[发明专利]一种鼠群算法优化的电能质量问题分类方法

说明书

本发明公开了一种鼠群算法优化的电能质量问题分类方法，明涉及电能质量检测领域，通过将采集到的电能质量数据建立电能质量数据库，设置比例将数据库划分为训练集数据与测试集数据；将训练集中电能质量数据序列基于鼠群算法进行分析运算；确定深度极限学习机的拓扑结构以及相关参数的设置；将深度极限学习机训练得到的均方误差作为鼠群算法适应度值；将训练集数据输入到鼠群化深度极限学习机；根据训练集训练后的鼠群化深度极限学习机测试集的实验结果，计算分类精确度；在解决电能质量分类问题时精确度得到提升，减少电能质量问题对生产造成的经济损失。

技术领域

本发明涉及电能质量检测领域，尤其涉及一种鼠群算法优化的电能质量问题分类方法。

背景技术

电力是关系到国计民生的基础产业，电力的供应和安全事关经济社会发展全局；然而，随着新能源的大量并网和电力负荷类型的增加，特别是分布式能源的接入，以及敏感电子元件、电力转换器、工业驱动器、无功功率设备和固态开关的广泛使用，电网中各种电能质量扰动事件日益增多，具体表现为存在大量的稳态和暂态电能质量问题；由于电力系统供应的干扰，制造业也正面临着许多电能质量问题；电能质量差导致电机故障，计量不准确，线路过热，设备过早老化，保护设备误操作以及通信电路干扰；当电力输送中存在电压或电流异常时，任何国家的经济都会遭受巨大损失；2018年4月Leonardo电能质量倡议(LPQI)团队进行了欧洲电能质量调查，根据LPQI分析，欧盟25国每年因为糟糕的电能质量导致的浪费成本超过1500亿欧元，由此可见电能质量对国民经济的重要性；因此智能电网设计中的一个关键挑战是提高所提供电力的质量；根据IEEE标准1159-2009，电能质量扰动分为短持续时间变化、长持续时间变化、频率变化以及瞬态和稳态变化；通常电压暂降、暂升、中断和瞬变等干扰仅存在一定时间，而谐波和电压波动等稳态扰动可能在系统中持续存在；近几年来研究人员发现，同时发生两种或更多种电能质量干扰的可能性更大；电力系统电源供应中的电能质量扰动是许多商业和工业系统关心的最重要因素；电力系统供应商和客户都十分清楚电源电能质量不佳对负载的灾难性影响；通过有效处理电能质量扰动从而改善电能质量变得迫在眉睫，而在此之前，首先要关注的是检测主要发生在输配电线路中的扰动类型，从而认识到引起扰动的原因并采取适当的行动来缓解问题；因此对电能质量复合扰动进行分类识别对于保护电力系统免受这些干扰的不利影响是十分必要的。

发明内容

为解决现有技术的不足，本发明提供了一种鼠群算法优化的电能质量问题分类方法，

利用深度极限学习机，对单个和多个同时进行的电能质量信号进行实时准确检测，对电能质量问题类别进行快速准确的识别，以鼠群算法优化深度极限学习机中的多个隐含层的神经元个数构成鼠群化深度极限学习机进行电能质量问题分类预测，保证在应对复问题上具有良好的准确度，减少训练时间；

为解决所述技术问题，本发明所采取的技术方案是具体方法如下：

本发明提供了一种鼠群算法优化的电能质量问题分类方法，分为以下步骤：

S1：将采集到的电能质量数据建立电能质量数据库，设置比例将数据库划分为训练集数据与测试集数据；

S2：将训练集中电能质量数据序列基于鼠群算法进行分析运算；

S3：确定深度极限学习机的拓扑结构以及相关参数的设置；

S4：将深度极限学习机训练得到的均方误差作为鼠群算法适应度值；

S5：将训练集数据输入到鼠群化深度极限学习机；

S6：根据训练集训练后的鼠群化深度极限学习机测试集的实验结果，计算分类精确度；

所述S1中训练集数据：用于作为初始输入量开启深度极限学习机的学习过程；

所述S1中测试集数据：用于测试预测分类的准确率；