[发明专利]基于分段改进S变换和随机森林的复合电能质量扰动识别方法

说明书

基于分段改进S变换和随机森林的复合电能质量扰动识别方法，首先，基于扰动信号特征对改进S变换频域进行分段，并在每一段指定不同的窗宽调节因子值；然后，根据不同频段的频率分布特点提取扰动信号特征，再利用提取的扰动信号特征，构建基于CART算法的RF分类器，对待测信号进行分类。本发明一种基于分段改进S变换和随机森林的复合电能质量扰动识别方法，该方法对多数单一电能质量扰动信号和常见的双重复合电能质量扰动信号分类精度更高，噪声鲁棒性更好，所构建的分类器泛化误差更低。

技术领域

本发明涉及电能质量分析领域，具体是一种基于分段改进S变换和随机森林的复合电能质量扰动识别方法。

背景技术

S变换是一种广泛用于电能质量扰动(power quality disturbance，PQD)信号检测与分类的时频分析工具。它继承和发展了小波变换和短时傅里叶变换的理论，采用高斯窗函数且窗宽与频率的倒数成正比，免去了窗函数的选择和改善了窗宽固定的缺陷，且其提取的特征量对噪声不敏感，具有一定的抗噪能力。近年来众多学者纷纷采用S变换并结合其他分析工具应用于PQD的分析，产生了大量研究成果。但其不同频域的分辨率相对固定，若需要用于对噪声情况复杂的复合PQD信号进行检测和分类，还需要有针对性的分析和改进。

随机森林(RF)是将bagging集成学习理论与随机子空间方法相结合的一种基于决策树(decision tree，DT)的机器学习算法。其模型包含多个由bagging方法训练得到的DT，当输入待分类样本时，最终的分类结果由所有单个决策树的输出结果投票决定。相比于DT分类器，RF分类器的运算量没有显著增加，但由于在分类器构建的过程中加入了随机抽样，RF算法的过拟合风险被降低。同时，泛化性能增强，分类精度更高，特别是在对高特征维数的样本处理上，其性能优势更为明显。生成RF时，子DT不进行剪枝而是任其生长，而充分利用S变换时倾向于使用较多的特征量，同时考虑到使用了随机子空间方法来生成子D，那么对子DT来说必然存在特征冗余，影响分类计算速度和分类精度。传统的节点分裂算法分类回归树(classification and regression tree，CART)算法缺乏一个清晰的离散特征和连续特征处理逻辑，显而易见的是PQD信号特征集中必然同时存在离散和连续特征，如不加改进直接应用，必然与问题实际情况不符，不能达到理想的分类效果。

发明内容

为解决现有技术中基于S变换和随机森林的方法用于复合电能质量扰动识别时，分类精度不够高，噪声鲁棒性不够强的问题。本发明提供一种基于分段改进S变换和随机森林的复合电能质量扰动识别方法，该方法对多数单一电能质量扰动信号和常见的双重复合电能质量扰动信号分类精度更高，噪声鲁棒性更好，所构建的分类器泛化误差更低。

本发明采取的技术方案为：

基于分段改进S变换和随机森林的复合电能质量扰动识别方法，首先，基于扰动信号特征对改进S变换频域进行分段，并在每一段指定不同的窗宽调节因子值；然后，根据不同频段的频率分布特点提取扰动信号特征，再利用提取的扰动信号特征，构建基于CART算法的RF分类器，对待测信号进行分类。

使用Gini指数下降，替代分类回归树CART算法中的Gini指数，用于随机森林RF分类器的构建，并能在此过程中自动剔除Gini指数下降为0的特征。

Gini指数反映了从数据集S中随机抽取两样本，其类别不一致的概率，因此其值越小，则数据集S的纯度越高。

根据Gini指数的定义，Gini_dec(S)值越大则表明分裂时使用的特征在分类过程中起到的作用越大，反之若某特征的Gini_dec值为0，则表示该特征在节点分裂的分类过程中未起作用，这样的冗余特征若不剔除，则有可能在下次节点分裂时被作为噪声数据用于分类，影响分类精度。