[发明专利]基于WT与GA-PNN的复合电能质量扰动分类方法

权利要求书

1.基于WT与GA-PNN的复合电能质量扰动分类方法，其特征在于：包括如下步骤：

a、建立电能质量扰动信号；

b、采用小波阈值法对电能质量扰动信号进行预处理，包括：

b1、采用小波变换方法对电能质量扰动信号进行分解，得到各层的小波细节系数；

b2、采用硬阈值函数处理各层的小波细节系数；

b3、将处理后的各层的小波细节系数进行重构，得到处理后的电能质量扰动信号；

c、确定电能质量扰动信号特征向量；

c1、选取处理后的电能质量扰动信号的极大峰值Amax、极小峰值Amin和平均偏差Amean；

c2、采用小波多分辨率分析处理后的电能质量扰动信号，提取特征量；

c3、将极大峰值Amax、极小峰值Amin、平均偏差Amean和提取特征量构成特征向量；

d、将步骤c中构成的特征向量当做测试集输入到GA-PNN分类器中进行训练，以训练完成的GA-PNN分类器完成电能质量扰动信号的识别。

2.根据权利要求1所述的基于WT与GA-PNN的复合电能质量扰动分类方法，其特征在于：步骤a中，电能质量扰动信号x(t)表示为：

x(t)＝f(t)+ε(t)；

式中，f(t)为无噪声的电能质量扰动信号；ε(t)为噪音信号。

3.根据权利要求1所述的基于WT与GA-PNN的复合电能质量扰动分类方法，其特征在于：步骤b1中，小波变换方法具体指：

∫x(t)ψ_j,kd(t)＝∫f(t)ψ_j,kdt+∫ε(t)ψ_j,kdt；

式中，j、k分别为伸缩因子和平移因子；ψ_j,k为小波尺度函数；x(t)为电能质量扰动信号；f(t)为无噪声的电能质量扰动信号；ε(t)为噪音信号；

上式对应的小波系数表达式为：

d_j,k＝u_j,k+e_j,k；

式中，d_j,k为电能质量扰动信号x(t)的各层小波细节系数，u_j,k为无噪声的电能质量扰动信号f(t)的小波变换后各层小波细节系数，e_j,k为噪声信号ε(t)的小波变换后各层小波细节系数。

4.根据权利要求1所述的基于WT与GA-PNN的复合电能质量扰动分类方法，其特征在于：步骤b2中，硬阈值函数为：

式中d′_j,k为阈值处理后各层的小波细节系数；d_j,k为各层的小波细节系数；N为信号采集长度；σ为噪声的标准偏差。

5.根据权利要求1所述的基于WT与GA-PNN的复合电能质量扰动分类方法，其特征在于：步骤c2中，提取特征量为各层能量有用的特征量，表示为：

式中：d_j(n)表示第j层分解系数。

步骤c3中，所述特征向量表示为：

P＝[Amax,Amin,Amean,E_dj]。

6.根据权利要求1所述的基于WT与GA-PNN的复合电能质量扰动分类方法，其特征在于：步骤d中，PNN神经网络由输入层、模式层、求和层、输出层共4层组成，其中PNN神经网络的spread函数通过遗传算法把spread参数设定为种群个体,每个个体采用二进制编码组成，定义个体编码：

S₁，S₂，S₃···S_M；

每个个体进行评价，评价指标为适应度函数，定义适应度函数：

fitness(S)＝accuracy(PNN(S))；

其中S为spread函数参数；

每个个体确定适应度后，根据适应性越强度越有机率被选择遗传到下一代，其选择公式下所示：

每个个体随机搭配，以交叉的概率形式交换它们之间的编码构成新的个体；

每个个体以变异概率形式变异个体上的编码构成新的个体；

通过选择、交叉、变异的形式进行N次迭代，完成spread函数参数的优化。