印 f(t)]
[0038] 式中，印f(t)]为f(t)的Hi化ert变换，即
[0039] b、经过复小波变换的简单信息为实部WTR、虚部WTI、幅度WTM和相位WTPH，根据运 些简单的信息构造动态扰动信号的复合信息：虚部和相位复合WTIPH、实部和相位复合 WTRPH、幅度和相位复合WTMPH，利于增加复小波变换提取微弱信号的能力。计算提取扰动信 号的复合信息的具体做法如下：
[0042] 然后根据简单信息构造复合信息，表达式如下：
[0043] WTIPH=WTI · WTPH
[0044] WTRPH=WTR · WTPH
[0045] WTMPH=WTM · WTPH
[0046] WTRIPH=WTR · WTI · WTPH
[0047] 由于扰动信号的波形不仅与其幅值特性有关，而且与相频特性有关，所W复小波 分析的效果不仅取决于复小波的幅值特性，同时取决于其相频特性。经复小波变换构造复 合信号，可W对信号的幅频和相频特性综合评价，分析效果更好。
[0048] C、提取扰动信号的特征向量
[0049] 对扰动信号进行多尺度复小波分解后，选取各层上的能量、平均值、标准偏差和扰 动持续时间及步骤b中构造的复合信息构成扰动信号的特征向量T，提取扰动特征向量步骤 的具体做法为：
[0050] 选取各尺度上的能量、平均值、标准偏差和扰动持续时间及步骤b中构造的复合信 息构成扰动信号的特征向量，表示为:T =化W，Kav，Ks，Kt，KWT)
[0051 ]其中，Kw为各尺度上的能量，Kav为各尺度的平均值，Κ劝各尺度的标准偏差，Kt为各 尺度的扰动持续时间，KWT为步骤b中构造的各尺度上的复合信息。
[0化2 ] d、PS0优化参数的SVM分类识别
[0053]首先利用PS0寻优最佳参数的SVM，构造多级聚类SVM分类树，其次将特征向量及特 征向量对应的类别输入该分类树进行训练得到训练样本，然后利用训练样本对测试样本进 行分类，最后得到并输出所求的分类结果。
[0化4] dl、核函数的选取
[0055] 该发明选择R邸核函数，表达式为：
[0056] K(x-Xc) = exp(g I | χ-χ〇 | Ρ)
[0057] 其中Xc为核函数中屯、，g为可调参数，控制函数的径向作用范围。
[0化引 d2、参数选择
[0059]惩罚因子C和g的选取对分类结果具有较大的影响。该发明利用PS0优化SVM参数方 法，得到的最优参数为(c，g) = (8.2645，13.5708)
[0060] 表2 PSO寻优参数结果 「00611
[0062] d3、多级聚类SVM分类树的构造
[0063] 该发明通过构造4个两类SVM子分类器，，运些两类SVM子分类器形成一个树状结 构，采用多级聚类SVM算法实现多五种动态信号进行分类，能很大程度降低样本错分的可能 性，提高分类的准确率并减少计算时间。
[0064] d4、分类识别
[0065] 对运五种动态扰动信号提取的特征区别明显，并且具有很强的抗噪性能。PS0优化 参数的SVM具有很高的小样本学习能力，模型推广能力强，适合动态扰动信号的识别。
[0066] 通过MATLAB软件对五种常见动态扰动信号建立模型如表2,其中采样频率为 1.6kHz，扰动信号基波频率为50化，r(t)为白噪声，信噪比为20地。将样本矩阵随机平分两 组，一组为训练样本，一组为测试样本，对常见五种动态干扰信号进行试验。采用本发明方 法对五种动态信号进行分类识别。
[0067] 表3本发明方法分类结果 [006引
[0071] ~由上面的表格可知，本发明方法对五种常见干扰信号具有很高的识别率。
[0072] 相同或相似的标号对应相同或相似的部件；
[0073] 附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
[0074] 显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对 本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可 W做出其它不同形式的变化或变动。运里无需也无法对所有的实施方式予W穷举。凡在本 发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求 的保护范围之内。
【主权项】
1. 一种基于PSO的电能质量扰动识别与分类方法，其特征在于，包括以下步骤： a、 建立含有常见动态扰动信号的信号模型，采用复小波变换从输入电压信号中提取扰 动信号，通过构造采用Mailat快速小波算法的Db4正交紧支复小波对扰动信号进行多尺度 复小波分解，得到复小波系数； b、 根据复小波系数的实部和虚部，计算提取扰动信号的简单和复合信息； c、 对扰动信号进行多尺度复小波分解后，选取各层上的能量、平均值、标准偏差、扰动 持续时间及步骤b中构造的复合信息构成扰动信号的特征向量； d、 首先利用PS0寻优最佳参数的SVM，构造多级聚类SVM分类树，其次将特征向量及特征 向量对应的类别输入该分类树进行训练得到训练样本，然后利用训练样本对包含上述常见 动态扰动信号的测试样本进行分类，最后得到并输出所求的相对应的分类结果。2. 根据权利要求1所述的基于PS0的电能质量扰动识别与分类方法，其特征在于，所述 步骤b中，经过复小波变换得到的简单信息包括实部、虚部、幅度和相位，根据这些简单信息 构造动态扰动信号的复合信息包括虚部和相位复合、实部和相位复合、以及幅度和相位复 合。3. 根据权利要求1所述的基于PS0的电能质量扰动识别与分类方法，其特征在于，所述 常见动态扰动信号包括电压骤升信号、电压骤降信号、暂时电压中断信号、暂态脉冲信号和 暂态振荡信号。
【专利摘要】本发明提供一种基于PSO的电能质量扰动识别与分类方法，该方法采用复小波变换对扰动信号进行检测和定位，有效提取动态电能质量扰动的特征向量，通过PSO算法对SVM参数进行优化后，对其根据提取的特征信号对动态电能质量扰动进行自动识别与分类，能够有效提高电能质量扰动检测与分类的训练速度和分类准确率。复小波变换能够弥补以往实小波变化只能分析信号幅频的缺点，可同时分析信号的幅频和相频特性并能提供多种复合信息，能更准确地识别出电力系统中最常见的几种动态扰动信号，与传统的神经网络识别干扰信号等方法相比，该方法识别准确可靠并且准确率更高。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105447464
【申请号】CN201510822400
【发明人】何君如, 杨俊华, 杨济溦
【申请人】广东工业大学
【公开日】2016年3月30日
【申请日】2015年11月23日