一种src框架下判别字典学习的电能质量扰动识别方法
【技术领域】
[0001]本发明属于电力系统电能质量分析技术研究领域，具体设及一种SRC(sparse representationbasedclassification)框架下判别字典学习的电能质量扰动识别方法。
【背景技术】
[0002] 随着工业领域向非线性、网络集成化、大规模等方向发展，系统中整流设备、变频 调速设备等非线性电力电子装置的不断增多W及多电网供电，电能质量污染问题日益严 重，电能质量问题受到了社会各界的广泛关注。深入研究影响电能质量的各种因素，对电能 质量扰动的准确识别，是电能质量问题分析与评估、合理制定电能质量控制策略、改善电能 质量和保障电网安全经济运行的前提和基础。
[0003]近年来国内外大量学者对电能质量扰动识别问题进行了研究。传统的识别方法， 遵循先扰动信号特征提取、后输入分类器模式识别的一般研究规律。即先采用傅里叶变换、 短时傅里叶变换、小波变换、S变换等数字信号处理工具对电能质量扰动进行检测和特征提 取，然后采用专家系统、人工神经网络、支持向量机等人工智能方法对电能质量扰动进行分 类识别。傅里叶变换和短时傅里叶变换是最常使用的检测方法，适用于非平稳扰动信号分 析，但是对电压振荡和电压脉冲等突变扰动的识别效果不佳。小波变换大多是利用多分辨 分析的特性，在高频扰动检测方面很有优势，但是对于低频扰动不能很好的检测定位，同时 由于各频带之间存在交叉现象，造成小波基的选取困难，影响了检测精度。S变换作为短时 傅里叶变换和小波变换的发展，分辨率更高，抗噪性更强，但是目前无法从根本上解决S变 换计算量大的缺陷。在扰动分类识别方面，基于专家系统的方法的缺点是不具备学习能力、 容错能力差，而且随着电能质量扰动种类的增加，易产生组合爆炸问题；人工神经网络虽然 结构简单，具有并行处理能力，对扰动识别有较好的效果，但是它自身结构难W确定存在比 较大的缺陷，例如算法存在局部最优问题、算法存在过拟合和欠拟合问题、收敛性较差、训 练时间较长、可靠性有限等。支持向量机能有效地解决小样本、非线性及高维的模式识别问 题，然而需要估计惩罚因子，确定参数，并且随着样本数的增加分类能力下降，需要多个二 分类器组合构建多分类模型的分类任务复杂，不利于智能电网下电能质量大数据的在线诊 断识别。
[0004]W上电能质量扰动识别方法都具有各自的特点和应用局限性，但其共性是均建立 在传统信号处理香农采样定理的基础上。文献[Robust化cereco即itionviasparse representation.IEEETrans,onPatternAnalysisandMachineIntelligence，2009， 31(2) ;210-227.]将稀疏表示的方法引入到人脸识别中，提出了 SRC的人脸识别方法。但 是该文献中的训练字典直接用训练所用的全部图像构成，导致求解一幅图的稀疏表示时比 较耗时，并且求解过程只是基于li-范数的最小优化问题，没有设及基于1。的非线性非凸优 化问题。文献[随机降维映射稀疏表示的电能质量扰动多分类研究.仪器仪表学报，2011， 32(6) ;1371-1376.]将压缩感知理论引入到电能质量扰动模式识别领域，压缩感知理论表 明，如果原信号在某个变换基上具有稀疏性，那么采样频率可W大大降低，并且在满足一定 条件的基础上可w精确重构原始信号。但是该文献并没有根据电能质量信号的特征采用 特征降维，稀疏基字典也没有适用性的优化更新并建立判别字典；同时，重构算法也是基于 ll-范数的凸优化算法，并未设及基于1。的非线性非凸优化问题。因此采用本发明的算法， 若待检测的原始信号经过数据降维特征提取，再采用由训练样本产生具有普适性的判别字 典作为稀疏基获得稀疏表示矩阵，然后根据稀疏表示矩阵重构信号与原信号的冗余误差来 识别原始信该样就能大大降低信号识别过程的复杂度并提高识别结果的精确度。传统的采 样方法W及识别过程带来了大量的资源浪费，所W寻找新的识别方法，利用判别字典直接 从压缩采样信号的稀疏表示矩阵，对比不同冗余子字典的冗余误差，完成对电能质量扰动 的识别具有重要的理论和实用意义。
【发明内容】
[0005] 本发明的目的在于提出一种SRC框架下判别字典学习的电能质量扰动识别方法， 它可W将信号的采集、压缩、检测与识别融为一体，能够实现对各类电能质量扰动信号准确 全面的识别。该方法基于压缩感知稀疏表示与重构思想，在每次迭代中对冗余子字典及稀 疏表示矩阵进行优化，直接利用判别字典直接从压缩采样信号的稀疏表示矩阵，对比利用 不同冗余子字典重构的信号与原信号的冗余误差，完成对电能质量扰动的识别，无需二分 类器实现多分类器。
[0006] 本发明采用的技术方案是包括如下步骤：
[0007] 步骤1，建立多类别电能质量扰动信号模型，总类别数记为K，生成K类电能质量扰 动目标训练样本集，对所有训练样本降维特征提取；
[0008] 步骤2,分别构建K类电能质量扰动信号训练样本的冗余子字典，对第i类训练样 本构建冗余子字典进行初始化和优化，将各类冗余子字典级联成判别字典；
[0009] 步骤3,输入扰动测试信号，然后降维特征提取，获取扰动测试信号在判别字典下 的稀疏表示矩阵3;
[0010] 步骤4,利用K类电能质量扰动信号训练样本的冗余子字典依次重构K个降维测试 样本信号，分别计算与原降维测试样本信号的冗余误差，由冗余误差确定目标归属类。
[0011] 进一步，所述步骤1中，电能质量扰动信号模型的第i类电能质量扰动目标训练 样本集为Ei(i = l，2，…，K)，则记K类电能质量扰动目标训练样本集为；E=圧i，E2，…， Ek] GRmxw，训练样本集分别指代电压暂升、电压正常、电压暂降、电压中断、电压振荡、电压 谐波、电压尖峰、电压缺口的各类电能质量扰动的样本集，利用主成分分析法降维提取特征 向量￥=化，￥2，...，￥&]￡1^"，其中1<1。
[0012] 进一步，所述步骤2中，对第i类训练样本构建冗余子字典进行初始化步骤如下：
[0013] 步骤2. 1，采用特征向量Yi初始化冗余子字典，初始化Di的每一列Dy，为了后面数 据处理的方便保证程序运行时快速收敛，对其进行归一化处理I|Du||2= 1，其中1，j = 1， 2，…，k;
[0014] 步骤2. 2,初始化冗余子字典的优化的问题是目标函数；^叫=3巧咒(Ih-的^戦；挪=1' 其中Ai为降维特征训练样本Yi在冗余子字典Di上的稀疏表示矩阵，入为正则化参数用于平衡信 号重构误差和稀疏程度，采用A =1 ;
[0015] 步骤2. 3,初始化迭代次数初值为t = 1，根据初始化冗余子字典的维数特征，选定 总迭代次数m = 20,迭代容忍误差J,= 0. 01。
[0016] 进一步，所述步骤2中，对第i类训练样本构建冗余子字典进行优化步骤如下：
[0017] 步骤S1，首先固定第i类训练样本的冗余子字典町，求解对应的稀疏表示矩阵Ai， 目标函数简化为：
求解过程是稀疏分解的最优原子捜索 算法中的正交匹配追踪（0M巧算法；
[0018] 步骤S2,然后固定第i类训练样本的稀疏表示矩阵Ai，优化其冗余子字典町，采用 字典逐列更新，假设Ai和D i都是固定的，要更新子字典的第k列D ik，将Ai中与D ik相乘的 第k行记作4^目标函数更新为：
[0019]
[0020] 求解过程采用的是最小二乘法；
[0021] 步骤S3,利用拉格朗日函数求极值及初始化第i类训练样本的冗余子字典町的 每一列Du的归一化条件A =1，得；
使用该方法优化所有的子字典基向量 D。。
[0022] 进一步，所述步骤3中，利用正交匹配追踪算法获取扰动信号X的稀疏表示矩阵 2。
[0023] 进一步，所述步骤4中，根据冗余误差最小值，确定测试样本目标归属类：
[0024] 本发明的有益效果是：
[00巧]本发明首次提出一种SRC框架下判别字典学习的电能质量扰动识别方法，首先对 K类电能质量扰动训练样本集进行降维特征提取，然后利用压缩感知反复迭代分别构建K 类电能质量扰动信号的冗余子字典，并将各类冗余子字典级联成判别字典。采用主成分分 析降维提取特征值，能把原始信号映射到一个能充分保持信息的低维空间中。该方法的核 屯、通过建立不同类型的扰动测试信号的冗余子字典，最终获得与多分类扰动训练样本之间 的通用判别字典。利用稀疏表示矩阵解中蕴含的分类信息，重构信号求得最小冗余误差，实 现扰动测试样本的识别。相比与传统的电能质量扰动识别的方法，本发明的优点是将信号 的采集、压缩、检测与识别融为一体，降维特征提取无需依赖于扰动特征类型，简单方便、节 约空间、提高效率。并且将机器学习分类模型简化成稀疏线性表示无需二分类器实现多分 类器，实现对各类电能质量扰动信号准确全面的识别，具有很高的应用价值。
【附图说明】
[0026] 图1是SRC框架下判别字典学习的电能质量扰动识别方法的流程图；
[0027] 图2是训练判别字典方法的具体流程图；
[002引图3是采用本发明的8类电能质量扰动信号的训练样本集的MATLAB仿真图；
[0029] 图4是采用本发明训练判别字典的训练曲线图，图中示出了电压缺口过程中的训 练曲线；
[0030] 图5是采用本发明的电能质量扰动识别结果图，图中示出了 8类*1个电能质量扰 动识别结果；
[0031] 图6是采用本发明的电能质量扰动识别结果图，图中示出了 8类*10个电能质量 扰动识别结果。
【具体实施方式】
[0032] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述。
[0033] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0034] 下面参考图1描述根据本发明实施例的方法。
[003引步骤（1);建立多类别电能质量扰动信号模型（总类别数记为K)，生成K类电能质 量扰动目标训练样本集，对所有训练样本降维特征提取。所述K类样本集；E=圧i，E2,…， EJ GRmxw，采用主成分分析（PCA)方法降维提取特征向量Y = [Yi，Y,，…，Yk] G RWXW