基于GSA的ELM电能质量扰动识别方法研究.docVIP

基于GSA的ELM电能质量扰动识别方法研究 　　摘要：ELM是一个单隐层神经网络，具有良好的泛化和快速学习能力，该算法只需用户调整隐含层节点个数，但该参数的选择直接影响了ELM的性能。文章提出一种新的优化方案，该方案使用GSA优化输入特征子集和隐含层节点数以提高ELM的性能，实验结果表明：该方法在识别电能质量扰动方面更快、更准确。 　　关键词：GSA；ELM；小波变换；特征选择；万有引力搜索算法；极限学习机 文献标识码：A 　　中图分类号：TM614 文章编号：1009-2374（2015）29-0015-03 DOI：10.13535/ki.11-4406/n.2015.29.008 　　1 概述 　　工业中由于电能质量（Power-Quality，PQ）问题已经造成大量资源的流失，导致PQ问题的主要原因是过多地使用固态开关设备、非线性负载、各种数据处理设备等。这些设备的使用使得PQ信号的相位、频率和振幅发生了畸变，从而进一步导致过热、电机故障、谐波失真等问题。传统上，PQ问题可以通过目测干扰波形，但该方法需要工程师具备一定的专业知识，且需要分析大量数据，因此，有必要开发自动的PQ干扰识别方法。 　　自动识别方法主要包括两步：特征提取和模式识别。小波变换（Wavelet Transform，WT）可以用于电力信号扰动检测和定位。有学者提出基于WT和人工神经网络（Artificial Neural Network，ANN）的PQ扰动检测方法。参考文献[4]使用支持向量机（Support Vector Machine，SVM）实现信号的识别。然而，SVM需要对复杂的二次规划问题进行求解，涉及高的计算复杂度和时间成本，当数据集较大时，这一缺陷更为明显。参考文献[5]使用ANN实现多分类，ANN通过网络直接把输入数据映射到不同的类，ANN易于实现，更像人类的思维认知，然而，对于大规模问题，ANN缺乏有效的快速学习算法，且存在隐含层神经元个数的选择问题。 　　极限学习机（Extreme Learning Machine，ELM）是一种新的学习算法，它是一种单隐层前馈神经网络学习算法。相比传统的基于梯度的学习算法，ELM学习速度快，且泛化性能好，同时避免了传统学习方法面临的问题。本文使用ELM进行PQ扰动信号识别，相比其他方法，ELM的优点是用户只需调整隐含层节点数目，但最佳隐含层节点数目的选择可以提高其性能。万有引力搜索算法（Gravitational Search Algorithm，GSA）是一种新的群体优化算法，相比其他优化算法，它具有跳出局部最优解的能力，且易于实现，本文通过GSA优化ELM参数以获得较高的分类精度，同时使用GSA对小波变换后PQ扰动信号进行特征提取，以完成对电能质量扰动信号的识别。 　　2 方法 　　基于GSA的ELM电能质量扰动分类系统首先通过GSA检测最佳特征子集，接着使用GSA估计最佳隐含层节点数，以达到自动优化ELM分类器的准确性。图1为基于GSA的ELM优化分类框架。 　　图1 GSA-ELM分类框架 　　给定训练集{Xi，Yi}，隐含层节点输出函数为G（W，B，X），Lmax为最大隐含层节点数。 　　步骤1：通过GSA算法选择最佳输入特征数量（N）和隐含层节点数（L）。 　　步骤2：随机分配隐含节点的参数（Wi，Bi），i=1，2，……，L。 　　步骤3：计算隐含层的输出矩阵YH。 　　步骤4：计算输出权值，是隐含层输出矩阵的广义Moore?CPenrose逆矩阵。 　　2.1 编码 　　为了有效地利用GSA优化ELM，使用二进制编码表示粒子。表1显示了使用的二进制粒子表示，每个粒子由两部分组成：第一部分包含特征子集f，f选自d个输入特征；第二部分包含隐含层神经元个数。由于位置向量的第一部分用于实现特征选择任务，每个元素为“0”（特征丢弃）或“1”（特征选择）。代表特征值，表示隐含层神经元个数，nc为隐含层神经元的位数。实验使用7位编码方案表示隐含层神经元，13位表示特征值。 　　2.2 适应度函数 　　GSA基于适应度函数值评估每一个候选解pi的优劣。适应度函数使用分类精度和特征数作为评估标准。具有较高的分类精度和少的特征数目的粒子具有高的适应度值。式（1）为定义的适应度函数，适应度函数有两个预定义的权重wA和wF，wA代表ELM分类精度acci的权值；wF代表所选择的特征的权值。 　　（1） 　　fj为“1”表示第j个特征被选择，“0”表示没被选中，nF是总的特征数。分类的准确性（acc）表示正确分类的百分比，acc通过公式（2）计算，其中cc表示正确分类的数目，uc表示错误分类的数目。 　　2.3 GSA-ELM系统 　　基于GSA的特征