[发明专利]基于PSO优化宽度学习的电压暂降多重扰动源辨识方法

权利要求书

1.一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，包括以下步骤：

S1.获取k个电压暂降扰动源的数据，并对k个所述电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征；

S2.构建PSO优化宽度学习模型，并采用所述PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到BLS网络层级之间神经元组的权重集合；

S3.从各个电压暂降扰动源的所述基准特征提取数据作为测试集和训练集，采用PSO-BLS网络对所述训练集的基准特征和所述权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据，并对所述组合数据进行伪逆求解，得到权值数据；

S4.通过步骤S2和步骤S3对所述测试集的基准特征进行处理，得到测试组合数据和测试权值数据，并输出扰动源类别的识别结果。

2.根据权利要求1所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，获取k个电压暂降扰动源的数据，并对k个所述电压暂降扰动源的数据进行处理，得到各个电压暂降扰动源的基准特征的步骤包括：

从电力系统中获取引起电压暂降的k个电压暂降扰动源的数据组成的电压数据库；

从所述电压数据库中获取每个所述电压暂降扰动源的2n×b个电压矩阵数，并绘制每个所述电压暂降扰动源的2n条电压曲线；

采用MATLAB对每个所述电压暂降扰动源的2n条电压曲线进行拟合处理，得到一条与所述电压暂降扰动源对应的特征曲线；

从所述特征曲线中提取1×b个电压向量数据作为对应所述电压暂降扰动源的基准特征；

所述电压数据库包括三相短路、两相接地短路、单相接地短路、两相相间短路、大型感应电动机启动、大型变压器投切电压暂降扰动源的数据，每个所述电压暂降扰动源的数据包括4n×b个电压矩阵数据，n为扰动源出现的次数，b为采样点数。

3.根据权利要求2所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，包括：对所述电压数据库中的对每个电压暂降扰动源数据建立标签。

4.根据权利要求2所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，构建PSO优化宽度学习模型的步骤包括：

S21.采用BLS网络的输入与特征节点之间所有神经元组N的权重和特征节点与增强节点之间所有神经元组M的权重形成一个粒子群个体；

S22.采用适应度函数计算所述粒子群个体的适应度值；

S23.对所述粒子群个体采用步骤S21和步骤S22反复迭代，至少迭代的次数达到迭代阈值，输出该粒子群个体的最优权重集。

5.根据权利要求4所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，采用所述PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析，得到与BLS网络层级之间神经元组对应的权重包括：1个神经元组作为一个粒子群个体，采用PSO优化宽度学习模型对每个电压暂降扰动源的1×b个基准特征进行处理，得到BLS网络层级之间神经元组的权重集合。

6.根据权利要求1所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法，其特征在于，采用PSO-BLS网络对所述训练集的基准特征和所述权重集合进行两次特征提取训练，得到由特征节点和增强节点形成的组合数据的步骤包括：

对所述训练集的基准特征采用增广矩阵和归一出处理，得到归一化后处理后的特征数据；

基于BLS网络的输入与特征节点之间所有神经元组N，将所述特征数据与BLS网络的神经元进行特征映射，得到第一次特征提取的N组含有神经元的特征节点V；

基于BLS网络的特征节点与增强节点之间所有神经元组M，对N组含有神经元的特征节点进行二次卷积和偏置处理，得到第二次特征提取的M组含有神经元的增强节点W；

通过特征节点V与增强节点W矩阵合并，得到组合数据。