[发明专利]一种基于DBN-ELM的电能质量扰动信号分类方法

说明书

本发明公开一种基于DBN‑ELM的电能质量扰动信号分类方法，属于信号分类技术领域。该方法利用深度信念网络DBN对扰动信号进行特征提取，在搭建DBN时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，再利用极限学习机ELM对提取的特征进行分类，得到电能质量扰动信号的类别。该方法充分利用了深度学习的特点，提高了分类准确率以及抗噪性，使得单一扰动和复合扰动均能得到准确的分类。

技术领域

本发明涉及信号分类技术领域，尤其涉及一种基于DBN-ELM的电能质量扰动信号分类方法。

背景技术

近年来，随着大量新能源发电装置的广泛引用，越来越多的电力电子器件和冲击性负荷接入配电网，产生了各种复杂的电能质量扰动问题。电能质量事件的频发会导致电力设备损坏，影响敏感负荷的正常工作，甚至引发大规模的停电事故。同时，电能质量扰动信号会影响终端用户的用电体验，导致精密仪器设备损坏以及数据丢失，造成工业生产线中断，引起分布式电源和微网的离网等问题。改善和治理电能质量问题，首先需要对电能质量问题进行准确的识别和分类，根据电能质量问题的类别确定治理方案。

电能质量扰动包括单一扰动和复合扰动，复合扰动是由几种单一扰动复合形成的扰动信号。复合扰动信号的形成，使得电能质量扰动问题的分析更加复杂。目前，电能质量扰动分类主要包含两个步骤：(1)提取扰动信号的特征；(2)根据提取的特征进行分类。针对步骤(1)常见的方法有：短时傅里叶变换(STFT)、快速傅里变换(FFT)、S变换、小波变换、希尔伯特黄变换(HHT)等；针对步骤(2)常见的方法有：支持向量机(SVM)、专家系统、人工神经网络(ANN)、决策树等。但传统的分类方法抗噪性差、分类准确率低，对一些复合扰动信号无法准确分类，使得电能质量问题的研究无法继续深入。

发明内容

针对上述现有技术的不足，本发明提供一种基于DBN-ELM的电能质量扰动信号分类方法。

本发明所采取的技术方案是：

一种基于DBN-ELM的电能质量扰动信号分类方法，其过程如图1所示，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，其示意图如图2所示，其中单层RBM模型示意图如图3所示，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，其流程如图4所示；

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：