基于粒子群与极限学习机的电能质量信号特征选择与识别.PDFVIP

第３５卷 第７期 电工 电能新 技 术 Ｖｏｌ．３５，Ｎｏ．７ ２０１６年７月 Ａｄｖａｎｃｅｄ Ｔｅｃｈｎｏｌｏｇｙ ｏｆ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｅｎｅｒｇｙ Ｊｕｌ． ２０１６ 基于粒子群与极限学习机的电能质量信号特征选择与识别 １ １ ２ ２ ３ １ 黄南天 ，卢国波 ，王玉强 ，赵振峰 ，李　 旭 ，张卫辉 （１． 东北电力大学电气工程学院，吉林省 吉林市 １３２０１２；２． 国网冀北电力有限公司检修分公司， 北京 １０２４８８；３． 甘肃电力公司武威供电公司，甘肃 武威７３３０００） 摘要：高效准确地分类电能质量扰动信号是处理电能质量问题的关键。 为降低特征计算量，提高 分类器分类效率，本文提出一种基于粒子群与极限学习机的电能质量特征选择与识别方法。 首先， 通过Ｓ 变换对电能质量扰动信号进行重构与变换，并在此基础上提取特征；然后，以极限学习机的 分类精度和选择特征个数作为适应度函数，通过粒子群算法在高维特征空间中寻优，剔除不相关和 冗余的特征，保留对扰动识别有效果的特征，由此，确定最优分类子集；最后，使用最优特征子集构 成极限学习机的输入向量，训练分类器，并采用优化后的分类器分类电能质量信号。 仿真实验表 明，新方法能够将维度为２５ 的原始特征集合缩减到８ 维，且在不同噪声环境下保持综合分类准确 率为９９３３％。 关键词：电能质量；Ｓ 变换；粒子群算法；极限学习机；特征选择 中图分类号：ＴＭ７４１　 　 　 　 　 文献标识码：Ａ　 　 　 文章编号：１００３⁃３０７６（２０１６）０７⁃００５５⁃０７ 征集合维度与分类器复杂度，提高分类效率。 １　 引言 ［２］ ＰＱ信号分类方法主要包括支持向量机 、ＢＰ 随着分布式可再生能源、非线性负荷与电力电 ［７］ ［８］ 神经网络 和概率神经网络 等。 这些方法具有 子设备的大量接入，电能质量（Ｐｏｗｅｒ Ｑｕａｌｉｔｙ，ＰＱ）问 良好的鲁棒性，但是参数设置复杂，时间或空间复杂 ［１］ 题日益受到电力工作人员的重视 。 ＰＱ 问题多表 度较高，实现困难。 极限学习机（Ｅｘｔｒｅｍｅ Ｌｅａｒｎｉｎｇ 现为电压质量问题，包括电压暂升、电压暂降、电压 Ｍａｃｈｉｎｅ，ＥＬＭ）需要优化的参数少，实现起来简单、 中断、电压闪变、暂态振荡和谐波等。 而在实际系统 迅速，能够满足ＰＱ信号分类问题的要求。 中，还经常发生含有多种扰动的复合扰动。 为简化ＰＱ信号分类器结构，提高分类效率与 准确分类ＰＱ信号是治理ＰＱ 问题的前提和基 准确率，本文提出一种基于粒子群优化算法（Ｐａｒｔｉ⁃ 础。 分类时，需先对原始扰动信号进行变换与处理， ｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）与 ＥＬＭ 的ＰＱ 信号特 提取出表征扰动信号特点的分类特征。 常用的方法 征选择与分类方法。 首先利用Ｓ变换对原始扰动信 ［２］ 有Ｓ 变换（Ｓ⁃Ｔｒａｎｓｆｏｒｍ，ＳＴ） 、小波变换（Ｗａｖｅｌｅｔ 号进行时⁃频分析，并根据变换结果提取原始扰动特 ［３］ Ｔｒａｎｓｆｏｒｍ，ＷＴ） 和短时傅里叶变换（Ｓｈｏｒｔ Ｔｉｍｅ 征；其次，将ＰＳＯ和ＥＬＭ相结