[发明专利]一种基于t‑SNE的电能质量扰动特征提取方法

说明书

技术领域

本发明涉及电力监测技术领域，特别是涉及基于t-SNE的电能质量扰动特征的提取方法。

背景技术

电能质量扰动(power quality disturbance，PQD)存在于海量的电力系统监测数据中，基于大数据和智能化的PQD识别已成为电力工作者们研究的重点。其中分析电压扰动信号并选取合适的特征向量是PQD识别基础的关键点，特征向量的相关性和冗余性决定着识别准确率的高低。结合人的视觉特点和主观认识，使PQD数据挖掘的结果具有可交互性和直观性，进而有助于从不同可视化角度对复杂PQD数据进行进一步分析，已成为PQD研究中的一个发展方向。

目前，普遍采用时-频分析方法提取PQD原始信号中的特征向量，其中小波变换被广泛应用于PQD特征提取，并取得了较好的效果。因为小波函数本身衰减很快，属于一种暂态波形，将其用于电能质量分析领域、特别是暂态过程分析领域具有傅里叶变换和短时傅里叶变换无法比拟的优点。

为了获得保持高维内在分类结构的低维数据，并得到较好的可视化结果，流行学习算法被引入到PQD特征提取中。为了处理大量日常生活中遇到的非线性结构的数据，人们提出了基于几何结构的降维技术，统称为流形学习，即通过输入数据的几何分布进行子空间求解。比如，多维尺度分析(Multi Dimensional Scaling，MDS)、等距映射算法(isometric mapping，ISOMAP)、局部线性嵌入(locally linear embedding，LLE)、局部切空间排列算法(local tangent space alignment，LTSA)、局部保持映射(locality preserving projection，LPP)等。以上介绍的维数约减算法均通过矩阵特征分解求解子空间，从而达到降维的目的。Hinton等人巧妙的将高维数据间的欧氏距离转化为概率表达形式，提出了随机近邻嵌入(stochastic neighbor embedding，SNE)，其目标函数构建准则要求子空间与原输入空间具有相同的概率分布形式。SNE属于一种新的基于概率度量的降维算法，其降维和可视化效果优于大部分的基于矩阵度量的降维算法。后来，Laurens等人在此基础上进行了改进，提出了t分布随机近邻嵌入(t-distributed stochastic neighbor embedding，t-SNE)，用具有对称性的联合概率取代SNE中的条件概率，并在子空间中引入t分布函数定义两个样本的相似度。利用这种对称可以得到一种更简单的目标函数的梯度表示，因此t-SNE算法比SNE算法更容易优化，从而得到更好的低维结构和更好的可视化结果。

因此希望有一种基于t-SNE的电能质量扰动特征的提取方法能够解决现有技术中存在的PQD特征向量的相关性和冗余性的问题。

发明内容

本发明的目的在于提供一种基于t-SNE的电能质量扰动特征的提取方法解决低维PQD特征空间数据过于拥挤，容易出现部分混叠、丢失原有数据结构的问题。

本发明提供一种基于t-SNE的电能质量扰动特征的提取方法，依据信号模型产生PQD信号，对获得的PQD信号进行采样，然后对采样样本进行小波变换处理，通过t-SNE流行学习算法对提取到的PQD小波能量向量进行降维处理，并将其以散点图形式进行可视化显示。

优选地，所述依据信号模型产生PQD信号包括：电压凸起、电压凹陷、电压间断、谐波、脉冲暂态和振荡暂态；

电压凸起公式：v(t)＝A{1+α[u(t₂)-u(t₁)]}sinωt，其中0.1≤α≤0.8,T≤t₂-t₁≤9T；

电压凹陷公式：v(t)＝A{1-α[u(t₂)-u(t₁)]}sinωt，其中0.1≤α≤0.8，T≤t₂-t₁≤9T；

电压间断公式：v(t)＝A{1-α[u(t₂)-u(t₁)]}sinωt，其中0.9≤α≤1,T≤t₂-t₁≤9T，0.05≤α₃(α_5,α₇)≤0.15；