一种电能质量扰动信号分类方法及装置与流程

本发明涉及电能质量监测领域，尤其涉及一种电能质量扰动信号分类方法及装置。

背景技术：

近年来，随着电网中电力电子设备的广泛应用以及光伏、风电等分布式电源的大量接入，其所引起的电能质量问题日益突出。在精密加工以及人们生活对电能质量要求日趋严格的条件下，需对电能质量干扰进行精确分类，进而分析引起电能质量扰动的原因和采取相应的治理措施。

电能质量扰动分类包括特征提取和分类器分类两个步骤。在特征提取方法中，S变换作为短时傅里叶变换和小波变换的继承和发展，结合了两者的优点，在高频段具有较高的时间分辨率，在低频段具有较高的频率分辨率，更有利于对非平稳信号进行处理，已广泛应用于电能质量扰动的特征提取。在分类器选取方面，人工神经网络由大量处理单元互联组成，具有自学习、自组织、自适应等特点，已成功应用于对电能质量扰动进行分类。如何将S变换特征提取方法和神经网络分类器的优势结合起来，成为人们关注的问题。

为将两者优势有机结合，传统的方法是基于S变换进行电能质量扰动信号特征向量提取，并将特征向量作为网络的输入进行分类。但可以看出，S变换和神经网络在分类过程中是两个完全独立的部分，S变换和神经网络并不能有机结合而容易导致电能质量扰动信号分类准确性不足，且稳定性差等问题。

技术实现要素：

本发明实施例提供了一种电能质量扰动信号分类方法及装置，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分，S变换和神经网络并不能有机结合而容易导致电能质量扰动信号分类准确性不足，且稳定性差的技术问题。

本发明实施例提供的一种电能质量扰动信号分类方法，包括：

选取正常电压信号和七种电能质量扰动信号，七种电能质量扰动信号包括电压骤升信号、电压骤降信号、电压中断信号、暂态脉冲信号、暂态振荡信号、谐波信号、电压闪变信号；

对正常电压信号及七种电能质量扰动信号进行预定义编码类别，并以正常电压信号和七种电能质量扰动信号作为输入，以编码类别作为输出，构建一个基于S变换的四层的神经网络，并对神经网络进行训练，得到训练好的神经网络；

将实时采集到的电压信号输入到训练好的神经网络，并将获得的神经网络的输出值与编码类别进行对比，获得对电压信号的分类结果。

优选地，神经网络包括输入层、S变换层、隐含层和输出层。

优选地，神经网络的输出具体为：

其中，O_p为神经网络的输出，x(k)和K分别为网络输入层的第k个输入值和节点数；Z_j和J分别为网络S变换层的第j个输出值和节点数；Y_i和I分别为网络隐含层的第i个输出值和节点数；O_P和P分别为网络输出层的第p个输出值和节点数；W_ji为S变换层节点j和隐含层节点i的连接权值；W_ip为隐含层节点i和输出层节点p的连接权值；H(k，m_j，n_j)为网络S变换层采用的基函数；m_j和n_j为位置因子；σ(x)为网络隐含层和输出层采用的传递函数，均为sigmoid函数，S(Σ)表示对和求模。

优选地，基函数H(k,m_j,n_j)通过公式一进行求取，公式一具体为：

优选地，对神经网络进行训练为通过BP算法对神经网络进行训练。

本发明实施例提供的一种电能质量扰动信号分类装置，包括：

选取模块，用于选取正常电压信号和七种电能质量扰动信号，七种电能质量扰动信号包括电压骤升信号、电压骤降信号、电压中断信号、暂态脉冲信号、暂态振荡信号、谐波信号、电压闪变信号；

构建模块，用于对正常电压信号及七种电能质量扰动信号进行预定义编码类别，并以正常电压信号和七种电能质量扰动信号作为输入，以编码类别作为输出，构建一个基于S变换的四层的神经网络，并对神经网络进行训练，得到训练好的神经网络；

输入对比模块，用于将实时采集到的电压信号输入到训练好的神经网络，并将获得的神经网络的输出值与编码类别进行对比，获得对电压信号的分类结果。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明实施例提供了一种电能质量扰动信号分类方法及装置，包括：选取正常电压信号和七种电能质量扰动信号，七种电能质量扰动信号包括电压骤升信号、电压骤降信号、电压中断信号、暂态脉冲信号、暂态振荡信号、谐波信号、电压闪变信号；对正常电压信号及七种电能质量扰动信号进行预定义编码类别，并以正常电压信号和七种电能质量扰动信号作为输入，以编码类别作为输出，构建一个基于S变换的四层的神经网络，并对神经网络进行训练，得到训练好的神经网络；将实时采集到的电压信号输入到训练好的神经网络，并将获得的神经网络的输出值与编码类别进行对比，获得对电压信号的分类结果，本发明实施例中通过将S变换和神经网络有机结合，提高了电能质量扰动信号分类准确率，具有抗噪性强，稳定性好的优点，解决了现有技术中S变换和神经网络在分类过程中是两个完全独立的部分，S变换和神经网络并不能有机结合而容易导致电能质量扰动信号分类准确性不足，且稳定性差的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种电能质量扰动信号分类方法的流程示意图；

图2(a)为本发明实施例提供的正常电压信号波形图；

图2(b)为本发明实施例提供的电压骤升信号波形图；

图2(c)为本发明实施例提供的电压骤降信号波形图；

图2(d)为本发明实施例提供的电压中断信号波形图；

图2(e)为本发明实施例提供的暂态脉冲信号波形图；

图2(f)为本发明实施例提供的暂态振荡信号波形图；

图2(g)为本发明实施例提供的谐波信号波形图；

图2(h)为本发明实施例提供的电压闪变信号波形图；

图3为本发明实施例提供的基于S变换的四层神经网络拓扑结构图；

图4为本发明实施例提供的采用神经网络后的电能质量扰动信号分类结果示意图；

图5为本发明实施例提供的一种电能质量扰动信号分类装置的结构示意图。

具体实施方式

本发明实施例提供了一种电能质量扰动信号分类方法及装置，用于解决现有技术中S变换和神经网络在分类过程中是两个完全独立的部分，S变换和神经网络并不能有机结合而容易导致电能质量扰动信号分类准确性不足，且稳定性差的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，本发明实施例提供的一种电能质量扰动信号分类方法，包括：

101、选取正常电压信号和七种电能质量扰动信号，七种电能质量扰动信号包括电压骤升信号、电压骤降信号、电压中断信号、暂态脉冲信号、暂态振荡信号、谐波信号、电压闪变信号；

首先，对正常电压信号和七种电能质量扰动信号进行选取，如图2(a)至图2(h)所示，分别为正常电压信号、电压骤升信号、电压骤降信号、电压中断信号、暂态脉冲信号、暂态振荡信号、谐波信号、电压闪变信号。

102、对正常电压信号及七种电能质量扰动信号进行预定义编码类别，并以正常电压信号和七种电能质量扰动信号作为输入，以编码类别作为输出，构建一个基于S变换的四层的神经网络，并对神经网络进行训练，得到训练好的神经网络；

然后，对正常电压信号及七种电能质量扰动信号进行预定义编码类别，如用000、001、010、011、100、101、110、111分别表示正常电压信号、电压骤升信号、电压骤降信号、电压中断信号、暂态脉冲信号、暂态振荡信号、谐波信号、电压闪变信号。再以正常电压信号和七种电能质量扰动信号作为输入，以编码类别作为输出，构建一个基于S变换的四层的神经网络，并对神经网络采用BP算法进行训练，得到训练好的神经网络。其中，神经网络包括输入层、S变换层、隐含层和输出层；且神经网络的输出具体为：

其中，O_p为神经网络的输出，x(k)和K分别为网络输入层的第k个输入值和节点数；Z_j和J分别为网络S变换层的第j个输出值和节点数；Y_i和I分别为网络隐含层的第i个输出值和节点数；O_P和P分别为网络输出层的第p个输出值和节点数；W_ji为S变换层节点j和隐含层节点i的连接权值；W_ip为隐含层节点i和输出层节点p的连接权值；H(k，m_j，n_j)为网络S变换层采用的基函数；m_j和n_j为位置因子；σ(x)为网络隐含层和输出层采用的传递函数，均为sigmoid函数，S(Σ)表示对和求模。

进一步地，基函数H(k,m_j,n_j)通过公式一进行求取，公式一具体为：

如图3所示，为基于S变换的四层神经网络拓扑结构图。

103、将实时采集到的电压信号输入到训练好的神经网络，并将获得的神经网络的输出值与编码类别进行对比，获得对电压信号的分类结果。

最后，将实时采集到的电压信号输入到训练好的神经网络，并将获得的神经网络的输出值与编码类别进行对比，即可获得对电压信号的分类结果。例如，神经网络的输出值为000、111、110，将该三个输出值与编码类别进行对比即可获得对电压信号的分类结果：正常电压信号、电压闪变信号、谐波信号。请参阅图4，为采用神经网络后的电能质量扰动信号分类结果示意图。

以上为对本发明实施例提供的一种电能质量扰动信号分类方法进行的详细描述，以下将对本发明实施例提供的一种电能质量扰动信号分类装置进行详细的描述。

请参阅图5，本发明实施例提供的一种电能质量扰动信号分类装置包括：

选取模块201，用于选取正常电压信号和七种电能质量扰动信号，七种电能质量扰动信号包括电压骤升信号、电压骤降信号、电压中断信号、暂态脉冲信号、暂态振荡信号、谐波信号、电压闪变信号；

构建模块202，用于对正常电压信号及七种电能质量扰动信号进行预定义编码类别，并以正常电压信号和七种电能质量扰动信号作为输入，以编码类别作为输出，构建一个基于S变换的四层的神经网络，并对神经网络进行训练，得到训练好的神经网络；

输入对比模块203，用于将实时采集到的电压信号输入到训练好的神经网络，并将获得的神经网络的输出值与编码类别进行对比，获得对电压信号的分类结果。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，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。