基于噪声标签重构的风力发电机电能质量扰动状态监测方法

1.本发明涉及一种基于噪声标签重构的风力发电机电能质量扰动监测方法。


背景技术：

2.近年来，随着可再生能源特别是风力发电机以及非线性电力电子设备的广泛应用，电能质量异常扰动事件在电力系统中经常发生。以往的工作往往基于统计学知识和人工经验方法从电压信号中提取相关时域统计特征，而后应用传统的机器学习方法构造电能质量异常扰动事件分类器，从而实现对电能质量异常扰动事件的监测和辨识。此外，在传统的电能质量异常扰动事件辨识系统中，分类器模型往往仅考虑了信号固有的噪声例如高斯白噪声，而噪声标签即带有误标记的数据标签或未标记数据通常在数据的训练阶段被忽略，这导致在现实场景下，基于上述方法实现的电能质量异常扰动事件辨识系统将无法满足实际工程中辨识高精度和特征提取自动化的要求。


技术实现要素：

3.针对上述问题，本发明提出了一种基于噪声标签重构的风力发电机电能质量扰动状态监测方法，首先利用经验小波变换将电压波形信号分解为多个本征模态函数，然后将分解得到的本征模态函数以时序数据形式重构成一组多列时序数据；而后，利用协同训练进行对训练数据进行标签重构，旨在提高电能质量扰动分类器模型在噪声环境下的泛化能力；然后，采用卷积神经网络结构自动提取深层通用化特征，并利用主成分分析方法对得到的特征矩阵进行降维去冗，最后将优化得到了特征向量导入到支持向量机中对电能质量异常扰动事件进行模式识别。
4.本发明解决其技术问题所采用的技术方案是：
5.一种基于噪声标签重构的风力发电机电能质量扰动状态监测方法，所述方法包括以下步骤：
6.步骤1：电压信号预处理，过程如下：
7.基于ieee
‑
1159标准中定义的数学模型，仿真产生的一组电能质量扰动的时序信号，其中仿真信号包括10种典型代表扰动特征，包括标准正弦电压信号、电压跌落扰动信号、电压隆起扰动信号、瞬态断电扰动信号、谐波电压扰动信号、电压跌落与谐波复合扰动信号、瞬态断电与谐波复合扰动信号、电压闪变扰动信号、电压瞬态振荡扰动信号和电压周期缺口信号，在得到数学解析模型的基础上，加入高斯白噪声用以模拟真实应用场景下采集得到的电压信号；
8.步骤2：电压信号分解处理，过程如下：
9.在得到仿真波形数据后，利用经验模态小波分解方法将原始信号进行分割，分解得到多个本征模态函数；
10.步骤3：噪声标签重新标注，过程如下：
11.3.1)统计特征提取与信号分割，采用经验模态小波分解得到待标注的样本信号进
行分解，引入统计分析方法，提取每一段的特征，提取的统计特征量包括均方根、标准差、方差、距离、偏度、峰度、均值、平均偏差和排列熵；假设原始样本信号被分解为k个片段，则第i个样本的特征向量被表示为f(i)＝{f1(i)、f2(i)、
…
、fk
×
8(i)}；
12.3.2)协同训练：在协同训练阶段，将原始样本数据集分为三组，定义为标记集l、潜在错误标记集u和验证集v，然后对标记集l进行bootstrap抽样，生成三个标记训练集l1、l2和l3，然后，从每个训练集中采用决策树、logistic回归和朴素贝叶斯模型构造三种不同分类器，并定义为c1、c2和c3，在“少数服从多数”规则下，利用上述三种分类器输出带噪标记样本；如果两个分类器对一个未标记样本给出相同的预测决策，则该样本被认为是具有高置信度的预测结果，然后将该未标记样本用某个标记进行标记，并将其加入到第三分类器的标记训练集中，同时，利用“少数服从多数”的原则来消除分类错误，最后，将l1、l2和l3的交集优化为最终的标记训练集l
′
；
13.步骤4：基于卷积神经网络的特征提取，过程为：
14.利用卷积神经网络结构对分解得到的电能质量扰动信号进行特征提取，如图1所示，其网络框架结构连接拓扑为，输入层连接卷积层a，输出为4个6
×
80维度的矩阵，卷积层a连接池化层a，输出为4个4
×
40维度的矩阵，池化层a连接卷积层b，输出为6个4
×
28维度的矩阵，卷积层b连接池化层b，输出为6个2
×
14维度的矩阵，池化层b连接全连接层a，全连接层a连接全连接层b，全连接层b连接输出层；
15.步骤5：支持向量机分类模型，过程如下：
16.将卷积神经网络得到特征向量通过主成分分析方法进行特征降维，去除冗余分量，旨在提高训练模型的鲁棒性；而后，将选择后的特征向量输入支持向量机模型进行电能质量扰动模式识别，由于基础的支持向量机是针对二分类进行设计的，因此需要采用多类分类策略，在本发明中，引入了“一对多”的分类策略改进支持向量机，得到最终的分类模型。
17.进一步，所述步骤1中，时序波形信号的采样率为1khz，采样长度为200个点，信号幅值参数a做归一化处理定义为1。
18.再进一步，所述步骤2的过程包括：
19.2.1)对信号的频谱进行自适应分割，构造经验小波滤波器，在傅里叶域中分离调幅调频分量；
20.2.2)然后利用希尔伯特变换对分离得到的调幅调频分量进行处理，估计得到其对应的瞬时频率和瞬时幅度，由小波变换的基础定义可得，每一个本征模态函数包含一个特定的频谱，能够准确地反映电能质量的信号变化，因此，可以通过经验模型小波分解方法消除高频噪声，保留了电能质量扰动的有效特征分量。
21.更进一步，所述步骤4中，每一层的细节如下所示：
22.4.1)输入层：将电能质量扰动原始电压信号通过经验模态小波分解得到6个本征模态函数，然后重构作为卷积神经网络结构的输入层；
23.4.2)卷积层：神经网络结构中包含两个卷积层，卷积层a是一个维度为1
×
21内核，卷积层a作为输入向量的过滤器，对数据进行单独处理；卷积层b是一个维度为1
×
13内核；另外，神经网络中的激活函数选择为relu；
24.4.3)池化层：池化层a和池化层b的维度均为2
×
2，卷积层后跟随池化层，目的是降
低输出向量的维数，增加特征的空间不变性；
25.4.4)全连通层：全连接层a中神经元的维度个数为168，全连接层b中神经元的维度个数为64，在全连通层中，每个输出神经元都与所有输入神经元相连，在全连接层的末端，通过softmax函数与输出层连接，以产生分类结果；
26.4.5)输出层：输出层有10个神经元，分别为二元取值，即0或者1，输出层对应10种典型的电能质量扰动类型。
27.本发明的有益效果为：有效满足实际工程中辨识高精度和特征提取自动化的要求。
附图说明
28.图1是基于噪声标签重构的风力发电机电能质量扰动状态监测方法的流程图。
具体实施方式
29.下面对本发明做进一步说明。
30.参照图1，一种基于噪声标签重构的风力发电机电能质量扰动状态监测方法，包括以下步骤：
31.步骤1：电压信号预处理，过程如下：
32.基于ieee
‑
1159标准中定义的数学模型，仿真产生的一组电能质量扰动的时序信号，其中仿真信号包括10种典型代表扰动特征，具体有：标准正弦电压信号，电压跌落扰动信号，电压隆起扰动信号，瞬态断电扰动信号，谐波电压扰动信号，电压跌落与谐波复合扰动信号，瞬态断电与谐波复合扰动信号，电压闪变扰动信号，电压瞬态振荡扰动信号，电压周期缺口信号，具体的，时序波形信号的采样率为1khz，采样长度为200个点，信号幅值参数a做归一化处理定义为1，其余参数均在表1中说明，此外，在得到数学解析模型的基础上，加入高斯白噪声用以模拟真实应用场景下采集得到的电压信号。
33.[0034][0035]
表1
[0036]
步骤2：电压信号分解处理，过程如下：
[0037]
在得到仿真波形数据后，利用经验模态小波分解方法将原始信号进行分割，分解得到多个本征模态函数，过程包括：2.1)对信号的频谱进行自适应分割，构造经验小波滤波器，在傅里叶域中分离调幅调频分量；2.2)然后利用希尔伯特变换对分离得到的调幅调频分量进行处理，估计得到其对应的瞬时频率和瞬时幅度。由小波变换的基础定义可得，每一个本征模态函数包含一个特定的频谱，能够准确地反映电能质量的信号变化，因此，可以通过经验模型小波分解方法消除高频噪声，保留了电能质量扰动的有效特征分量。考虑到谐波分量的存在，经验模态小波的分解数目选取为6。
[0038]
步骤3：噪声标签重新标注，过程如下：
[0039]
考虑到实际工程应用中，从电网采集的电能质量数据标签通常无法正确标注，有些数据标签缺失，有些样本数据甚至被误标签，为此，在得到分解后的信号后，引入协同训练对训练样本数据进行标签重构，从而去除噪声或错误样本标签，步骤如下：
[0040]
3.1)统计特征提取与信号分割，采用经验模态小波分解得到待标注的样本信号进行分解，引入统计分析方法，提取每一段的特征，提取的统计特征量包括均方根、标准差、方差、距离、偏度、峰度、均值、平均偏差和排列熵；假设原始样本信号被分解为k个片段，则第i个样本的特征向量被表示为f(i)＝{f1(i)、f2(i)、
…
、fk
×
8(i)}。
[0041]
3.2)协同训练。在协同训练阶段，将原始样本数据集分为三组，定义为标记集l、潜在错误标记集u和验证集v。然后对标记集l进行bootstrap抽样，生成三个标记训练集l1、l2和l3。然后，从每个训练集中采用决策树、logistic回归和朴素贝叶斯模型构造三种不同分类器，并定义为c1、c2和c3。在“少数服从多数”规则下，利用上述三种分类器输出带噪标记样本。例如，c1和c2被用来预测一个未标记的样本为正样本，而c3输出为负样本，在训练阶段该样本被视为c3的带噪标记正样本。换句话说，如果两个分类器对一个未标记样本给出相同的预测决策，则该样本被认为是具有高置信度的预测结果。然后将该未标记样本用某个标记进行标记，并将其加入到第三分类器的标记训练集中。同时，利用“少数服从多数”的原则来消除分类错误。最后，将l1、l2和l3的交集优化为最终的标记训练集l
′
。
[0042]
步骤4：基于卷积神经网络的特征提取，过程如下：
[0043]
利用卷积神经网络结构对分解得到的电能质量扰动信号进行特征提取，如图1所示，其网络框架结构连接拓扑为，输入层连接卷积层a，输出为4个6
×
80维度的矩阵，卷积层a连接池化层a，输出为4个4
×
40维度的矩阵，池化层a连接卷积层b，输出为6个4
×
28维度的矩阵，卷积层b连接池化层b，输出为6个2
×
14维度的矩阵，池化层b连接全连接层a，全连接层a连接全连接层b，全连接层b连接输出层，每一层的细节如下所示：
[0044]
4.1)输入层：将电能质量扰动原始电压信号通过经验模态小波分解得到6个本征模态函数，然后重构作为卷积神经网络结构的输入层。
[0045]
4.2)卷积层：神经网络结构中包含两个卷积层，卷积层a是一个维度为1
×
21内核，卷积层a作为输入向量的过滤器，对数据进行单独处理；卷积层b是一个维度为1
×
13内核；另外，神经网络中的激活函数选择为relu。
[0046]
4.3)池化层：池化层a和池化层b的维度均为2
×
2，卷积层后跟随池化层，目的是降低输出向量的维数，增加特征的空间不变性。
[0047]
4.4)全连通层：全连接层a中神经元的维度个数为168，全连接层b中神经元的维度个数为64，在全连通层中，每个输出神经元都与所有输入神经元相连。在全连接层的末端，通过softmax函数与输出层连接，以产生分类结果。
[0048]
4.5)输出层：输出层有10个神经元，分别为二元取值，即0或者1，输出层对应10种典型的电能质量扰动类型。
[0049]
步骤5：支持向量机分类模型，过程如下：
[0050]
将卷积神经网络得到特征向量通过主成分分析方法进行特征降维，去除冗余分量，旨在提高训练模型的鲁棒性。而后，将选择后的特征向量输入支持向量机模型进行电能质量扰动模式识别。由于基础的支持向量机是针对二分类进行设计的，因此需要采用多类分类策略。在本发明中，引入了“一对多”的分类策略改进支持向量机，得到最终的分类模型。
[0051]
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。