[发明专利]电压暂降源同质集成辨识方法

权利要求书

1.电压暂降源同质集成辨识方法，其特征在于，包括以下步骤：

步骤S1、对电压暂降原始波形进行标幺化处理；

步骤S2、计算标幺化处理后的A、B、C三相电压的波形的暂降幅值，选取暂降幅值最小值所在相为暂降最严重相；

步骤S3、提取暂降最严重相的标幺化后的波形的8维时域统计特征构成数据集，并将数据集分成训练集和验证集；

步骤S4、调整单一基础学习器支持向量机SVM的模型参数；

步骤S5、采用AdaBoost算法对单一基础学习器支持向量机SVM进行集成，采用训练集进行训练，并采用验证集进行验证，获得SVM-AdaBoost电压暂降源集成学习识别模型。

步骤S6、输入实测电压暂降数据到SVM-AdaBoost电压暂降源集成学习识别模型中，由SVM-AdaBoost电压暂降源集成学习识别模型进行识别并输出暂降源标签。

2.根据权利要求1所述的电压暂降源同质集成辨识方法，其特征在于，所述步骤S1的具体步骤为：以正常电压峰值为基准值，将电压波形标幺化处理至[-1,1]区间。

3.根据权利要求1所述的电压暂降源同质集成辨识方法，其特征在于，所述步骤S3的8维时域统计特征分别为：均值F_Mean、方差F_Std、有效值F_Rms、斜度F_Skew、峭度F_Kur、峰值系数F_Crest、波形系数F_Ffa和对数能量F_Le。

4.根据权利要求3所述的电压暂降源同质集成辨识方法，其特征在于，所述步骤S3中的数据集包含8维时域特征向量F₀以及1维暂降源标签，所述8维时域特征向量F₀＝[F_Mean，F_Std，F_Rms，F_Skew，F_Kur，F_Crest，F_Ffa，F_Le]。

5.根据权利要求1所述的电压暂降源同质集成辨识方法，其特征在于，所述步骤S4的模型参数包括核函数t、核函数t的参数系数g、惩罚因子系数c以及交叉验证数v，所述核函数t选取常用的高斯核函数，参数系数g＝1/A，A为电压暂降源识别目标数。

6.根据权利要求5所述的电压暂降源同质集成辨识方法，其特征在于，所述惩罚因子系数c以及交叉验证数v采用控制变量法逐一确定。

7.根据权利要求1所述的电压暂降源同质集成辨识方法，其特征在于，所述步骤S5的具体步骤为：

步骤S51、初始化训练集数据的分布权重D₁(i)，D₁(i)＝1/m，其中m为训练集的样本数；

步骤S52、确定SVM-AdaBoost电压暂降源集成学习识别模型的参数，并进行训练获得弱学习器；

步骤S53、对弱学习器进行预测，获得第k个弱分类器的分类预测结果g_k以及误差e_k，误差e_k的表达式为：D₁(i)为训练数据的分布权重；

步骤S54、根据误差e_k计算序列权重a_k，a_k的表达式为：

步骤S55、调整分布权重，并重复步骤S52-步骤S54直至误差达到预定的阈值，分布权重的调整采用如下表达式实现：其中B_k为归一化因子，x(i)为训练集数据，i＝0,1,2,…,m；y_k为期望输出；

步骤S56、强学习器输出最终结果：对每一个弱学习器的分类预测结果g_k进行加权获得最终结果h(i)，其中K为弱学习器个数；

步骤S57、采用验证集对强学习器进行验证，并获得SVM-AdaBoost电压暂降源集成学习识别模型。