一种电能质量扰动分类方法与流程

1.本发明涉及电能质量技术领域，具体涉及一种电能质量扰动分类方法。


背景技术：

2.近年来随着可再生能源和逆变器在现代电力系统中的普及，使电能质量扰动模式愈加复杂，给复合扰动的准确分类和辨识提出了新的挑战。复合电能质量扰动分类分为特征提取和模式识别两个部分。在特征提取部分通常采用st,ewt,stft等算法，其中st最为常见，但传统st方法由于窗函数固定，导致对扰动时频域特征的提取能力有限，进而影响整个模型的分类性能。此外传统特征提取方法大多未考虑所提取特征本身对分类性能的影响，难以判断所提取的特征是否有效，同时大量的冗余特征也会影响分类模型的分类性能和处理速度。


技术实现要素：

3.本发明的目的在于提供一种电能质量扰动分类方法，以解决现有电能质量扰动分类性能低下和效率低下的问题。
4.本发明解决上述技术问题的技术方案如下：
5.本发明提供一种电能质量扰动分类方法，所述电能质量扰动方法包括：
6.s1：利用s变换窗函数提取电能质量扰动信号，得到模时频矩阵；
7.s2：根据所述模时频矩阵中的各行各列的元素，得到初始扰动特征集；
8.s3：根据所述初始扰动特征集，得到多标签扰动特征集；
9.s4：根据所述多标签扰动特征集，利用多粒度特征优化方法，得到各粒度空间对应的最优扰动特征集；
10.s5：根据各粒度空间所对应的最优扰动特征集，得到对应的各基分类器模型；
11.s6：利用加权投票集成策略对所有所述基分类器模型进行集成，得到强分类器模型；
12.s7：根据所述强分类器模型和电能质量扰动数据测试集，得到电能质量扰动分类结果。
13.可选择地，所述步骤s1包括：
14.利用s变换窗函数提取电能质量扰动信号，得到矩阵；
15.对所述矩阵中的每个元素进行求模操作，得到模时频矩阵。
16.可选择地，所述步骤s1中，所述s变换窗函数为：
[0017][0018]
其中，s(*)表示原始信号经过s变换后得到的矩阵，j表示将t离散化的变量，即将t离散化为jt，t表示采样周期，n表示采样频率，n表示总采样点数，表示信号h(kt)的傅里叶变换，π表示圆周率参数，h(*)表示电能质量原始信号，n'表示不大于n
max
的频率检测点，g1,g2,...gk分别代表在划分的各频段的调节参数，n
max
为采样的最大频率。
[0019]
可选择地，所述步骤s2包括：
[0020]
s21：分别根据所述模时频矩阵中的各相关值，得到与各相关值所对应的各所述时域相关曲线和各所述频域相关曲线；
[0021]
s22：根据各所述时域相关曲线和各所述频域相关曲线，分别得到各所述时域相关曲线的多项特征和各所述频域相关曲线的多项特征；
[0022]
s23：各所述时域相关曲线的多项特征和各所述频域相关曲线的多项特征，构建所述初始扰动特征集。
[0023]
可选择地，所述步骤s21中，各所述相关值包括：最大值、最小值、平均值、标准差和均方根值；
[0024]
各所述时域相关曲线包括：时域最大值曲线、时域最小值曲线、时域平均值曲线、时域标准差曲线、时域均方根曲线；
[0025]
各所述频域相关曲线包括：频域最大值曲线、频域最小值曲线、频域平均值曲线、频域标准差曲线、频域均方根曲线。
[0026]
可选择地，所述步骤s22中，各项所述特征包括最大最小值之和、最大最小值之差、标准差、平均值、均方根值、偏度、峭度以及局部能量。
[0027]
可选择地，所述步骤s4包括：
[0028]
s41：计算当前粒度空间中所述多标签扰动特征集中任意两个特征之间的模糊相似关系，得到模糊相似矩阵；
[0029]
s42：根据所述模糊相似矩阵，以及邻域粗糙集，得到模糊邻域粗糙集模型；
[0030]
s43：根据所述模糊邻域粗糙集模型和变精度参数，得到变精度模糊邻域粗糙集模型；
[0031]
s44：计算变精度模糊邻域粗糙集的上近似集和下近似集；
[0032]
s45：根据所述上近似集和所述下近似集，得到粗糙集的正域；
[0033]
s46：根据所述粗糙集的正域和所述变精度模糊邻域粗糙集，计算所述多标签扰动
特征集中当前特征的依赖度和重要度；
[0034]
s47：根据所述当前特征的依赖度和所述重要度判断当前特征是否为可用特征，若是，将所述可用特征纳入最优扰动特征集并进入s48，否则，将所述当前特征合并至所述属性集并在所述多标签扰动特征集中剩余特征中选择下一个特征作为当前特征，之后将所述特征集和所述当前特征作为所述多标签扰动特征集的任意两个特征并返回步骤s41；
[0035]
s48：判断所述变精度模糊邻域粗糙集是否为空集，若是，输出当前粒度空间对应的最优扰动特征集，否则，将下一个粒度空间作为当前粒度空间并返回步骤s41。
[0036]
可选择地，所述步骤s41中，所述模糊相似关系为：
[0037][0038]
其中，表示模糊相似关系，rc(xi,xj)表示表示样本xi和xj在多标签扰动特征集c下的模糊相似度，rb(xi,xj)表示样本xi和xj在属性集b下的模糊相似度，δ表示模糊邻域半径，c为所述多标签扰动特征集，xi,xj分别表示所述多标签扰动特征集中任意两个特征；
[0039]
可选择地，所述下近似集为：
[0040][0041]
所述上近似集为：
[0042][0043]
其中，表示粒度空间(δ，α)下决策类i在属性集b下所对应的下近似集且0.5≤α≤1，表示粒度空间(δ，β)下决策类i在属性集b下所对应的上近似集且0≤β《0.5，i为常数且i＝{1,2}，和为样本在粒度空间中相对于某决策类的隶属度，且为样本在粒度空间中相对于某决策类的隶属度，且m指标签集合的维数；和是标签dj定义的两类互斥决策类样本集合；[xi]c是模糊相似关系矩阵rc中由样本xj产生的模糊相似关系；由以上可知变精度模糊邻域粗糙集的粒度空间大小是由邻域半径δ和变精度系数α共同控制的，β表示变精度系数且β＝1-α，为一种计算集合a包含于集合b的包含度的计算方法，∨表示析取运算，∧表示合取运算。
[0044]
可选择地，所述步骤s46中，所述依赖度为：
[0045]
[0046]
其中，表示在粒度空间(δ，α)下属性集b的依赖度，γb(d)表示依赖度且γb(d)∈(0,1)，b表示属性集，c表示特征，d表示标签，表示邻域粗糙集在粒度空间(δ，α)下所对应特征集的正域，u表示非空样本集合，r表示决策类的个数，i表示决策类的标记，表示粒度空间(δ，α)下决策类i在属性集b下所对应的下近似集且0.5≤α≤1，i为常数且i＝{1,2}，和为样本在粒度空间中相对于某决策类的隶属度，且空间中相对于某决策类的隶属度，且m指标签集合的维数；和是标签dj定义的两类互斥决策类样本集合；[xi]c是模糊相似关系矩阵rc中由样本xj产生的模糊相似关系；由以上可知变精度模糊邻域粗糙集的粒度空间大小是由邻域半径δ和变精度系数α共同控制的。
[0047]
可选择地，所述重要度为：
[0048][0049]
imp(c,b,d)表示重要度，表示在粒度空间(δ，α)下属性集b的依赖度，γb(d)表示依赖度且γb(d)∈(0,1)，b表示属性集，c表示特征，d表示标签，表示在粒度空间(δ，α)下特征集b∪c的依赖度。
[0050]
本发明具有以下有益效果：
[0051]
本发明提出了一种基于在分段改进s变换下进行多粒度特征优化的特征选择模型，该模型通过将扰动特征的类域信息转换到知识粒度，通过知识粒度从不同尺度上分析同一个问题，并将不同知识粒度的分析结果作为在不同粒度空间下特征集中判断特征好坏的依据。在此基础上，本发明在模式识别阶段通过融合由多粒度空间特征选择模型得到的最优扰动特征集所训练的基分类器模型，利用多模型投票集成的分类器架构，克服了传统多粒度空间分类方法通过选择最优粒度空间对应的最优扰动特征集进行训练，导致的其他粒度空间有用信息缺失的问题。
附图说明
[0052]
图1为本发明所提供的电能质量扰动方法的流程图；
[0053]
图2为图1中步骤s2的分步骤流程图；
[0054]
图3为图1中步骤s4的分步骤流程图。
具体实施方式
[0055]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0056]
实施例
[0057]
本发明解决上述技术问题的技术方案如下：
[0058]
本发明提供一种电能质量扰动分类方法，参考图1所示，所述电能质量扰动方法包括：
[0059]
s1：利用s变换窗函数提取电能质量扰动信号，得到模时频矩阵；
[0060]
具体包括：利用s变换窗函数提取电能质量扰动信号，得到矩阵；
[0061]
s-transform(st)能够提取电能质量扰动信号中大量的时频域特征信息，是一种有效的时频域特征提取方法，该方法已被证明具有良好的抗噪性能和时频域特征获取能力，但传统st方法窗宽与频率成反比，窗函数的取值因此较为固定，这将导致在进行时频域分析时高频和低频、时域和频域的特征分辨能力无法兼得。因此本发明采用分段改进s变换窗函数的方法进行特征提取，具体公式如下：
[0062][0063]
其中，s(*)表示原始信号经过s变换后得到的矩阵，j表示将t离散化的变量，即将t离散化为jt，t表示采样周期，n表示采样频率，n表示总采样点数，表示信号h(kt)的傅里叶变换，π表示圆周率参数，h(*)表示电能质量原始信号，n'表示不大于n
max
的频率检测点，g1,g2,...gk分别代表在划分的各频段的调节参数，分段改进s变换的频域分辨率和时域分辨率会随着调节因子g(0《g《20)的减小而分别降低和升高，调节因子g在实际应用中，以算法提取特征的分类准确率为评价指标，在寻找各频段下对应的最优调节因子后，进行特征提取；n
max
为采样的最大频率。基于分段改进的s变换根据窗宽与频率成反比的特点，将原本的信号的整个频域分为n个部分,并分别针对频域的各个部分调节窗宽。
[0064]
以及，对所述矩阵中的每个元素进行求模操作，得到模时频矩阵。
[0065]
在对电能质量扰动信号进行分段s变换特征提取之后，对所得矩阵每行每列的元素进行求模，即可得到模时频矩阵。
[0066]
s2：根据所述模时频矩阵中的各行各列的元素，得到初始扰动特征集；
[0067]
可选择地，参考图2所示，所述步骤s2包括：
[0068]
s21：分别根据所述模时频矩阵中的各相关值，得到与各相关值所对应的各所述时域相关曲线和各所述频域相关曲线；
[0069]
具体地，各所述相关值包括：最大值、最小值、平均值、标准差和均方根值；
[0070]
各所述时域相关曲线包括：时域最大值曲线时域最小值曲线时域平均
值曲线时域标准差曲线时域均方根曲线
[0071]
各所述频域相关曲线包括：频域最大值曲线频域最小值曲线频域平均值曲线频域标准差曲线频域均方根曲线
[0072]
s22：根据各所述时域相关曲线和各所述频域相关曲线，分别得到各所述时域相关曲线的多项特征和各所述频域相关曲线的多项特征；
[0073]
各项所述特征包括最大最小值之和max min、最大最小值之差max-min、标准差std、平均值mean、均方根值rms、偏度skewness、峭度kurtosis以及局部能量energy。各项特征的具体计算方法如表1所示：
[0074]
表1各项特征的具体计算方法
[0075][0076]
s23：各所述时域相关曲线的多项特征和各所述频域相关曲线的多项特征，构建所述初始扰动特征集。
[0077]
再根据以上所提取的特征，构建59维时频域特征作为初始扰动特征集，该特征集作为后续特征选择模型的输入，如表2所示：
[0078][0079]
s3：根据所述初始扰动特征集，得到多标签扰动特征集；
[0080]
表3多标签扰动特征集
[0081]
samplef1f2f3
…
f59d1d2
…
d6x10.1010.3430.234
…
0.70110
…
1x20.5320.1120.001
…
0.69801
…1…………………………
xm0.9980.5430.302
…
0.70311
…1[0082]
其中，d1,d2,
…
,dn(d∈{0,1})为多标签扰动标签代表电能质量扰动类型，分别代表n种不同类型的单一扰动类型；f1,f2,
…
,f59为扰动特征集,根据表2的内容构建；x1,x2,
…
,xm为样本集。
[0083]
s4：根据所述多标签扰动特征集，利用多粒度特征优化方法，得到各粒度空间对应的最优扰动特征集；
[0084]
可选择地，参考图3所示，所述步骤s4包括：
[0085]
s41：计算当前粒度空间中所述多标签扰动特征集中任意两个特征之间的模糊相似关系，得到模糊相似矩阵；
[0086]
所述模糊相似关系为：
[0087][0088]
其中，表示模糊相似关系，rc(xi,xj)表示表示样本xi和xj在多标签扰动特征集c下的模糊相似度，rb(xi,xj)表示样本xi和xj在属性集b下的模糊相似度，δ表示模糊邻域半径，c为所述多标签扰动特征集，xi,xj分别表示所述多标签扰动特征集中任意
两个特征。
[0089]
s42：根据所述模糊相似矩阵，以及邻域粗糙集，得到模糊邻域粗糙集模型；
[0090]
这里，邻域粗糙集是粗糙集模型中的一种，用于将样本空间抽象化为知识粒度。
[0091]
s43：根据所述模糊邻域粗糙集模型和变精度参数，得到变精度模糊邻域粗糙集模型；
[0092]
s44：计算变精度模糊邻域粗糙集的上近似集和下近似集；
[0093]
所述下近似集为：
[0094][0095]
所述上近似集为：
[0096][0097]
其中，表示粒度空间(δ，α)下决策类i在扰动特征集b下所对应的下近似集且0.5≤α≤1，表示粒度空间(δ，β)下决策类i在扰动特征集b下所对应的上近似集且0≤β《0.5，i为常数且i＝{1,2}，和为样本在粒度空间中相对于某决策类的隶属度，且为样本在粒度空间中相对于某决策类的隶属度，且m指标签集合的维数；和是标签dj定义的两类互斥决策类样本集合；[xi]c是模糊相似关系矩阵rc中由样本xj产生的模糊相似关系；由以上可知变精度模糊邻域粗糙集的粒度空间大小是由邻域半径δ和变精度系数α共同控制的，β表示变精度系数且β＝1-α，为一种计算集合a包含于集合b的包含度的计算方法，∨表示析取运算，∧表示合取运算。
[0098]
s45：根据所述上近似集和所述下近似集，得到粗糙集的正域；
[0099]
粗糙集的正域即为上近似集和下近似集之间的部分。
[0100]
s46：根据所述粗糙集的正域和所述变精度模糊邻域粗糙集，计算所述多标签扰动特征集中当前特征的依赖度和重要度；
[0101]
所述步骤s46中，所述依赖度为：
[0102][0103]
其中，表示在粒度空间(δ，α)下属性集b的依赖度，γb(d)表示依赖度且γb(d)∈(0,1)，其值越大，表明属性集b对特征具有更好的刻画能力，因此可以作为判断特征好坏的依据。b表示属性集，c表示特征，d表示标签，表示邻域粗糙集在粒度空间(δ，α)下所对应特征集的正域，u表示非空样本集合，r表示决策类的个数，i表示决策类的标记，表示粒度空间(δ，α)下决策类i在属性集b下所对应的下近似集且
0.5≤α≤1，i为常数且i＝{1,2}，和为样本在粒度空间中相对于某决策类的隶属度，且空间中相对于某决策类的隶属度，且m指标签集合的维数；和是标签dj定义的两类互斥决策类样本集合；[xi]c是模糊相似关系矩阵rc中由样本xj产生的模糊相似关系；由以上可知变精度模糊邻域粗糙集的粒度空间大小是由邻域半径δ和变精度系数α共同控制的。
[0104]
此外，可选择地，所述重要度为：
[0105][0106]
imp(c,b,d)表示重要度，表示在粒度空间(δ，α)下特征集b的依赖度，γb(d)表示依赖度且γb(d)∈(0,1)，b表示属性集，c表示特征，d表示标签，表示在粒度空间(δ，α)下特征集b∪c的依赖度。
[0107]
s47：根据所述当前特征的依赖度和所述重要度判断当前特征是否为可用特征，若是，将所述可用特征纳入最优扰动特征集并进入s48，否则，将所述当前特征合并至所述属性集并在所述多标签扰动特征集中剩余特征中选择下一个特征作为当前特征，之后将所述特征集和所述当前特征作为所述多标签扰动特征集的任意两个特征并返回步骤s41；
[0108]
s48：判断所述变精度模糊邻域粗糙集是否为空集，若是，输出当前粒度空间对应的最优扰动特征集，否则，将下一个粒度空间作为当前粒度空间并返回步骤s41。
[0109]
需要说明的是，模糊邻域半径δ以0.05为步长从0开始到0.5进行循环取值；变精度系数α以0.05为步长从0.5开始到1进行循环取值，这两个参数共同构建100个多粒度的特征空间，并在每个特征空间下进行特征选择优化，最终得到100个粒度空间各自对应的最优扰动特征集，这100个最优扰动特征集将作为下一步集成分类模型的输入。
[0110]
s5：根据各粒度空间所对应的最优扰动特征集，得到对应的各基分类器模型；
[0111]
s6：利用加权投票集成策略对所有所述基分类器模型进行集成，得到强分类器模型；
[0112]
s7：根据所述强分类器模型和电能质量扰动数据测试集，得到电能质量扰动分类结果。
[0113]
将测试样本x输入训练完成的基分类器模型hi可得一个l维输出向量其中为基分类模型标签dk的预测结果，因此利用软投票的方法来集成各基分类器模型的输出，基分类器模型针对标签dk的最终输出通过以下方式计算：
[0114][0115]
其中，hk(x)表示最终得到的集成分类器(强分类器)模型，t表示有t个基分类器模型，表示基分类器模型标签dk的预测结果；代表基分类器模型hi中类别dk的权重，权
重ωk的计算公式如下所示：
[0116][0117]
其中，m为样本x的总个数，xm指第m个样本x。
[0118]
在利用变精度模糊邻域粗糙集对多标签扰动特征集mlfs进行特征选择后，可得到粒度空间对应的100个最优扰动特征集，每个最优扰动特征集作为训练集，并采用xgboost作为基分类器的学习模型进行训练，同样可得到100个训练好的基分类器模型，并构建验证集结合加权投票集成策略对这100个基分类器模型进行集成，可得到最终的强分类器模型，将所需要进行辨识的电能质量扰动数据的测试集作为输入，则可预测结果y，实现对电能质量复合扰动的准确分类。
[0119]
本发明所提出的电能质量扰动分类方法，通过在分段改进s变换下进行多粒度特征优化的特征选择，以将扰动特征的类域信息转换到知识粒度，通过知识粒度从不同尺度上分析同一个问题，并将不同知识粒度的分析结果作为在不同粒度空间下特征集中判断特征好坏的依据。在此基础上，本发明在模式识别阶段通过融合由多粒度空间特征选择模型得到的最优扰动特征集所训练的基分类器模型，利用多模型投票集成的分类器架构，克服了传统多粒度空间分类方法通过选择最优粒度空间对应的最优扰动特征集进行训练，导致的其他粒度空间有用信息缺失的问题。
[0120]
进一步地，通过本发明所提供的多粒度特征优化的特征选择，以能够将原本特征的类域知识信息转换为知识粒度，并构建多个粒度空间进行特征选择，从不同角度分析特征提取算法所提取的多标签扰动特征集，从中提取出各粒度空间对应的最优扰动特征集作为下一步模式识别模型的输入。与传统方法相比，该方法考虑了在多标签特征集下，特征分布耦合或离散等分布特性所导致的多个类域之间决策边界超平面难以有效确定的问题，具有更好的特征区分能力，所提取的扰动特征将有效改善模型的分类性能。
[0121]
此外，通过本发明提出的多模型投票的集成分类模型，由于在多粒度特征选择阶段得到的是多个粒度空间下所对应的最优扰动特征集，这些最优扰动特征集可分别训练出各粒度空间对应的基分类器模型，传统方法是通过寻优算法找到其中一个分类效果最优的基分类模型作为最终的分类模型，但会造成其他基分类模型中有用信息的丢失，进而影响模型整体的分类性能和泛化能力。因此，本文采用多模型投票集成的集成分类方法，将多个基分类模型给集成起来，让所有基分类器模型都具有一定的权重，得到一个多模型的综合分类系统，相较于单一分类模型，具有更好的分类性能和泛化能力。
[0122]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。