本发明属于电能质量研究技术领域，涉及一种单一电能质量扰动分类研究方法，具体地说，涉及一种基于熵和bp神经网络的单一电能质量扰动分类研究方法。
背景技术：
太阳能、风能、生物能等可再生能源大量投入给电能质量带来了许多负面影响，而精密仪器仪表及其装置大量使用并对电能质量又非常敏感，使得电能质量成为了人们关注的新焦点，提高供电电能质量迫在眉睫。因此，如何有效地、正确地识别电能质量扰动信号就成为了电能质量整治的关键，是评价和改善电能质量的重要一环。
用于电能质量扰动信号识别的技术很多，识别机有人工神经网络、决策树等，特征方面有采用s变换、小波变换、hht等方法，各种方法在电能质量识别方面都取得了较好地效果。
技术实现要素：
本发明的目的在于，提出了一种单一电能质量扰动分类研究方法，将尝试运用香农熵和kolmogorov熵结合人工神经网络来对电能质量扰动信号进行识别分析。
其技术方案如下：
一种单一电能质量扰动分类研究方法，包括以下步骤：
步骤1熵特征参数提取
(1)香农熵
其中，pi表示某一时刻系统第i个事件的概率。
(2)kolmogorov熵
对于n维相空间的动力系统，将它的相空间划分为边长为r的n维立方体单元，分别为{b1，b2，l，bn}。设p{i0，i1，l，id}表示第i条轨道xi(t)落在第i个立方体单元中的概率，则kolmogorov熵定义为信息的平均损失率：
k熵用于系统混乱程度的度量，k熵越大，系统越复杂。
步骤2识别机：人工神经网络
多层前馈神经网络又称为bp神经网络，它由输入层，隐含层和输出层组成；
2.1多层前馈网络的误差反向传播算法ebp
该算法主要分为两个基本过程，即模式从输入层通过隐含层逐层向输出层传播，误差从输出层经隐含层逐层向后传播。
2.2误差反向传播学习算法。
进一步，多层前馈网络的误差反向传播算法的步骤具体为：
(1)输出层计算
权值调整量计算：
第k个输入模式，网络的输出误差的均方值ek定义为
按梯度下降原则应使权值调整量
其中，t＝1，2，...，q，j＝1，2，...，p。
阈值调整量计算：
(2)中间层到输入层计算
权值调整量计算：
阈值调整量计算：
进一步，误差反向传播学习算法的步骤具体为：
(1)初始化网络及学习参数，如设置网络初始权矩阵，学习因子等；
(2)提供训练数据集，即训练模式对
(3)前向传播过程，对给定模式训练对输入，计算网络的实际输出及各隐含层单元的输出；
(4)后向传播过程，计算误差对各层权值即各单元阈值的调整量；
(5)修正连接权值{vjt}、{wij}和输出层及隐含层各单元的阈值；
(6)随机选取下一个模式训练对给网络，返回步骤(3)，直至m个模式全部训练完毕；
(7)判断误差是否满足要求，若满足则转至步骤(8)，否则转至步骤(3)；
(8)训练结束。
本发明的有益效果为：
本发明仿真分析结果说明：运用人工神经网络作为识别机结合熵特征参数的识别系统对于电能质量扰动信号的识别具有较好地效果。
附图说明
图1三层神经网络的拓扑结构；
图2单一电能扰动的香农熵分布图；
图3单一扰动信号的k熵分布图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细地说明。
1熵特征参数提取
(1)香农熵
熵的概念是在1850年由鲁道夫·克劳修斯提出，1948年由克劳德·艾尔伍德·香农第一次将熵的概念应用于信息论中，称为信息熵，或香农熵。
其中，pi表示某一时刻系统第i个事件的概率。
(2)kolmogorov熵(k熵)
kolmogorov熵是香农熵的精确化，它是系统运动混乱程度的度量。
对于n维相空间的动力系统，可以将它的相空间划分为边长为r的n维立方体单元，分别为{b1，b2，l，bn}。设p{i0，i1，l，id}表示第i条轨道xi(t)落在第i个立方体单元中的概率，则kolmogorov熵定义为信息的平均损失率：
k熵可以用于系统混乱程度的度量，k熵越大，系统越复杂。
2人工神经网络概述
多层前馈神经网络又称为bp(backpropagation)神经网络，它由输入层，隐含层和输出层组成，图中是一个三层前馈神经网络的拓扑结构。
2.1多层前馈网络的误差反向传播算法(ebp)
多层前馈网络的误差反向传播算法(ebp)最早是由werbos在1974年提出的，1986年rumelhart和mcclelland发展了多层网络的“递推”(或称“反转”)学习算法。该算法主要分为两个基本过程，即模式从输入层通过隐含层逐层向输出层传播，误差从输出层经隐含层逐层向后传播。
(1)输出层计算
权值调整量计算：
第k个输入模式，网络的输出误差的均方值ek定义为
按梯度下降原则应使权值调整量
其中，t＝1，2，...，q，j＝1，2，...，p。
阈值调整量计算：
(2)中间层到输入层计算
权值调整量计算：
阈值调整量计算：
2.2误差反向传播学习算法(ebp)的步骤
(1)初始化网络及学习参数，如设置网络初始权矩阵，学习因子等；
(2)提供训练数据集，即训练模式对
(3)前向传播过程，对给定模式训练对输入，计算网络的实际输出及各隐含层单元的输出；
(4)后向传播过程，计算误差对各层权值即各单元阈值的调整量；
(5)修正连接权值{vjt}{wij}和输出层及隐含层各单元的阈值；
(6)随机选取下一个模式训练对给网络，返回步骤(3)，直至m个模式全部训练完毕；
(7)判断误差是否满足要求，若满足则转至步骤(8)，否则转至步骤(3)；
(8)训练结束。
3实验结果及分析
3.1数据准备
本发明实验采用多层前馈神经网络(ebp)作为识别模型，按照ieee规定的电能扰动信号模型及参数要求，用matlab7.04分别随机产生暂降、中断、谐波、振荡、切痕、尖峰、暂升、闪动等8种单一扰动(编号1-8)。每类扰动随机产生200个样本，其中100个作为训练样本，另外100个作为测试样本，信号基频为50hz，采样频率2khz，取400采样点(0.2s，10个周期即每个周期采样40点)。
反向传播神经网络(ebp)为3层网络，输入层有16个节点，输出层含有8个神经元，隐含层神经元的个数为33。
3.2实验结果分析
(1)特征分布
从图2可以看出：除信号1(暂降)和2(中断)，4(振荡)和6(尖峰)的香农熵分布较为相近以外，其他扰动的区分度还是较明显的。说明香农熵对8种单一扰动信号的是具有一定的识别能力的。
对于单一扰动的k熵分布图3可以看到，各扰动的区分比较明显，有较为明显的分界限；说明k熵用于电能扰动的识别非常有益，它基本能较好的把8种单一扰动较好地区分开来。
(2)实验结果及分析
表1各特征参数的识别率
从实验结果来看，香农熵除了对中断、振荡、切痕、闪动等几类信号的识别率稍差，其他信号的识别基本都在80％以上；而k熵要比香农熵的识别率总体都有所提高，说明k熵对于扰动信号是具有一定的区分度的，对于测试集识别率的情况也再次论证了前面对特征参数的分析。最后将香农熵和k熵结合起来作为特征向量，识别率都有较大的提高，特别是对于振荡信号识别率提高到了85％。
以上所述，仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。