一种基于图像增强和二维变换的电能质量扰动识别方法

1.本发明涉及电能质量扰动识别技术领域，具体涉及一种基于图像增强和二维变换的电能质量扰动识别方法。


背景技术：

2.随着现代社会的发展，电网将人们的生活紧紧的联系在一起。目前非线性负载在电网中急剧增加，电能质量问题也日益严重，冲击性负载会导致供配电网络中电压发生各种电能质量扰动现象，严重时会造成电压敏感的电力设备运行故障甚至永久性损毁，以至于造成巨大的经济损失和不良影响。因此对电网中出现的各种电能质量扰动事件进行准确分类有着重要的意义。分析识别电能质量扰动现象是开展针对性治理和提高电能质量的前提。
3.其中利用二维离散正交s变换生成电能质量扰动信号的特征，再使用第二代非支配排序遗传算法和k近邻选择特征数最少、识别准确率最高的特征组，实验结果表明该方法对11种电能质量扰动信号有较好的识别准确率。
4.目前现有技术下使用二维时频变换进行电能质量扰动识别的方法里存在幅频特征不明显，对噪声或复合扰动识别准确率低的问题。


技术实现要素：

5.针对现有技术的不足，本发明提供了一种基于图像增强和二维变换的电能质量扰动识别方法，克服了现有技术的不足，设计合理，通过使用图像增强方法提高二维振幅图像的幅频特征，结果特征优化算法以及机器学习分类，对噪声环境下电能质量扰动识别准确率有显著提高，特别在信噪比较低时，优势更加明显，体现出良好的抗噪性。
6.为实现以上目的，本发明通过以下技术方案予以实现：
7.一种基于图像增强和二维变换的电能质量扰动识别方法，包括以下步骤：
8.步骤s1：将一维电能质量扰动信号转化成二维灰度信号；
9.步骤s2：对二维灰度信号使用二维离散正交s变换方法得到二维信号的振幅矩阵；
10.步骤s3：对振幅矩阵运用二维卷积变换和伽马校正进行优化处理；
11.步骤s4：对优化后的振幅矩阵重新分块并提取基于统计、能量和图像的特征；
12.步骤s5：对特征集合使用非支配排序粒子群优化算法方法优化特征相关性，得到最优特征集合；
13.步骤s6：使用支持向量机分类器对各类扰动信号进行分类识别。
14.优选地，所述步骤s1中，依据扰动信号的周期性对其等长截取后分别映射成列向量进行重组，将由1024个数据点组成的一维信号转换成一个32*32的二维图像信号。
15.优选地，所述步骤s3中，二维卷积变换的变换方式为自卷积，卷积类型为valid型，最终的卷积结果与原振幅矩阵的尺寸相同。
16.优选地，所述步骤s4具体包括以下步骤：
17.步骤s41：根据二维卷积优化矩阵的特征，对其进行重新分块；
18.步骤s42：再对新矩阵振幅图像结果，以不同颜色的黑白点表示不同的矩形块区域，新矩阵共分为69块；
19.步骤s43：根据分块情况对各信号矩阵提取基于统计、能量和图像的特征。
20.本发明提供了一种基于图像增强和二维变换的电能质量扰动识别方法。具备以下有益效果：通过使用图像增强方法提高二维振幅图像的幅频特征，结果特征优化算法以及机器学习分类，对噪声环境下电能质量扰动识别准确率有显著提高，特别在信噪比较低时，优势更加明显，体现出良好的抗噪性。
附图说明
21.为了更清楚地说明本发明或现有技术中的技术方案，下面将对现有技术描述中所需要使用的附图作简单地介绍。
22.图1本发明扰动识别方法流程图；
23.图2本发明中二维离散正交s变换的振幅矩阵图；
24.图3本发明中标准正弦信号的一维图像；
25.图4本发明中标准正弦信号的二维图像；
26.图5本发明中标准正弦信号的振幅图像；
27.图6本发明中标准正弦信号的图像增强后振幅图像；
28.图7本发明中重新分块的振幅矩阵图；
29.图8本发明中粒子群优化算法流程图。
具体实施方式
30.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。
31.如图1-8所示，一种基于图像增强和二维变换的电能质量扰动识别方法，包括以下步骤：
32.步骤s1：将一维电能质量扰动信号转化成二维灰度信号；
33.在本步骤中，依据扰动信号的周期性对其等长截取后分别映射成列向量进行重组，将由1024个数据点组成的一维信号转换成一个32*32的二维图像信号。
34.步骤s2：对二维灰度信号使用二维离散正交s变换方法得到二维信号的振幅矩阵；
35.步骤s3：对振幅矩阵运用二维卷积变换和伽马校正进行优化处理；在本步骤中，二维卷积变换的变换方式为自卷积，卷积类型为valid型，最终的卷积结果与原振幅矩阵的尺寸相同。
36.步骤s4：根据二维卷积优化矩阵的特征，对其进行重新分块；再对新矩阵振幅图像结果，以不同颜色的黑白点表示不同的矩形块区域，新矩阵共分为69块；根据分块情况对各信号矩阵提取基于统计、能量和图像的特征；
37.步骤s5：由于分类问题通常在数据集中具有大量特征，但并非所有特征都对分类有用。不相关和冗余的功能甚至可能降低性能。本申请对特征集合使用非支配排序粒子群优化算法方法优化特征相关性，得到最优特征集合；特征选择的目的是选择少量的相关特
征，以获得与使用所有特征相似甚至更好的分类性能。非支配排序粒子群优化算法是参考了非支配排序遗传算法的框架和思想，结合粒子群优化的一种多目标优化算法。与遗传算法相比粒子群优化算法的计算量更小，收敛速度更快。
38.步骤s6：使用支持向量机分类器对各类扰动信号进行分类识别。
39.其中，支持向量机是一个强大的数据挖掘工具，用于数据分类问题。经过特征选择阶段，支持向量机分类器使用具有自动核尺度的线性核和多类一对一的方式进行训练。支持向量机参数设置：支持向量机类型为c-svc，核函数设置类型为线性核，c-svc参数为8。
40.本发明通过使用图像增强方法提高二维振幅图像的幅频特征，结果特征优化算法以及机器学习分类，对噪声环境下电能质量扰动识别准确率有显著提高，特别在信噪比较低时，优势更加明显，体现出良好的抗噪性。
41.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。


技术特征：
1.一种基于图像增强和二维变换的电能质量扰动识别方法，其特征在于：包括以下步骤：步骤s1：将一维电能质量扰动信号转化成二维灰度信号；步骤s2：对二维灰度信号使用二维离散正交s变换方法得到二维信号的振幅矩阵；步骤s3：对振幅矩阵运用二维卷积变换和伽马校正进行优化处理；步骤s4：对优化后的振幅矩阵重新分块并提取基于统计、能量和图像的特征；步骤s5：对特征集合使用非支配排序粒子群优化算法方法优化特征相关性，得到最优特征集合；步骤s6：使用支持向量机分类器对各类扰动信号进行分类识别。2.根据权利要求1所述的一种基于图像增强和二维变换的电能质量扰动识别方法，其特征在于：所述步骤s1中，依据扰动信号的周期性对其等长截取后分别映射成列向量进行重组，将由1024个数据点组成的一维信号转换成一个32*32的二维图像信号。3.根据权利要求1所述的一种基于图像增强和二维变换的电能质量扰动识别方法，其特征在于：所述步骤s3中，二维卷积变换的变换方式为自卷积，卷积类型为valid型，最终的卷积结果与原振幅矩阵的尺寸相同。4.根据权利要求1所述的一种基于图像增强和二维变换的电能质量扰动识别方法，其特征在于：所述步骤s4具体包括以下步骤：步骤s41：根据二维卷积优化矩阵的特征，对其进行重新分块；步骤s42：再对新矩阵振幅图像结果，以不同颜色的黑白点表示不同的矩形块区域，新矩阵共分为69块；步骤s43：根据分块情况对各信号矩阵提取基于统计、能量和图像的特征。

技术总结
一种基于图像增强和二维变换的电能质量扰动识别方法，包括以下步骤：首先将一维的电能质量扰动信号转换成等行列的二维信号，利用二维离散正交S变换方法从二维信号中得到其振幅矩阵，再对振幅矩阵进行二维卷积以及伽马校正优化处理，根据优化后的矩阵图像特征进行重新分块，然后提取其基于统计、能量和图像的特征，再使用非支配排序粒子群优化算法将提取的大量特征降维成少量有用的特征组，最后使用支持向量机进行分类。本发明克服了现有技术的不足，通过使用图像增强算法处理振幅图像，提高了二维振幅图像的幅频特征，相比于现有方法，对低噪声情况下的扰动识别准确率提升明显。对低噪声情况下的扰动识别准确率提升明显。对低噪声情况下的扰动识别准确率提升明显。


技术研发人员：杨猛
受保护的技术使用者：安徽大学
技术研发日：2021.12.30
技术公布日：2022/4/29