[发明专利]一种基于大数据多特征提取协同分类的电能质量扰动识别方法

权利要求书

1.一种基于大数据多特征提取协同分类的电能质量扰动识别方法，其特征在于：此识别方法包括以下步骤：

(1)针对电能质量信号处理，利用模型提取特征向量：模型如下：

(a)改进广义S变换模型：对标准广义S变换的窗函数w(τ-t,σ)引入参数r＝σ×|f|来控制时频分辨率，对电能质量信号进行分析，提取特征向量；其中σ是关于频率f的尺度因子；

(b)广义谐波小波包分解模型：将电能质量信号分解到任意频率宽度，根据频率宽度分解结果，对广义谐波小波包变换的离散形式中的起始频率和频带带宽进行重置，进而对电能质量信号进行分析，提取特征向量；

(c)改进EEMD/LMD信号分解算法模型：根据电能质量信号情况，选择EEMD信号分解算法或LMD信号分解算法对电能质量信号进行分解；其中利用EEMD信号分解算法引入高斯白噪声弥补电能质量信号在不同尺度上的间断性，利用LMD信号分解算法对信号进行平滑处理；

(d)ε机模型：针对电能质量信号序列进行符号化处理，生成符号序列，再采取因果态分割重构法重构ε机，利用重构后的熵率、统计复杂度、状态数和相对熵率有效区分故障线路和非故障线路；

(2)将步骤(1)中各模型提取的特征向量利用基于LZW算法的压缩感知器SRC进行压缩处理；然后采用ε机复杂系统辨识分类器εCSSR和神经网络ANN分别进行分类；其中，ε机复杂系统辨识分类器εCSSR采用因果态重构算法重构ε机组成，ε机复杂系统辨识分类器εCSSR和神经网络ANN需要进行训练，由不同类型典型的电能质量信号经过步骤(1)处理后，对ε机复杂系统辨识分类器εCSSR和神经网络ANN进行训练；

(3)采用改进的决策模板法SWDT，使用混淆矩阵衡量各分类器对每组特征向量的识别能力，根据初步诊断情况自适应地为每组特征向量分类赋予决策权值，识别单一电能质量扰动及混合扰动。

2.根据权利要求1所述的一种基于大数据多特征提取协同分类的电能质量扰动识别方法，其特征在于：所述改进广义S变换模型理论为：

(1)广义S变换通过对标准S变换的窗函数引入参数r来控制时频分辨率，广义S变换定义为：

式中x(t)为时域信号，τ为时移因子，σ是关于频率f的尺度因子，窗函数w(τ-t,σ)可表示为：

式中基于傅里叶变换和卷积原理，GST的快速形式为：

令τ→iT，f→n/NT，T为采样周期,N为信号长度,i、n分别对应时间采样点和频率采样点,则广义S变换的快速离散表达式为:

式中为保证时域和频域扰动分辨率均能满足要求，对基频点f₀处的r值进行独立设置,来提高时频扰动分辨率,对参数r进行约束则有:

窗函数对应的离散形式变为:

(2)改进广义S变换的步骤为：

(a)对电能质量信号进行快速傅里叶计算，得到傅里叶频谱H(m),求得基频点n₀；

(b)自适应确定r₀、r_n,求取各频点n_i(i＝1,2,…N)对应高斯窗函数的傅里叶变换w(m,n_i)；

(c)将H(m)移位得到H(m+n_i)并与w(m,n_i)相乘，求其傅里叶逆变换得到时频矩阵S(i,n_i)；

(d)重复步骤(b)-(c),得到所有频点n对应的分量，最终求得时频矩阵S(i,n)；通过引入调节参数使得窗函数的调节更加灵活，适用低频区域和高频区域，其窗函数能更好的维持高斯属性。