[发明专利]基于GA-SVM的电能质量多扰动信号分类识别方法

摘要

本发明公开了一种基于GA‑SVM的电能质量多扰动信号分类识别方法，首先采用基于改进的EEMD的HHT方法对各种电能质量复合扰动进行特征提取，即根据EEMD算法的特性，添加绝对值相等的正负高斯白噪声来降低噪声残余；利用概率统计的参数自适应特性对EEMD算法的参数选择过程进行了优化；提出自适应阈值去噪的方法对IMF信号进行去噪处理，降低了各个IMF分量中噪声的影响；其次运用GA算法实现SVM参数的最优化；选取支持向量机（SVM）分类器作为电能质量多扰动信号的分类工具；同时，针对传统SVM存在的经验参数选取等缺点，提出了利用GA的全局寻优特性优化SVM参数的选取过程，大大节省了依靠经验和反复试验来设置参数的时间并提高了参数的准确性和实用性。

主权项

1.一种基于GA‑SVM的电能质量多扰动信号分类识别方法，其特征在于，包括如下步骤：步骤A：利用电压传感器采集电网中的电压信号，并对采集到的电压信号进行特征提取，具体包括步骤A1‑A4；步骤A1：利用电压传感器采集电网中的电压信号，然后利用信号调理电路对采集到的信号进行滤波和整形处理；步骤A2：将滤波和整形处理处理后的信号传递到数据采集卡中，然后利用数据采集卡的模数转换功能将模拟信号转换为计算机能够处理的数字信号；步骤A3：对模数转换后得到的数字信号进行信号去噪处理，然后对去噪后的信号进行改进的EEMD分解，并对分解后的信号进行Hilbert变换得到时频特性曲线和时幅特性曲线，具体包括步骤A3.1‑A3.9：步骤A3.1:设置期望信号分解所出现的最大相对误差ε，计算原始信号幅值标准差，对原始信号进行EMD分解求得高频成分，并计算高频成分幅值标准差；步骤A3.2:计算高频成分幅值标准差和原始信号幅值标准差比值β；步骤A3.3:计算需要添加的高斯白噪声幅值标准差和原始信号幅值标准差的比值α＝β/4；步骤A3.4:根据公式计算集成平均次数N的值；步骤A3.5:重复N次向信号中添加绝对值相等的随机正负高斯白噪声，并进行EMD分解，得到各阶IMF分量；步骤A3.6:选择需要去噪的IMF分量，确定需要去噪的IMF分量的个数m，对选择的m个IMF分量中包含的噪声能量进行估计并计算出去噪选用的自适应阈值；步骤A3.7:对选择需要去噪的各个IMF分量进行硬阈值去噪；步骤A3.8:求取各个IMF分量的集合平均值，作为最后的EEMD分解结果；步骤A3.9:对分解后的信号进行Hilbert变换得到时频特性曲线和时幅特性曲线；步骤A4：根据步骤A3得到的时频特性曲线和时幅特性曲线分别提取每个扰动信号的特征量，具体特征量如下：T1：时间‑瞬时频率包络线平均值；T2：时间‑瞬时频率包络线标准差；T3：时间‑瞬时幅值包络线平均值；T4：时间‑瞬时幅值包络线标准差；T5：幅值因数；步骤B：根据步骤A4提取到的特征量建立基于GA‑SVM的分类识别模型，具体包括步骤B1‑B2：步骤B1：将步骤A4提取到的特征量归集为样本数据；步骤B2：将样本数据数据输入到GA‑SVM模型中利用GA进行SVM的参数选优，并对样本数据进行分类，具体包括步骤B2.1‑B2.7；步骤B2.1:设定SVM的核函数,并分别设定SVM的惩罚系数C_t、不敏感系数ε_t和核函数的宽度系数σ_t的取值范围；步骤B2.2:确定适应度函数；步骤B2.3:根据B2.1中定义的惩罚系数C_t、不敏感系数ε_t和核函数的宽度系数σ_t的取值范围，产生它们的初始种群，并对初始种群进行编码；步骤B2.4:在GA中对初始种群中的每个个体进行自适应度计算，若每个个体的自适应度满足误差要求，则进入步骤B2.7；步骤B2.5:若不满足，对种群进行遗传操作，根据遗传概率选择对种群进行选择、交叉和变异操作，以形成新的参数族群；步骤B2.6:对新的族群重复步骤B2.4,若每个个体的自适应度满足误差要求，则进入步骤B2.7；若不满足，则重复步骤B2.3～B2.6；步骤B2.7:将GA的输出的最优惩罚系数C_t、不敏感系数ε_t和核函数的宽度系数σ_t输入到SVM中，构成最优差参数的SVM分类器，对输入的样本数据进行训练和分类；对样本数据进行分类时首先根据T1判断信号中是否含有谐波分量；然后根据T2和T4判断该信号是否有频率和幅值的大幅度变化，以确定信号是否含有电压波动类型的扰动；再通过T3与额定值的比较可以判断扰动信号是否含有暂升、暂降或暂态脉冲；最后运用T5来判断含有的是电压暂升还是暂态脉冲。