基于干扰因子的电磁干扰复杂度评估方法

本发明属于智能电网的电磁信号处理，具体涉及基于干扰因子的电磁干扰复杂度评估方法。

背景技术：

1、智能电网新型设备是未来智能电网建设的重要组成部分，在运行的过程中，由电磁干扰引发的故障占据绝大多数，而且很多故障是由于设备处于多重因素叠加的复杂电磁干扰信号环境造成的，信号通常是嘈杂且宽频带的，导致缺乏一种评估方法来衡量设备面临的电磁干扰信号复杂度，使用传统的评估手段也难有成效。因此，有必要首先研究智能电网设备在遭受电力系统中暂态电磁干扰特点，对其时频谱分布进行掌握，接下来根据电磁干扰信号特点进行防护，提升新型设备遭遇电磁干扰时的可靠性，具有重要的理论和工程价值。

2、尽管许多学者已经对电磁干扰信号复杂度进行了研究，评估指标从单一指标演变为多指标，评估方法也从传统的计算和查表比较发展为依靠人工智能方法和数学模型的研究。

3、然而，影响电磁干扰信号的因素太多，这些方法仍然存在一些问题：

4、(1)特征参数提取问题。现有方法难以同步提取计算不同的特征参数；

5、(2)隔离开关分合过程的电磁干扰缺乏在此方面应用基础。电力系统的电磁干扰已经演变为多场电路叠加的干扰问题，但现有的许多通信领域方法只分析单个信号，缺乏应对多维信号的方法；

6、(3)使用多特征参数评估复杂度时，无法对交叉区间情况下的电磁信号复杂度进行定性和定量，且识别准确度难以保证。

7、因此，以上问题所产生的典型电磁环境在使用传统的电磁干扰复杂度评估方法。主要表现在同一干扰源发出的信号或不同干扰源的信号之间通常存在着时域上的交叉，不同设备对相同的信号敏感度不同等问题。

技术实现思路

1、本发明目的在于提供基于干扰因子的电磁干扰复杂度评估方法，解决了现有智能电网设备的电磁干扰信号复杂度评估方法缺失且未考虑物理机理现状的问题。

2、本发明所采用的技术方案是：基于干扰因子的电磁干扰复杂度评估方法，提供一种基于干扰因子的电磁干扰复杂度客观评估方法，通过信号分解重组同时提取目标信号特征，之后进行构造考虑能量，频率，复杂度的可应用于多维信号的评估指标干扰因子，建立基于神经网络的复杂度的等级评估模型，用于任意电磁干扰信号复杂度评估

3、本发明的特点还在于，

4、基于干扰因子的电磁干扰复杂度评估方法，具体操作步骤如下:

5、步骤1：对电磁干扰信号进行特征提取，首先对目标的电磁干扰信号进行分解处理，可使用先进信号处理方法变分模态分解(vmd)进行计算，执行变分模态分解，分解得到k个子模态数据，使用广义s变换处理k个子模态数据得到k个子模态的频谱数据，再对k组广义s变换分解结果进行叠加，得到电磁干扰信号的最佳时频谱分布，即二维时频分布矩阵。

6、步骤2：构造干扰因子if为评估指标核心，利用二维时频分布矩阵计算干扰因子公式中的最大时频分布强度值，最大时频分布强度值对应的频率以及瑞丽熵，并以这三种特征参数为评估输入变量，使用者可根据使用对象调整特征参数数目。

7、步骤3：计算被评估对象遭受的i种干扰信号下的i个干扰因子ifi，令干扰因子ifi等于复杂度评估指标cmcsi，i种干扰信号下的综合复杂度评估指标

8、

9、并且给出受干扰设备的复杂度标准。

10、步骤4：利用神经网络算法构建提取评估所需特征参数和相应的复杂度评估模型，经过输入原始数据学习后，所得复杂度评估模型能够根据网络输入的多维特征参数给出对应的复杂度等级。

11、步骤1中的变分模态分解方法是一种结合维纳滤波、希尔伯特变换和交替方向乘子法的多分辨率非递归变分结构的新兴信号处理方法，他的效果可以简要解释为：将一个初始信号分解为多个子信号，这些子信号具有各自的时频特征，代数和仍为初始信号。

12、其机理为：将原始电磁干扰信号f构造为如式(2)所示的带约束变分问题：

13、

14、式中{uk}＝{u1,...,uk}和{wk}＝{w1,...,wk}分别表示所有子模态和对应中心频率的集合，是关于时间t的偏导数，δ(t)是单位脉冲响应函数，j是虚数单位，*表示卷积，f表示输入信号，k是分解的子模态数；

15、引入二次惩罚因子α1和拉格朗日乘子λ1，将式(2)改造为式(3)：

16、

17、其中，α1是二次惩罚因子，λ1是拉格朗日乘子，f(t)是原始电磁干扰信号，λ1(t)是含拉格朗日乘子项的算式；

18、式(3)拉格朗日方程的鞍点就是其变分问题的最优解，采用交替方向乘子法交替迭代更新子模态uk和中心频率wk以及拉格朗日乘子λ1，较快完成迭代，求出对应解。

19、步骤1中的广义s变换叙述如下：

20、设目标信号h(t)，传统的s变换定义为公式(4)，

21、

22、其中，f为频率，τ为时移因子，w(t-τ)为高斯窗函数；

23、

24、将调整因子λ2引入高斯窗口函数，将公式(5)变换为公式(6)，

25、

26、此时，公式(4)可以重写为广义s变换，即公式(7)的表达式：

27、

28、步骤2中的干扰因子的表达式如下式所示，

29、

30、其中，s(τ,f)表示干扰信号在当前时频域内的二维时频分布矩阵数值，s0代表预设时频分布阈值，fmax[|s(τ,f)|]为干扰信号的二维时频分布矩阵数值最大值对应的频率点，fsub为根据待评估的受电磁干扰设备所确定的特征频率，如果干扰信号的频率与受电磁干扰设备的特征频率fsub接近，则受电磁干扰设备的失效风险倍增，rα2为瑞利熵、表示电磁干扰信号的时频聚合度，rα2越小，信号时频聚集度越小，潜在有效干扰信号的时频带越宽，复杂度越高，rα2的表达式如式(9)所示：

31、

32、其中，t1和t2代表评估信号的时域区间下限和上限，f1和f2代表被评估信号的频域区间下限和上限，α2代表瑞丽熵rα2的阶数。

33、步骤3中的干扰因子可以具有两种表示方式，由于电磁环境中的辐射电磁场和干扰源的关系通常是2次方或者3次方关系，因此可以给出复杂度评估指标cmcsi的两种表达形式，使用者可以根据效果进行自适应选择，如式(10)和式(11)：

34、

35、或者

36、所述复杂度标准如下：

37、当0≤cmcs≤0.1，为1级复杂度；

38、当0.1<cmcs≤0.2，为2级复杂度；

39、当0.2<cmcs≤0.3，为3级复杂度；

40、当0.3<cmcs≤0.4，为4级复杂度；

41、当0.4<cmcs≤0.5，为5级复杂度；

42、当0.5<cmcs≤0.6，为6级复杂度；

43、当0.6<cmcs≤0.7，为7级复杂度；

44、当0.7<cmcs≤0.8，为8级复杂度；

45、当0.8<cmcs≤0.9，为9级复杂度；

46、当0.9<cmcs≤1，为10级复杂度。

47、步骤4中的神经网络选取可以根据数据特性进行选取，本发明使用门控循环单元(gru)神经网络，门控循环单元神经网络是一种基于循环神经网络(rnn)的深度学习神经网络，由于其学习远程时间信息的能力，在时间数据学习方面性能优异，其结构的“门”部分增强了网络的学习能力。

48、gru与其他神经网络相似，可以采用反向传播算法迭代地更新网络中的参数。当使用gru进行预测时，网络的学习准则是均方误差(mse)。其优越性在很大程度上依赖于高斯性的假设。对于具有非平稳非高斯性能的数据，传统的mse准则将不再使神经网络具有稳定的学习性能。因此，本节以广义互相关熵(gcc)作为gru网络的学习准则，构建适用于非高斯非线性数据的广义互相关熵-门控循环单元(gcc-gru)网络。

49、广义互相关熵具有自适应的非参数特性，可以从众多数据中学习到更多的信息，在处理非高斯信号时体现了其优越的性能。可应用于相似性度量。下面给出了随机变量x,y之间相关熵的表达式如式(12)。

50、vθ(x,y)＝e[kθ(x,y)]＝∫∫kθ(x,y)fxy(x,y)dxdy                 (12)

51、式中：e[·]为数学期望；kθ(·,·)表示核宽度为θ的核函数；fxy(·,·)联合概率密度函数。

52、在实际中，fxy(·,·)通常是未知的，而且一般传感器采集到的多为一些离散的有限量的数据故利用样本估计，可得到离散变量的相关熵的表达式：

53、

54、式中kθ是相关熵的核函数。当相关熵的核函数kθ(·,·)选用广义高斯密度函数，且用作适应性系统训练的学习准则时，将其称为广义互相关熵准则，广义互相关熵准则可用下式表示：

55、

56、其中，α3是形状参数，n代表数据长度；xi与yi之差的绝对值代表了样本之间的差异度量，当其无限接近0时，计算得评价准则gcc越大；令xi-yi＝e，则gα,β(xi-yi)＝gα,β(e)为广义高斯密度，其的表达式如式(15)：

57、

58、式中γ(·)为伽马函数；β>0为比例带宽；α3为形状参数；λ3为核参数；γα3,β为归一化常数；

59、理想情况下，广义互相关熵准则的最优值为1，作为神经网络的损失函数目标；

60、将式(14)的广义互相关熵准则gcc的公式作为误差函数引入gru网络，取代传统的mse准则，预计gcc在处理非高斯信号和异常值方面具有优势，并建立具有高适应度和自由调节权重和评估指标的自适应电磁干扰复杂度分级模型。具体的流程图如图1所示。本发明使用例导入gcc-gru网络进行训练的特征参数包括：二维时频分布矩阵最大值，二维时频分布最大值对应的频率，二维时频分布的瑞丽熵。使用者可根据使用对象调整特征参数数目导入，训练标签为步骤3中计算得到的复杂度等级。试验数据较多时可根据80％，10％和10％原则进行训练集，测试集和验证集划分，试验数据较少时可进行数据扩充，以试验数据为验证集。

61、本发明的有益效果是：

62、1.本发明提出的一种基于干扰因子的电磁干扰复杂度客观评估方法，针对现阶段智能电网中电磁干扰信号日趋复杂但是评估指标缺失的情况，基于信号复杂度理论和电磁兼容理论发明了电磁信号复杂度评估因子if，利用该评估因子构造了可拓展的多维电磁干扰信号复杂度评估综合指标cmcs和评价标准。不仅填补了该领域评估指标和标准的空白，还蕴含了具体设备的受扰机理，能够进行定量评估和指标交叉评估，更具客观且工程意义充分，为工程应用中复杂电磁干扰的预测和设计提供了参考和依据。

63、2.将先进信号处理方法和先进神经网络算法与所提复杂度评估指标相结合，形成的自适应评估模型，适用于各类电磁干扰下设备受扰风险评估，使用人员无需进行复杂计算或掌握过多受扰对象的物理特性即可进行准确的评估，为求解该类电磁干扰问题提供了可行的解决方法。