專利名稱：一種基于kl距離的電能質(zhì)量擾動分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于KL距離的電能質(zhì)量擾動分類方法，屬電能質(zhì)量技術(shù)領(lǐng)域。
背景技術(shù)：
電力市場環(huán)境下，電能質(zhì)量擾動問題引起廣泛關(guān)注，其分類識別問題也逐漸成為近年來電力系統(tǒng)研究領(lǐng)域的熱點(diǎn)。電能質(zhì)量擾動分類包括特征值提取、模型訓(xùn)練和分類三個過程。目前，常用的特征值提取方法有小波變換、希爾伯特黃變換、S變換、數(shù)學(xué)形態(tài)學(xué)、瞬時無功功率理論和分形分析法等。其中小波變換已得到廣泛應(yīng)用，小波函數(shù)本身衰減很快，屬于暫態(tài)波形，具有快速傅里葉變換和短時傅里葉變換無法比擬的優(yōu)點(diǎn)。其次，在分類器的選擇上，常用的方法有模糊分類法、人工神經(jīng)網(wǎng)絡(luò)法、Fisher線性分類法、貝葉斯方法和支持向量機(jī)法等。其中，支持向量機(jī)在解決小樣本、非線性及高維模式識別中具有較強(qiáng)的優(yōu)勢，適合電能質(zhì)量擾動信號分類應(yīng)用領(lǐng)域。在分類的時候，主要分為訓(xùn)練和分類兩大步驟。這兩步都需要進(jìn)行特征值提取。(I)在訓(xùn)練的時候，將訓(xùn)練樣本的特征值輸入到支持向量機(jī)，這時，分類器會進(jìn)行計(jì)算，得到分類器的訓(xùn)練模型參數(shù)。(2)在分類的時候，提取待分類樣本的特征值，輸入到支持向量機(jī)，會自動計(jì)算得到分類結(jié)果。

發(fā)明內(nèi)容
本發(fā)明的目的是，要提供一種基于KL距離的電能質(zhì)量擾動分類方法，對正弦電壓信號和擾動信號幀信號進(jìn)行離散小波分解，計(jì)算兩者概率分布距離作為分類器的特征值。方法實(shí)施簡單，復(fù)雜度低，具有較高的分類正確率。本發(fā)明的技術(shù)方案是本發(fā)明是一種基于KL距離的電能質(zhì)量擾動分類方法，包括特征值提取步驟、SVM模型生成步驟、擾動分類步驟。本發(fā)明方法中的特征值提取部分包括以下步驟(I)對正弦電壓信號、電壓凸起信號、電壓凹陷信號、電壓間斷信號、電壓諧波信號、脈沖暫態(tài)信號、振蕩暫態(tài)信號進(jìn)行分幀處理。幀長為N，正弦電壓幀信號用Vn[i]表示，
電壓凸起幀信號用d!+]表示，電壓凹陷幀信號用〖 [/]表示，電壓間斷幀信號用v:temjn表示，電壓諧波幀信號用KinmmM]表示，脈沖暫態(tài)幀信號用n;-lse[n表示，振蕩暫態(tài)信號用表示，其中I ( i彡N，匕"sLr/TV」，n為幀號索引。(2)根據(jù)步驟(I)得到的電壓幀信號，分別對每幀信號進(jìn)行離散小波分解，提取第一級小波細(xì)節(jié)子帶系數(shù)。正弦電壓幀信號的小波細(xì)節(jié)子帶系數(shù)用VDn[j]表示，電
壓凸起幀信號的小波細(xì)節(jié)子帶系數(shù)用表示，電壓凹陷幀信號的小波細(xì)節(jié)子帶系數(shù)用表示，電壓間斷幀信號的小波細(xì)節(jié)子帶系數(shù)用vD:,tern,pt[n表示，電壓諧波幀信號的小波細(xì)節(jié)子帶系數(shù)用表示，脈沖暫態(tài)幀信號的小波細(xì)節(jié)子帶系數(shù)用「％—[_/+]表示，振蕩暫態(tài)信號的小波細(xì)節(jié)子帶系數(shù)用表示，其中Nd，1<//< L，Nd為小波細(xì)節(jié)子帶系數(shù)長度，η為幀號索引。(3)根據(jù)步驟(2)得到的電壓幀信號小波細(xì)節(jié)子帶系數(shù)，計(jì)算其概率分布函數(shù)。正弦電壓信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用VDPn[k]表示、電壓凸起信號的
幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用表示、電壓凹陷信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用Γ/)/ μ]及示、電壓間斷信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用VDP:柄rvpt\k]表示、電壓諧波信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用[幻表示、脈沖暫態(tài)信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用[幻表示、振蕩暫態(tài)電壓信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用表示，其中I彡k彡N IS"斗r/#」，Np為概率分布系數(shù)長度，η為幀號索引。(4)根據(jù)步驟(3)得到的電壓幀信號小波系數(shù)的概率分布，分別計(jì)算正弦電壓幀信號與不同電壓擾動信號間的概率分布KL距離，距離計(jì)算采用如下公式
權(quán)利要求
1.一種基于KL距離的電能質(zhì)量擾動分類方法，其特征在于，所述方法包括特征值提取步驟、SVM模型生成步驟、擾動分類步驟； 所述特征值提取包括以下步驟(O設(shè)正弦電壓信號用V[t]表示，電壓凸起信號用Vswell[t]表示，電壓凹陷信號用Vsag[t]表不，電壓間斷信號用Vintemjpt [t]表不，電壓諧波信號用Vhanironie[t]表不,脈沖暫態(tài)信號用Vtimpulse [t]表不,振蕩暫態(tài)信號用Vttjseillatim[t]表不,其中I彡t彡τ,τ為信號長度；對正弦電壓信號、電壓凸起信號、電壓凹陷信號、電壓間斷信號、電壓諧波信號、脈沖暫態(tài)信號、振蕩暫態(tài)信號進(jìn)行分幀處理，幀長為N，正弦電壓幀信號用Vn[i]表示，電壓凸起幀信號用表示，電壓凹陷幀信號用r^[/]表示，電壓間斷幀信號用 βτ_[/]表示，電壓諧波幀信號用表示，脈沖暫態(tài)幀信號用K: 一 M]表示，振蕩暫態(tài)信號用表示，其中I彡i彡N，I < <[7/#]，Π為幀號索引； (2)根據(jù)步驟(I)得到的電壓幀信號，分別對每幀信號進(jìn)行離散小波分解，提取第一級小波細(xì)節(jié)子帶系數(shù)；正弦電壓幀信號的小波細(xì)節(jié)子帶系數(shù)用VDn[j]表示，電壓凸起幀信號的小波細(xì)節(jié)子帶系數(shù)用Wd/]表示，電壓凹陷幀信號的小波細(xì)節(jié)子帶系數(shù)用FD^L/+]表示，電壓間斷幀信號的小波細(xì)節(jié)子帶系數(shù)用表示，電壓諧波幀信號的小波細(xì)節(jié)子帶系數(shù)用FUj]表示，脈沖暫態(tài)幀信號的小波細(xì)節(jié)子帶系數(shù)用VDLpulJj]表示，振蕩暫態(tài)信號的小波細(xì)節(jié)子帶系數(shù)用VD:a!!—U]表示，其中I < j < ND，K K [T/N]，Nd為小波細(xì)節(jié)子帶系數(shù)長度，η為幀號索引； (3)根據(jù)步驟(2)得到的電壓幀信號小波細(xì)節(jié)子帶系數(shù)，計(jì)算其概率分布函數(shù)；正弦電壓信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用VDPn[k]表示，電壓凸起信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用表示、電壓凹陷信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用表示、電壓間斷信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用[Α]表示、電壓諧波信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用表示、脈沖暫態(tài)信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用[幻表示、振蕩暫態(tài)電壓信號的幀信號小波細(xì)節(jié)子帶系數(shù)概率分布函數(shù)用[幻表示，其中I ( j < ΝΡ，<Γ/#」，Np為概率分布系數(shù)長度，η為幀號索引； (4)根據(jù)步驟(3)得到的電壓幀信號小波系數(shù)的概率分布，分別計(jì)算正弦電壓幀信號與不同電壓擾動信號間的概率分布KL距離，距離計(jì)算采用如下公式 KLVVsag {η) = X (F現(xiàn)l々]xlog(i7)/)"⑷ \_k_NP
2.根據(jù)權(quán)利要求1所述的一種基于KL距離的電能質(zhì)量擾動分類方法，其特征在于，所述SVM模型生成包括以下步驟 對電壓凸起、電壓凹陷、電壓間斷、電壓諧波、脈沖暫態(tài)、振蕩暫態(tài)電壓信號進(jìn)行特征值提取，電壓凸起信號特征值Fswell、電壓凹陷信號特征值Fsag、電壓間斷信號特征值Fintorapt、電壓諧波信號特征值Fhmwni。、脈沖暫態(tài)信號特征值Ftimpulse、振蕩暫態(tài)信號特征值Ft_illatim分別表示為
3.根據(jù)權(quán)利要求1所述的一種基于KL距離的電能質(zhì)量擾動分類方法，其特征在于，所述擾動分類包括以下步驟 給定s個待分類電能質(zhì)量擾動信號，提取特征值，表示為 ⑴…燈 /]::、,.(")，·…燈 ];:、,.(丨)···以 其中，η為幀號索引，s為待分類電能質(zhì)量擾動信號的個數(shù)； 將特征值Fsest輸入到分類器模型，分類器自動判別得出s個待分類電壓信號的電能質(zhì)量擾動 類型。
全文摘要
本發(fā)明公開了一種基于KL距離的電能質(zhì)量擾動分類方法，包括特征值提取、SVM模型生成和擾動分類三個部分。在特征值提取部分，對正弦信號和擾動信號進(jìn)行分幀處理，然后分別進(jìn)行離散小波分解，計(jì)算小波系數(shù)的概率分布，最后計(jì)算分布的KL距離作為特征值。在SVM模型生成部分，提取不同類型的擾動信號特征值輸入到SVM中，生成訓(xùn)練模型。在擾動分類部分，提取待分類信號的特征值，輸入到SVM訓(xùn)練模型，分類得到擾動信號類型。本發(fā)明時間復(fù)雜度較低，分類準(zhǔn)確率較高，在電能質(zhì)量領(lǐng)域具有較好的應(yīng)用價值。本發(fā)明適用于電能質(zhì)量擾動分類研究。
文檔編號G06K9/62GK102982347SQ20121053380
公開日2013年3月20日 申請日期2012年12月12日 優(yōu)先權(quán)日2012年12月12日
發(fā)明者曾偉, 孫旻 申請人:江西省電力科學(xué)研究院, 國家電網(wǎng)公司