熵進行優化，以更好地適用于復雜系統問題；接著，引入PSO對BP神經網絡進行優化，將BP中尋找最小誤差問題轉換為PSO的最優位置搜尋問題，改進了BP神經網絡中收斂速度慢的缺點，提高了BP網絡的工作效率；最后，將提取到的特征量作為優化后的神經網絡的輸入，經過多次訓練得到最終的電能質量擾動分類結果。本發明提出的方法有效解決了擾動信號檢測不準確和分類過程速度慢的問題，準確度高，工作效率高。

技術領域

本發明涉及電能質量分析與控制領域，具體地說涉及基于特征提取和模式識別的電 能質量擾動分類領域。

背景技術

隨著我國對電力系統的要求也越來越高，不僅要求電力負荷供應具有較高穩定性， 也要求電能質量應具有較高可靠性。電力系統中的電能質量由于電力設備的工作特性、 故障發生的時間與位置等不同，表現出不同的特點，由此產生了不同類型的電能質量擾 動。常見的電能質量擾動主要包括諧波、電壓不平衡、電壓波動與閃變、暫態脈沖與振蕩、電壓暫升、暫降、中斷等。全面深入分析電能質量問題，快速準確識別電能質量擾 動類型，并及時發現其產生的原因，對電能質量的管理和治理具有重要意義。

電能質量擾動分類主要包括特征提取和模式識別兩個部分。電能質量擾動信號參數 檢測與特征分析是擾動分類的基礎，通過有效的信號處理方法的分析，提取出具有穩定性與差異性的特征信息，從而為電能質量擾動分類提供有力的支撐。目前主要的電能質 量擾動檢測方法主要分為時域分析法、頻域分析法與時頻分析法，其中，時頻分析法適 用于非平穩信號、兼顧時頻信息，是目前電能質量擾動分析的主流分析方法。主要的時 頻分析方法包括短時傅里葉變換(Short Time Fourier Transform,STFT)、小波變換 (WaveletTransform,WT)、S變換與希爾伯特黃變換(Hilbert-Huang Transform,HHT)。 但STFT在處理多尺度信號時較為乏力，WT冗余度較大，ST分辨率較為固定，HHT 存在模態混疊現象，這些方法均需要一定的改進。

電能質量模式識別方法主要包括決策樹、支持向量機(Support Vector Machine，SVM)、神經網絡、專家控制系統等。通過將擾動信號進行分析處理得到的擾動特征值 輸入分類器，即可完成對電能質量擾動信號的分類過程。其中，決策樹處理級別較多問 題時屬性權值不可信，SVM核函數選擇問題復雜，神經網絡容易陷入算法局部最優解 的問題，訓練耗時較長，存在過擬合問題。

發明內容

本發明的目的在于提出一種基于EWT-MPE-PSO-BP神經網絡的電能質量擾動分類方法。

實現本發明目的的技術解決方案為：一種基于特征提取和模式識別的電能質量擾動 分類方法，包括以下步驟：

步驟1，通過EWT對電能質量擾動信號進行分解，自適應得到不同頻率的模態分量；

步驟2，通過MPE對EWT模態分量進行計算，得到不同擾動類型的特征值，即可 作為區分擾動類型的依據；

步驟3，引入PSO算法對BP神經網絡進行優化，將電能質量擾動信號分為訓練數 據集和測試數據集，分別計算其特征值作為BP神經網絡的輸入，對優化后的BP神經 網絡進行訓練后，輸入測試樣本得到分類結果。

本發明與現有技術相比，其顯著優點在于：1)EWT計算簡便、分解精度高、自適 應性強、無模態混疊現象，是作為信號時頻處理的優秀方法。2)通過多尺度算法對排 列熵算法進行了優化，保證了對復雜問題的特征提取更加科學。3)通過PSO對BP神 經網絡進行了優化，使得神經網絡作為分類器在處理復雜問題時收斂速度更快，提高了 工作效率。

附圖說明

圖1是PSO優化BP神經網絡的流程圖