基于小波系數(shù)PCA和SaDE-ELM的電能質量擾動信號分類
薛正愛1，黃陳蓉2，張建德2，支昊1，顧飛1
(1 南京工程學院 電氣工程學院，江蘇 南京 211167；
2 南京工程學院 計算機工程學院，江蘇 南京 211167)
摘 要：電能質量擾動信號分類是電能質量綜合治理的前提，為提高分類精度，提出一種基于主成分分析(PCA) 和自適應差分進化(SaDE) 優(yōu)化的極限學習機(ELM) 的電能質量擾動信號分類方法。對 8 種擾動信號用 db4 小波進行 10 層多分辨分解，與標準能量信號的能量差系數(shù)作為特征向量，PCA 對其降維處理，去除冗余特征，得到 4 維數(shù)據(jù)作為分類的樣本數(shù)據(jù)集，利用 SaDE 算法對 ELM 的輸入權值和隱含層節(jié)點偏置優(yōu)化。通過仿真實驗表明，提出的 SaDE-ELM 識別準確率更高，抗噪性更強，更適應于電能質量擾動分類。
關鍵詞：電能質量；多分辨分解；主成分分析；自適應差分進化；極限學習機
中圖分類號：TM711 文獻標識碼：A 文章編號：1007-3175(2021)04-0006-05
Power Quality Disturbance Signal Classification Based on PCA and SaDE-ELM
XUE Zheng-ai1, HUANG Chen-rong2, ZHANG Jian-de2, ZHI Hao1, GU Fei1
（1 School of Electric Power Engineering, Nanjing Institute of Technology, Nanjing 211167, China;
2 School of Computer Engineering, Nanjing Institute of Technology, Nanjing 211167, China）
Abstract: Power quality disturbance signal classification is the premise of comprehensive power quality control. In order to improve the classification accuracy, this paper proposes a method of power quality disturbance signal classification based on principal component analysis(PCA) and adaptive differential evolution (SaDE) optimization of extreme learning machine (ELM). The 8 kinds of disturbance signals are decomposed by db4 wavelet with 10 layers of multi-resolution, and the energy difference coefficient with the standard energy signal is used as the feature vector, and PCA is used to reduce the dimensionality, redundant features are removed, and 4-dimensional data is obtained as a sample data set for classification. The SaDE algorithm is used to optimize the input weights and hidden layer node bias of ELM. Simulation experiment, the proposed SaDE-ELM has higher recognition accuracy, stronger noise resistance and it is more suitable for power quality disturbance classification.
Key words: power quality; multiresolution decomposition; principal component analysis; adaptive differential evolution; extreme learning machine
參考文獻
[1] 潘從茂，李鳳婷．基于小波變換的暫態(tài)電能質量的檢測與識別[J]. 電測與儀表，2013，50(11) ：69-72．
[2] 何智龍，蘇娟，覃芳. S 變換在電能質量擾動中的分析[J]. 電測與儀表，2015，52(22) ：25-30.
[3] 占勇，程浩忠，丁屹峰，等. 基于S 變換的電能質量擾動支持向量機分類識別[J] . 中國電機工程學報，2005，25(4) ：51-56．
[4] 陳春玲，許童羽，鄭偉，等. 多類分類 SVM 在電能質量擾動識別中的應用[J] . 電力系統(tǒng)保護與控制，2010，38(13) ：74-78.
[5] 俞曉冬，周欒愛. 基于改進 SVM 模型的電能質量擾動分類[J] . 電力系統(tǒng)保護與控制，2010，38(3) ：15-19.
[6] KUMAR R , SINGH B , SHAHANI D T, et al. Recognition of power-quality disturbances using S-transform-based ANN classifier and rule-based decision tree[J].IEEE Transactions on Industry Applications，2015，51(2) ：1249-1258．
[7] HUANG Guangbin, ZHOU Hongming, DING Xiaojian,et al.Extreme learning machine for regression and multiclass classification [J] . IEEE Transactions on Systems，2012，42(2) ：513-529．
[8] 苑津莎，張利偉，王瑜，等. 基于極限學習機的變壓器故障診斷方法研究[J] . 電測與儀表，2013，50(12) ：21-26．
[9] 李國華，李文悍. 基于差分進化算法的逆變器 SHEPWM 方法的研究[J] . 電力系統(tǒng)保護與控制，2019，47(17) ：32-38．
[10] 瞿合祚，劉恒，李曉明，等. 一種電能質量多擾動分類中特征組合優(yōu)化方法[J] . 電力自動化設備，2017，37(3) ：146-152.
