[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

说明书

本发明涉及一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备，该基于PSO优化宽度学习的电压暂降多重扰动源辨识方能够避免数据遗漏和提取与辨识的匹配不佳的问题，采用PSO‑BLS网络进行了特征提取，实现特征提取和辨识一体化，提高辨识效率，同时消除随机权重的不确定影响，有效缩短了辨识时间，辨识方法简单易行，辨识效果更直观，解决了现有对电压暂降的识别方法中的特征提取和源辨识是分离操作，存在提取特征与输入不匹配以及辨识时间长的技术问题。

技术领域

本发明涉及电压暂降技术领域，尤其涉及一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备。

背景技术

电压暂降是指供电电压有效值在短时间内突然下降又回升恢复的现象，目前识别电压暂降一般采用电压暂降多重干扰源的辨识方法，但是电压暂降多重干扰源的辨识方法主要包括两部分：特征提取和源辨识，源辨识与特征提取进行分离操作，一定程度上增加了辨识时间。并且特征提取一般采用傅里叶变换(Fourier transform，FT)、小波变换(Wavelet Transform，WT)、希尔伯特-黄(Hilbert-Huang Transform，HHT)变换、S变换等对数据进行提取，在一定程度能够有效提取扰动源的特征信息，但是难免会忽略一些，由此特征提取的特征存在网络参数随机取值的问题。电压暂降的源辨识主要是基于信号处理，过程较于复杂繁琐，工作量大且耗时。

发明内容

本发明实施例提供了一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备，用于解决现有对电压暂降的识别方法中的特征提取和源辨识是分离操作，存在提取特征与输入不匹配以及辨识时间长的技术问题。

为了实现上述目的，本发明实施例提供如下技术方案：

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，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。

优选地，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。

优选地，该基于PSO优化宽度学习的电压暂降多重扰动源辨识方法包括：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。