[发明专利]一种基于时频分析的非线性负荷状态识别方法

权利要求书

1.一种基于时频分析的非线性负荷状态识别方法，其特征在于：包括以下步骤：

步骤1，通过时频特征提取模块对目标时间序列进行截取，并针对所截取的序列进行特征提取，提取的特征包括时域特征和频域特征；

步骤2，基于步骤1提取得到的时域特征和频域特征内的多暂态负荷特征，建立多特征融合的分类学习模型，该学习模型以极限学习机模型为主体，通过融合学习输入的多个特征来完成对负荷的识别；

步骤3，利用公开数据集进行训练和调整：基于所提取的时频特征效果以及负荷识别效果调整滑窗长度，以获取最优的测试效果。

2.根据权利要求1所述的一种基于时频分析的非线性负荷状态识别方法，其特征在于：所述通过时频特征提取模块对目标时间序列进行截取，并针对所截取的序列进行特征提取，提取的特征包括时域特征和频域特征的方法为：

初始定义的滑动窗长为N，依此窗长对用户总量电流信号进行截取，即得到目标电流时间序列：

{i(n)|n＝1,2,...,N-1,N}         (1)

其中，i(n)为所截取的电流时间序列样本各个时间点的瞬时电流值；

对于式(1)给出的电流时间序列，使用频域分析方法离散傅里叶的变体——短时傅里叶来对目标电流信号提取频域特征，本发明所述频域特征，包括频域幅值FA和频域相位FP；

求取频域特征，先将原始电流信号按短时傅里叶变换处理，如式(2)所示：

式中，F(m)为所采集到的用户总口原始电流信号i(n)的频域信号；

基于式(2)可计算频域幅值FA和频域相位FP，如式(3)所示：

式中，ReF(m)和ImF(m)分别为取F(m)的实部和虚部；

对于时域特征的提取，使用希尔伯特-黄变换对所采集到的用户总口原始电流信号i(n)进行处理，以提取时域特征；所述时域特征包括瞬时幅值IA、瞬时相位IP以及瞬时频率IF。

3.根据权利要求2所述的一种基于时频分析的非线性负荷状态识别方法，其特征在于：所述时域特征的提取方法为：

对于总口原始电流信号i(n)的希尔伯特黄变换处理结果HT(i(n))，如式(4)所示：

式中，u为积分算子；

经过式(3)的处理之后，对原始电流信号i(t)进行分析化表征，分析信号形式按式(5)计算：

其中j表示虚数单位；

之后提取瞬时幅值IA和瞬时相位IP两个时域特征，计算公式按式(6)给出：

在获取瞬时幅值IA和瞬时相位IP之后，按照式(7)计算：

式中，表示对获得的瞬时相位IP(t)在时间上求一阶导数，由于IP(t)在形式上属于离散的时间序列，因此求导结果为获得的两个数据点之差。