[发明专利]一种基于DBN-ELM的电能质量扰动信号分类方法

权利要求书

1.一种基于DBN-ELM的电能质量扰动信号分类方法，其特征在于，包括如下步骤：

步骤1：对不同类型的电能质量扰动信号分别进行采样并做好类别标签；

步骤1-1：共采样h种扰动信号，其中包含a种单一扰动信号，b种复合扰动信号，每种信号共生成K个样本；

步骤1-2：分别对采样得到的h*K个扰动信号样本增加类别标签为S1,S2,…,Sh；

步骤2：采用min-max方法对采样信号归一化处理，划分出训练样本集和测试样本集；

步骤3：搭建DBN神经网络，利用改进的量子粒子群算法对DBN网络中的每个RBM的学习速率进行寻优；

步骤3-1：计算粒子历史最佳位置的平均值；

其中，n代表种群的大小，p_best-j代表迭代过程中第j个粒子的最优位置；

步骤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个粒子的位置更新，η为(0，1)上的均匀分布数值，g_best代表当前迭代过程中的全局最优粒子；

粒子位置更新的公式如下式所示：

其中，x_j(t+1)表示第j个粒子第t+1次迭代时的位置，x_j(t)表示第j个粒子第t次迭代时的位置，u为(0，1)上的均匀分布数值，β为革新迭代因子，设置β≤1，式中取+和-的概率均为0.5；

步骤3-3：根据迭代次数来设置革新迭代因子β；

其中，t为粒子当前所处的迭代次数，T为设定的迭代总次数；

步骤3-4：利用改进的QPSO算法对每个RBM的学习速率进行寻优，找到一个最优的学习速率，从而提高DBN的训练速度；

步骤4：利用训练样本集对改进后的DBN神经网络进行训练，提取出电能扰动信号的特征；

步骤5：采用ELM分类器对提取出的特征进行分类训练；

步骤6：将测试样本集输入到训练好的DBN神经网络中进行特征提取；

步骤7：将提取出的特征输入到训练好的ELM分类器中进行分类，得到扰动信号类型。

2.根据权利要求1所述的一种基于DBN-ELM的电能质量扰动信号分类方法，其特征在于所述步骤5中，采用ELM分类器对提取出的特征进行分类训练的过程如下：

步骤5-1：选择无限可微的Sigmoid函数作为隐含层的激活函数；

步骤5-2：随机设定输入层和隐含层之间的权值和偏置；

步骤5-3：对比不同隐含层节点数下的分类准确率，选择准确率最高的节点数n，但节点数也不宜过多，过多的节点数会导致网络的计算量偏大，训练速度变慢；

步骤5-4：根据确定的隐含层节点数，得到隐含层输出矩阵；

其中，g()为隐含层激活函数，Q为DBN提取的特征信息，w_i为输入层和隐含层的权值，b_i为输入层和隐含层的偏置，m为DBN特征提取后样本的信息量，n为ELM隐含层节点的个数；

步骤5-5：求出隐含层输出矩阵的逆矩阵，计算得到输出层权值；

ELM模型的输出如下式所示：

F＝Pα

其中，α为隐含层和输出层的连接权值；

根据上式计算隐含层和输出层的连接权值：

α＝P^-1F

其中，P^-1为P的逆；

步骤5-6：执行步骤5-1至步骤5-6训练一批ELM，从中挑选出三个最优的进行组合，用于后续对电能质量扰动信号的分类；

步骤5-7：将提取出来的特征输入到组合分类器中的每个ELM中，每个ELM都能得到一个相应的输出；

步骤5-8：基于投票法的理论，利用所有的输出对输入的特征做出相应的分类判断。