[发明专利]电能质量扰动信号分类方法、装置、存储介质和电子设备

说明书

本公开涉及一种电能质量扰动信号分类方法、装置、存储介质和电子设备，所述方法包括：获取目标信号，所述目标信号包括需要进行分类的信号；根据所述目标信号，通过预先训练得到的特征提取模型，获取所述目标信号的特征向量；根据所述特征向量，通过预先训练得到的信号分类模型，确定分类结果，所述信号分类模型包括平滑因子，所述平滑因子通过tSSA确定，这样，可以极大地提高概率神经网络的分类精度，对电能质量扰动信号进行准确有效地分类，对于提高电能质量具有重要意义。

技术领域

本公开涉及信号分类领域，具体地，涉及一种电能质量扰动信号分类方法、装置、存储介质和电子设备。

背景技术

对风力发电机组的电能质量信号进行识别分类是评估风电系统供电质量优劣的重要依据，可以针对不同类型的扰动信号及时采取针对性措施解决电能质量问题，是控制和改善电能供应的基础，具有非常重要的实际意义，为了更准确地对电能质量信号进行分类，在电能质量扰动信号分类系统中建立合适的分类模型尤为重要。

目前电能质量扰动信号的主要分类技术如PNN(Probabilistic NeuralNetworks，概率神经网络)，融合了概率密度函数估计和贝叶斯最小风险准则，能用线性学习算法解决非线性问题，具有很好的鲁棒性、容错性和自适应能力，非常适合电能质量扰动信号分类研究，但是传统的PNN中存在平滑因子难以确定的问题，平滑因子的取值直接影响分类的结果，取值依靠人为经验赋值或有限样本聚类的方法得到，不仅效率低而且很难寻得最优值，导致电能质量扰动信号分类精度不高。

发明内容

为了解决上述问题，本公开的目的是提供一种电能质量扰动信号分类方法、装置、存储介质和电子设备。

第一方面，提供一种电能质量扰动信号分类方法，所述方法包括：获取目标信号，所述目标信号包括需要进行分类的信号；根据所述目标信号，通过预先训练得到的特征提取模型，获取所述目标信号的特征向量；根据所述特征向量，通过预先训练得到的信号分类模型，确定分类结果，所述信号分类模型包括平滑因子，所述平滑因子通过tSSA(SparrowSearch Algorithm based on t-distribution，自适应t分布的麻雀搜索算法)确定。

可选地，所述预先训练得到的信号分类模型，通过以下方式预先训练：获取所述样本特征向量，以及所述样本特征向量对应的信号分类；根据所述样本特征向量和所述样本特征向量对应的信号分类对目标训练模型进行训练，得到信号分类模型。

可选地，所述信号分类模型包括基于tSSA的PNN，所述PNN包括输入层、模式层、求和层和输出层，所述输入层的输出与所述模式层的输入耦合，所述模式层的输出与所述求和层的输入耦合，所述求和层的输出与所述输出层的输入耦合：所述输入层用于接收目标信号特征向量，并将所述目标信号特征向量输出至所述模式层；所述模式层用于针对多个预设信号类别中的每个信号类别，计算所述目标信号特征向量与当前信号类别的多个相似度，并将每个信号类别对应的相似度输出至所述求和层；所述求和层用于计算每个信号类别对应的相似度的和值，并将所述和值输出至所述输出层；所述输出层用于输出所述相似度的和值最大的情况下对应的信号类别，并将所述信号类别作为所述目标信号的分类。

可选地，所述模式层用于计算目标信号特征向量与目标分类的相似度包括：通过所述tSSA确定所述平滑因子；通过所述目标信号特征向量与所述目标分类权向量的标量积，以及所述平滑因子来确定目标信号特征向量与目标分类的相似度。

可选地，所述通过所述tSSA确定所述平滑因子包括：将所述麻雀位置作为平滑因子，以样本特征向量的分类错误率作为tSSA算法的适应度值，通过迭代选出最小适应度值对应的麻雀位置作为平滑因子。