[发明专利]一种基于大数据多特征提取协同分类的电能质量扰动识别方法

说明书

本发明提供一种基于大数据多特征提取协同分类的电能质量扰动识别方法，所述方法是建立多信息多分类器融合的电能质量分析决策模型，包括：设计LASSO原理的大数据冗余数据剔除方法、变尺度大数据简约方法和基于数据结构同构简约算法同时用主元分析法对非同源气象数据降维，改进广义S变换、广义谐波小波、EEMD/LMD等多种信息处理方法融合提取电能质量信号特征，然后采用压缩感知分类器(SRC)、ε机复杂系统辨识分类器(εCSSR)和神经网络(ANN)对特征向量分类，最后，采用改进的决策模板法(SWDT)，使用混淆矩阵衡量各分类器对每类故障的识别能力，根据初步诊断情况自适应地为各分类器赋予决策权值，充分利用训练信息，提高分类决策准确度。

技术领域

本发明涉及电力信号检测及分析，特别涉及一种基于大数据多特征提取协同分类的电能质量扰动识别方法。

背景技术

电力系统经济、稳定、安全运行是人民生产生活的重要保障。电能质量分析是维护高质量的电能的前提和依据，对电力系统的稳定安全运行具有重要作用。电能质量问题是导致用电设备故障或不能正常工作的电压、电流或者频率的偏差，包括频率偏差、电压偏差、电压波动与闪变、三相不平衡、暂时或瞬时过电压、谐波、电压暂降、中断、暂升以及供电连续性等。电能质量问题一直得到了世界范围内的普遍关注。

目前，电网系统逐步走向智能化信息化时代，不断产生大量结构复杂的电力大数据。同时智能电网的快速发展，现场的电磁干扰以及负荷的频繁变化使得电能质量分析变得越来越难。单一特征量通常很难全面反映出电网运行状态。因此，我们提出一种基于大数据多特征提取协同分类的电能质量扰动识别的方法。

发明内容

为解决上述技术问题，本发明提供了一种基于大数据多特征提取协同分类的电能质量扰动识别方法，旨在对智能电网大数据进行简约及主元分析降维，利用改进广义S变换、广义谐波小波包分解、EEMD/LMD信号分解算法等特征提取方法，进行电能质量不同的特征提取，并运用分类器进行综合分类及识别，解决制约算法实施的关键问难，实现优势互补，达到信息增值的效果。各种方法的优势互补，提高电能质量扰动识别正确率。

为实现上述目的，采用的技术方案的特征在于：一种基于大数据多特征提取协同分类的电能质量扰动识别方法，其特征在于：此识别方法包括以下步骤：

(1)针对电能质量信号处理，利用模型提取特征向量：模型如下：

(a)改进广义S变换模型：对标准广义S变换的窗函数w(τ-t,σ)引入参数r＝σ×|f|来控制时频分辨率，对电能质量信号进行分析，提取特征向量；其中σ是关于频率f的尺度因子；

(b)广义谐波小波包分解模型：将电能质量信号分解到任意频率宽度，根据频率宽度分解结果，对广义谐波小波包变换的离散形式中的起始频率和频带带宽进行重置，进而对电能质量信号进行分析，提取特征向量；

(c)改进EEMD/LMD信号分解算法模型：根据电能质量信号情况，选择 EEMD信号分解算法或LMD信号分解算法对电能质量信号进行分解；其中利用 EEMD信号分解算法引入高斯白噪声弥补电能质量信号在不同尺度上的间断性，利用LMD信号分解算法对信号进行平滑处理；

(d)ε机模型：针对电能质量信号序列进行符号化处理，生成符号序列，再采取因果态分割重构法重构ε机，利用重构后的熵率、统计复杂度、状态数和相对熵率有效区分故障线路和非故障线路；

(2)将步骤(1)中各模型提取的特征向量利用基于LZW算法的压缩感知器SRC进行压缩处理；然后采用ε机复杂系统辨识分类器εCSSR和神经网络 ANN分别进行分类；其中，ε机复杂系统辨识分类器εCSSR采用因果态重构算法重构ε机组成，ε机复杂系统辨识分类器εCSSR和神经网络ANN需要进行训练，由不同类型典型的电能质量信号经过步骤(1)处理后，对ε机复杂系统辨识分类器εCSSR和神经网络ANN进行训练；