一种暂态电能质量录波数据的识别分类方法与流程

本发明涉及电能质量分析技术领域，尤其涉及一种暂态电能质量录波数据的识别分类方法。

背景技术：

随着科学技术与国民经济的高速发展，电力系统中光伏和风电等新能源大规模并网，此外，越来越多的大容量非线性负荷在电力系统中广泛应用，如电气化铁路、冶金冶炼等，使得电力系统的电能质量问题日趋严重。为掌握电能质量问题对生产活动造成的影响，在许多非线性负荷的并网处均设置了电能质量监测点用以实现对并网点电能质量的不间断监测。电能质量监测装置除了可以得出稳态的正常工作状态下的稳态电能质量数据外，还能记录异常情况下的暂态电能质量录波数据。准确高效地对电能质量录波数据进行分析、识别与分类，有助于及时发现并解决电力系统问题，保证电力系统安全稳定运行。

目前，对电能质量录波数据的识别与分类主要包括两个步骤，即数据特征的提取和扰动类型的识别。以图1所示的现有技术中的暂态电能质量录波数据的识别分类方法流程示意图，图1中以基于小波变换与基于PSO(Particle Swarm Optimization，粒子群优化算法)的BP(Back Propagation，反向传播)神经网络电能质量录波数据分类方法为例，该方法是通过利用小波变换对录波数据进行多尺度分解，得到各尺度上录波数据的能量特征，并将提取的相应特征输入PSO-BP神经网络，实现录波数据的扰动类型进行分类。

但是，上述基于小波变换与PSO-BP神经网络电能质量录波数据分类方法中，首先采用小波变换提取录波数据特征，再以所提取的录波数据特征直接作为识别模型的输入量，进行神经网络的训练学习。由于小波变换存在频谱泄露、易受噪声影响和变换结果缺乏直观性等问题，而输入量数据复杂且庞大，导致神经网络训练识别难度大、训练速度慢、训练准确性低，最终影响整个方法的识别和分类效果。

技术实现要素：

为克服相关技术中存在的问题，本发明提供一种暂态电能质量录波数据的识别分类方法。

根据本发明实施例提供的一种暂态电能质量录波数据的识别分类方法，包括以下步骤：获取电能质量录波数据，并在数据中筛选训练数据和测试数据；将数据变换成模时频矩阵，并提取模时频矩阵的特征向量；根据特征向量，建立基于BP神经网络的电能质量录波数据的分类器；建立训练样本和测试样本，其中，训练样本由训练数据的训练特征向量和期望训练分类组成，测试样本由测试数据的测试特征向量和期望测试分类组成；将训练样本输入分类器，采用PSO算法优化分类器的BP神经网络，得到基于PSO-BP神经网络的电能质量录波数据的优化分类器；将测试特征向量输入优化分类器，并接收优化分类器输出的测试分类；判断测试分类与期望测试分类是否一致；当测试分类与期望测试分类一致时，输出测试分类。

可选地，暂态电能质量录波数据的识别分类方法，还包括：当测试分类与期望测试分类不一致时，将测试样本作为错误样本；将错误样本并入训练样本、并作为训练样本集中的一个训练样本。

可选地，获取电能质量录波数据，并在数据中筛选训练数据和测试数据，包括：获取实时电能质量录波数据；由实时电能质量录波数据中随机选择训练数据；将实时电能质量录波数据作为测试数据。

可选地，获取实时电能质量录波数据和获取数据库中历史电能质量录波数据；由实时电能质量录波数据和/或历史电能质量录波数据中随机选择训练数据；将实时电能质量录波数据作为测试数据。

可选地，获取电能质量录波数据，并在数据中筛选训练数据和测试数据，包括：基于MATLAB软件仿真生成仿真数据，其中，仿真数据包括电压暂降数据、电压暂升数据、电压中断数据、暂态振荡数据和暂态脉冲数据；获取仿真数据和实时电能质量录波数据；将仿真数据作为训练数据；将实时电能质量录波数据作为测试数据。

可选地，将数据变换成模时频矩阵，并提取特征向量，包括：将数据变换成模时频矩阵，得到初始特征向量；计算初始特征向量的相关系数，对初始特征向量进行筛选，得到特征向量。

可选地，将数据变换成模时频矩阵，并提取特征向量，包括：对数据进行等间隔时间采样，得到离散时间数据；将离散时间数据变换成复时频矩阵；将复时频矩阵中各个元素进行求模运算，得到模时频矩阵；根据模时频矩阵，构建时频特性曲线P，其中，时频特性曲线包括时频等高线P1、时间幅值包络曲线P2、频率幅值包络曲线P3和频率标准差曲线P4；根据时频特性曲线，提取数据特征以构建特征向量F，其中，特征向量F＝[F1，F2，F3，F4，F5，F6，F7，F8]，其中，F1为P1中最高频率等高线幅值的均方差；F2为P1中最高频率等高线幅值的平均值；F3为P2中的平均能量；F4为P2中的幅值因数；F5为八倍基波频率所对应的时间幅值曲线均方差；F6为八倍基波频率所对应的时间幅值曲线极值差；F7为P3的均方差；F8为P4的平方根的平均值。

可选地，采用PSO算法和BP算法优化分类器的BP神经网络，包括：先通过PSO算法对BP神经网络的输入层到隐含层连接权值、隐含层到输出层连接权值、隐含层阈值和输出层阈值进行寻优赋值；再采用BP算法对寻优赋值的输入层到隐含层连接权值、隐含层到输出层连接权值、隐含层阈值和输出层阈值进行训练。

可选地，建立训练样本和测试样本，包括：获取训练数据的训练特征向量，以及，测试数据的测试特征向量；在数据库中筛选与训练数据匹配度最高的数据的分类作为期望训练分类，以及，与测试数据匹配度最高的数据的分类作为测试训练分类；将训练特征向量和期望训练分类组成训练样本，以及，测试特征向量和期望测试分类组成测试样本。

可选地，建立训练样本和测试样本，包括：获取训练数据的训练特征向量；将训练数据对应的仿真数据分类作为期望训练分类；将训练特征向量和期望训练分类组成训练样本；获取测试数据的测试特征向量；在数据库中筛选与测试数据匹配度最高的数据的分类作为测试训练分类；将测试特征向量和期望测试分类组成测试样本。

本发明的实施例提供的技术方案可以包括以下有益效果：

本发明实施例提供的一种暂态电能质量录波数据的识别分类方法，包括以下步骤：获取电能质量录波数据，并在数据中筛选训练数据和测试数据；将数据变换成模时频矩阵，并提取模时频矩阵的特征向量；根据特征向量，建立基于BP神经网络的电能质量录波数据的分类器；建立训练样本和测试样本，其中，训练样本由训练数据的训练特征向量和期望训练分类组成，测试样本由测试数据的测试特征向量和期望测试分类组成；将训练样本输入分类器，采用PSO算法优化分类器的BP神经网络，得到基于PSO-BP神经网络的电能质量录波数据的优化分类器；将测试特征向量输入优化分类器，并接收优化分类器输出的测试分类；判断测试分类与期望测试分类是否一致；当测试分类与期望测试分类一致时，输出测试分类。该方法使用时频可逆的S变换分析方法对录波数据进行特征提取，既具有小波变换多变率分析的能力，又避免短时傅里叶变换窗函数的选择问题，可提前对多种特征用于录波数据扰动识别，具有较强的直观性同时不易受噪声干扰。因此，该暂态电能质量录波数据的识别分类方法具有识别效率高、识别准确率高以及抗干扰能力强的优点。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为现有技术提供的一种暂态电能质量录波数据的识别分类方法的流程示意图；

图2为本发明实施例提供的一种暂态电能质量录波数据的识别分类方法的流程示意图；

图3为本发明实施例一提供的步骤S110的流程示意图；

图4为本发明实施例二提供的步骤S110的流程示意图；

图5为本发明实施例三提供的步骤S110的流程示意图；

图6为本发明实施例一提供的步骤S140的流程示意图；

图7为本发明实施例三提供的步骤S140的流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

本发明的目的在于克服现有技术的不足，提供一种科学合理，识别效率及准确率高，抗干扰能力强的暂态电能质量录波数据的识别分类方法，图2是根据本发明实施例示出的一种暂态电能质量录波数据的识别分类方法的流程示意图，具体地，本发明提供以下实施例对细节进行阐述。

实施例一

本发明提供的暂态电能质量录波数据的识别分类方法，包括以下步骤：

步骤S110，获取电能质量录波数据x(t)，并在数据x(t)中筛选训练数据和测试数据。具体地，如图3所示，步骤S110还包括以下步骤：

步骤S111，实时采集并获取用户侧或系统侧的实时电能质量录波数据，实时电能质量录波数据是不同时刻的电压幅值变化曲线，即为电能质量录波数据x(t)。

步骤S112，在实时电能质量录波数据中随机采样，选择对后续BP神经网络进行训练的训练数据。步骤S113，将实时电能质量录波数据作为测试数据，对用户的电能质量情况进行检测。

步骤S120，将数据变换成模时频矩阵，并提取模时频矩阵的特征向量。具体地，步骤S120的还包括以下步骤：

步骤S121，对电能质量录波数据x(t)进行等间隔时间采样处理，得到离散时间数据x(kT)，其中k＝0,1,2,...,N-1，T为采样间隔，N为采样总数。

步骤S122，将离散时间数据x(kT)进行离散S变换，得到复时频矩阵S：

式中，和S[jT,0]为变换后的复时频矩阵S，复时频矩阵S中的行对应频率、列对应时间，即复时频矩阵S的行为数据x(t)某一时刻的幅值在不同频率的分布，列为数据x(t)某一频率的幅值在不同时刻的分布。

步骤S123，将复时频矩阵S中各个元素进行求模运算，得到模时频矩阵S_TA，模时频矩阵S_TA的行为数据x(t)某一时刻的幅值在不同频率的分布，列为数据x(t)某一频率的幅值在不同时刻的分布。模时频矩阵S_TA引入了宽度和频率成反比变换的高斯窗，具有与频率相关的分辨率，既具有多变率分析的能力，又可避免需要选择窗口类型和宽度以及窗口宽度固定等不足的问题，可以提前多种特征用于数据扰动识别，并且具有较强的直观性及不易受噪声影响。

步骤S124，根据模时频矩阵S_TA，构建时频特性曲线P，其中，时频特性曲线包括时频等高线P1、时间幅值包络曲线P2、频率幅值包络曲线P3和频率标准差曲线P4，各曲线中，时间均使用采样点表示，频率均采用归一化频率表示，f＝n/NT。

步骤S125，根据时频特性曲线，提取数据特征以构建特征向量F，其中，特征向量F＝[F1，F2，F3，F4，F5，F6，F7，F8]，其中，F1为P1中最高频率等高线幅值的均方差；F2为P1中最高频率等高线幅值的平均值；F3为P2中的平均能量式中，x_i为P2中第i个采样点对应的幅值，N为采样点总数；F4为P2中的幅值因数式中，F_N为标准正弦数据的P2中最大值与最小值之和；F5为八倍基波频率所对应的时间幅值曲线均方差；F6为八倍基波频率所对应的时间幅值曲线极值差；F7为P3的均方差；F8为P4的平方根的平均值。

为提高后期分类器的识别效率及准确率，步骤S120还包括以下步骤：

步骤S126，按照步骤S121至S125，将数据变换成模时频矩阵，得到8个初始特征向量。

步骤S127，计算初始特征向量的相关系数，对初始特征向量进行筛选，得到特征向量。通过计算8个初始特征向量的spearman相关系数(积矩相关系数)，筛选出与扰动数据特征相关性较大的特征向量组合，形成特征向量F_best，作为后期分类识别器的输入信息。spearman相关系数计算公式如下：

式中，d为分别对特征X_i和数据Y取秩之后每对观测值(x_i,y)的秩之差，n为观测对的个数。

步骤S130，根据特征向量，以特征向量作为输入向量，以分类结果作为输出向量，建立基于BP神经网络的电能质量录波数据的分类器。具体地，S130包括以下步骤：

步骤S131，确定输入层节点数n、隐含层节点数l、输出层节点数h。在本发明中，n的取值为特征向量F或F_best的维数，为提高分类器的分类准确性及分类效率，n的取值优选F_best的维数；h的取值为数据的类别数目，包括五种常见的扰动数据(电压暂降数据、电压暂升数据、电压中断数据、暂态振荡数据和暂态脉冲数据)；l的取值满足l＝log₂h。

步骤S132，选取隐含层和输出层的传递函数。

步骤S140，建立基于BP神经网络的电能质量扰动的分类器的训练样本和测试样本，其中，训练样本由训练数据的训练特征向量和期望训练分类组成，测试样本由测试数据的测试特征向量和期望测试分类组成。具体地，如图6所示，步骤S140包括以下步骤：

步骤S141，获取训练数据的训练特征向量，以及，测试数据的测试特征向量。

步骤S142，利用数据库中所存储的历史数据及对应的历史分类结果，在数据库中筛选与训练数据匹配度最高的数据的分类作为期望训练分类，以及，与测试数据匹配度最高的数据的分类作为测试训练分类，具体匹配过程可采用波形匹配或矩阵元素匹配。

步骤S143，将训练特征向量和期望训练分类组成训练样本，以及，测试特征向量和期望测试分类组成测试样本。

步骤S150，将训练样本输入分类器，采用PSO算法优化分类器的BP神经网络，得到基于PSO-BP神经网络的电能质量录波数据的优化分类器，具体地，步骤S150还包括以下步骤：

步骤S151，通过PSO算法对所述BP神经网络的输入层到隐含层连接权值、隐含层到输出层连接权值、隐含层阈值和输出层阈值进行寻优赋值。

步骤S152，采用BP算法对寻优赋值的输入层到隐含层连接权值、隐含层到输出层连接权值、隐含层阈值和输出层阈值进行训练。在通过PSO对识别分类模型中的连接权值和阈值进行初步寻优赋值之后，采用BP算法根据这些连接权值和阈值进一步寻优，从而得到识别分类模型中连接权值和阈值的最优值。

步骤S160，将测试特征向量输入优化分类器，并接收优化分类器输出的测试分类。

步骤S170，为进一步提高分类器的准确性，利用步骤S140中通过数据库得到的期望测试分类，判断测试分类与期望测试分类是否一致。

步骤S180，当测试分类与期望测试分类一致时，达到测试所要求的准确性标准，输出测试分类。根据输出测试分类的数量，对分类器的分类性能进行评测，例如，输入的测试数据的数量为100个，能够准确识别并输出的测试分类为98个，这时分类器的分类准确性可记录为98％。

步骤S190，当测试分类与期望测试分类不一致时，则进行以下步骤：

步骤S191，当测试分类与期望测试分类不一致时，将此次的测试样本作为错误样本。错误样本可以认为是不符合数据库历史数据特征的测试样本。

步骤S192，分类器之所以无法得到与数据库中历史数据特征相匹配的测试分类结果，是因为缺乏对错误样本这种类型的数据特征的分类能力，因此为了提高分类器的准确性，将错误样本并入训练样本、并作为训练样本集中的一个训练样本。

实施例二

步骤S110除实施例一所提供的实施方式外，如图4所示，还可以具体包括以下步骤：

步骤S114，实时采集并获取用户侧或系统侧的电能质量的实时电能质量录波数据，同时还可以采集数据库中所储存的历史电能质量录波数据，实时电能质量录波数据和历史电能质量录波数据均是不同时刻的幅值变化曲线，均为电能质量录波数据。

步骤S115，在实时电能质量录波数据中随机采样，选择对后续BP神经网络进行训练的训练数据；或在实时电能质量录波数据和历史电能质量录波数据中随机采样，选择对后续BP神经网络进行训练的训练数据；或在历史电能质量录波数据中随机采样，选择对后续BP神经网络进行训练的训练数据。

步骤S116，将实时电能质量录波数据作为测试数据，对用户的电能质量情况进行检测。

实施例三

步骤S110除实施例一和实施例二所提供的实施方式外，如图5所示，还可以具体包括以下步骤：

步骤S117，基于MATLAB软件仿真生成仿真数据，其中，所述仿真数据包括电压暂降数据、电压暂升数据、电压中断数据、暂态振荡数据和暂态脉冲数据。具体地，电能质量的仿真数据的表达式如表1所示。

表1电能质量的仿真数据的表达式

步骤S118，获取仿真数据和实时电能质量录波数据。

步骤S119，将仿真数据作为训练数据，将实时电能质量录波数据作为测试数据。

此时，由于仿真数据的类型为已知，所以无需通过数据库历史数据特征对仿真数据类型进行判断分类，因此，如图7所示，步骤S140具体包括以下步骤：

步骤S144，获取训练数据的训练特征向量。

步骤S145，将训练数据对应的仿真数据分类作为期望训练分类。

步骤S146，将训练特征向量和期望训练分类组成训练样本。

步骤S147，获取测试数据的测试特征向量。

步骤S148，在数据库中筛选与测试数据匹配度最高的数据的分类作为测试训练分类。

步骤S149，将测试特征向量和期望测试分类组成测试样本。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于实施例二和实施例三而言，由于其基本相似于实施例一，所以描述的比较简单，相关之处参见方法实施例中的说明即可。以上所述的本发明实施方式并不构成对本发明保护范围的限定。

本发明实施例提供的暂态电能质量录波数据的识别分类方法使用时频可逆的S变换分析方法对电能质量录波数据进行特征提取，既具有小波变换多变率分析的能力，又避免短时傅里叶变换窗函数的选择问题，可提前对多种特征用于录波数据扰动识别，具有较强的直观性同时不易受噪声干扰。因此，该暂态电能质量录波数据的识别分类方法具有识别效率高、识别准确率高以及抗干扰能力强的优点。

本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。