CN115329820A - 基于改进FastICA的电网扰动辨识方法及*** - Google Patents

Abstract

本发明公开了基于改进FastICA的电网扰动辨识方法及***，方法包括：基于目标电网的结构及其各元件参数，设置不同类型、不同母线位置的电网扰动类型，分别对其进行仿真，得到不同扰动类型下目标电网个母线电压幅值变化数据，即扰动数据；利用改进的快速独立成分分析算法对扰动数据进行去噪；提取经过去噪的扰动数据的特征；将提取到的特征生成扰动辨识样本数据集；构建电网扰动辨识模型；通过扰动辨识样本数据集对电网扰动辨识模型进行训练，得到训练完成的电网扰动辨识模型；采用训练完成的电网扰动辨识模型进行电网扰动辨识，输出包括扰动类型和扰动发生位置的扰动辨识结果。本发明具有去噪效果好、扰动辨识精度高等优点。

Description

基于改进FastICA的电网扰动辨识方法及***

技术领域

本发明涉及电网扰动辨识的技术领域，尤其涉及到一种基于改进FastICA 的电网扰动辨识方法及***。

背景技术

随着可再生能源、电力电子设备、可控负荷等非传统电网主体的大规模渗入电网，电力***运行场景更加复杂，传统基于电网模型的电网扰动识别方法可能会难以适应现代电力***电力***的新特点从而效果变差。随着电力***的高度智能化和自动化，所能获取的电力数据大幅增加，利用不依赖传统模型的数据驱动方法对电网扰动信号进行辨识，有助于获得较高的识别精度。

基于数据驱动的扰动识别方法指利用智能算法从大量电力数据中自主学习，以获取相应的特征参数并得到不同信号类型之间的规律，进而对扰动类型进行辨识。已有研究中，常用的电网扰动信号类型识别算法主要有支持向量机、深度神经网络和集成学习算法等。支持向量机算法主要应用于小样本和非线性样本的模式识别和线性分类等方面，但是它极易受核函数参数影响，需采用寻优算法寻找出最佳参数组合才可获得较好的分类效果。神经网络因其优异的非线性函数逼近和模式识别能力被广泛应用于电网扰动信号识别领域中，但是其训练时长和精度依赖于样本数据的数量和种类，且泛化能力一般。随着人工智能技术的不断创新，越来越多智能算法逐渐得到应用：有研究基于时频分析来提取信号特征，进而采用决策树算法来识别扰动信号。

通过对数据驱动的扰动识别方法的分析以及性能比较，发现基于数据驱动的人工智能算法可以较为精准地识别扰动类型。但是以往对噪声水平较高情况下的去噪研究较少；且目前较少见到利用智能算法同时识别和定位扰动源的研究。综上所述，有必要开展考虑数据高噪声情况下的基于数据驱动的电网扰动辨识方法研究。

发明内容

本发明所要解决的技术问题在于，提供一种高噪声情况下去噪性能优越、辨识精度高的基于改进FastICA的电网扰动辨识方法。

为了解决上述技术问题，本发明提供了一种基于改进FastICA的电网扰动辨识方法，包括：

采用Matlab/Simulink软件，基于目标电网的结构及其各元件参数，设置不同类型、不同母线位置的电网扰动类型，分别对其进行仿真，得到不同扰动类型下目标电网个母线电压幅值变化数据，即扰动数据；

利用改进的快速独立成分分析算法对扰动数据进行去噪；

提取经过去噪的扰动数据的特征；

将提取到的特征生成扰动辨识样本数据集；

构建电网扰动辨识模型；

通过扰动辨识样本数据集对电网扰动辨识模型进行训练，得到训练完成的电网扰动辨识模型；

采用训练完成的电网扰动辨识模型进行电网扰动辨识，输出包括扰动类型和扰动发生位置的扰动辨识结果。

进一步地，利用改进的快速独立成分分析算法对扰动数据进行去噪，包括：

快速独立成分分析算法以负熵最大化为目标函数，将含噪的扰动数据分离为原始扰动数据和噪声数据，独立成分分析的线性数学模型为：

其中，s为由n个独立源信号s_i组成，它们之间相互统计独立；A由n个分量a_i组成，为混合矩阵；

为了使原始扰动数据和噪声数据满足相互统计独立的条件，对原始数据X′进行中心化：

X＝X′-E[X′]，E[s]＝A^-1E[X]

以及白化：

满足

Q为白化矩阵；

取G(v)＝tanh(v)，负熵近似公式为：

其中，

是具有零均值和单位方差的输出变量，W是分离矩阵；

是高斯随机变量，均值和单位方差与

相同；

引入信号幅值比α和相似系数ζ_ij作为算法的约束及判定条件：

其中，y_i是初始输出信号；y_i,new是经幅值变换后的最终输出信号；s是源信号；N为信号数据长度，即采样点数；若相似系数ζ_ij越接近1，则说明第i个分离信号与第j个源信号越相同，即算法分离效果越理想；若ζ_ij趋近于零或者距离1远，则说明分离并未完成，需重新分离信号。

进一步地，利用离散小波变换提取经过去噪的扰动数据的特征，离散小波变换由下式计算：

DWT_h(a_wt,b_wt)＝2^-j/2∫2^-j/2h(t)ψ(2^-jt-k)dt

其中，h(t)为输入信号，a_wt和b_wt为h(t)的尺度因子位移因子，ψ(t)为小波函数；

选择db6小波函数构建离散小波变换算法，对扰动信号进行7层分解，并选取八项特征量对扰动数据进行特征提取，分别为基频幅值最大值、基频幅值最小值、基频幅值均值、基频幅值标准差、基频幅值幅值差、暂态过程持续时间、第5层小波系数能量E₅、第6层小波系数能量E₆。

进一步地，对于所提取的扰动发生时的不同类型及发生于不同母线的特征样本数据，随机选取75％作为训练样本，其余25％作为测试样本，设置标签为其对应的扰动类型及扰动发生的母线；所有训练样本构成训练集，所有测试样本构成测试集。

进一步地，所述电网扰动辨识模型为多标签随机森林分类模型，通过该训练好的多标签随机森林分类模型进行电网扰动辨识。

为了解决上述技术问题，本发明另外提供了一种基于改进FastICA的电网扰动辨识***，用于实现上述电网扰动辨识方法，其包括：

扰动数据采集模块，用于采用Matlab/Simulink软件，基于目标电网的结构及其各元件参数，设置不同类型、不同母线位置的电网扰动类型，分别对其进行仿真，得到不同扰动类型下目标电网个母线电压幅值变化数据；

去噪模块，利用改进的快速独立成分分析算法对扰动数据进行去噪；

特征提取模块，用于提取经过去噪的扰动数据的特征；

数据集生成模块，用于将提取到的特征生成扰动辨识样本数据集；

辨识模型构建模块，用于构建电网扰动辨识模型；

辨识模型训练模块，用于对构建的电网扰动辨识模型进行训练；

扰动辨识模块，采用训练好的电网扰动辨识模型进行电网扰动辨识，得到包括扰动类型和扰动发生位置的扰动辨识结果。

为了解决上述技术问题，本发明另外提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的电网扰动辨识方法的步骤。

为了解决上述技术问题，本发明另外提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的电网扰动辨识方法的步骤。

实施本发明的有益效果在于：

1、对于含噪声的扰动数据，使用改进的快速独立成分分析去噪，大大提高了去噪的效果。

2、采用多标签随机森林分类模型进行扰动辨识，再结合改进的快速独立成分分析去噪的情况下，极大地提高了扰动辨识的精度。

附图说明

图1为本发明一种基于改进FastICA的电网扰动辨识方法的原理流程图；

图2为本发明一种基于改进FastICA的电网扰动辨识方法中多标签随机森林分类模型的原理流程图；

图3为本发明一种基于改进FastICA的电网扰动辨识***的连接框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。仅此声明，本发明在文中出现或即将出现的上、下、左、右、前、后、内、外等方位用词，仅以本发明的附图为基准，其并不是对本发明的具体限定。

如图1所示，本实施例提供了一种基于改进FastICA的电网扰动辨识方法，包括以下步骤：

S1、采用Matlab/Simulink软件，基于目标电网的结构及其各元件参数，设置不同类型、不同母线位置的电网扰动类型，分别对其进行仿真，得到不同扰动类型下目标电网个母线电压幅值变化数据，即扰动数据；

S2、利用改进的快速独立成分分析算法对扰动数据进行去噪：

快速独立成分分析算法以负熵最大化为目标函数，将含噪的扰动数据分离为原始扰动数据和噪声数据，独立成分分析的线性数学模型为：

其中，s为由n个独立源信号s_i组成，它们之间相互统计独立；A由n个分量a_i组成，为混合矩阵；

为了使原始扰动数据和噪声数据满足相互统计独立的条件，对原始数据X′进行中心化：

X＝X′-E[X']，E[s]＝A^-1E[X]

以及白化：

满足

Q为白化矩阵；

取G(v)＝tanh(v)，负熵近似公式为：

其中，

是具有零均值和单位方差的输出变量，W是分离矩阵；

是高斯随机变量，均值和单位方差与

相同；

引入信号幅值比α和相似系数ζ_ij作为算法的约束及判定条件：

其中，y_i是初始输出信号；y_i,new是经幅值变换后的最终输出信号；s是源信号；N为信号数据长度，即采样点数；若相似系数ζ_ij越接近1，则说明第i个分离信号与第j个源信号越相同，即算法分离效果越理想；若ζ_ij趋近于零或者距离1远，则说明分离并未完成，需重新分离信号。

S3、利用离散小波变换提取经过去噪的扰动数据的特征，离散小波变换由下式计算：

DWT_h(a_wt,b_wt)＝2^-j/2∫2^-j/2h(t)ψ(2^-jt-k)dt

其中，h(t)为输入信号，a_wt和b_wt为h(t)的尺度因子位移因子，ψ(t)为小波函数；

选择db6小波函数构建离散小波变换算法，对扰动信号进行7层分解，并选取八项特征量对扰动数据进行特征提取，分别为基频幅值最大值、基频幅值最小值、基频幅值均值、基频幅值标准差、基频幅值幅值差、暂态过程持续时间、第5层小波系数能量E₅、第6层小波系数能量E₆。

S4、将提取到的特征生成扰动辨识样本数据集；

本步骤中，对于所提取的扰动发生时的不同类型及发生于不同母线的特征样本数据，随机选取75％作为训练样本，其余25％作为测试样本，设置标签为其对应的扰动类型及扰动发生的母线；所有训练样本构成训练集，所有测试样本构成测试集。

S5、构建多标签随机森林分类模型作为电网扰动辨识模型；

S6、通过扰动辨识样本数据集对电网扰动辨识模型进行训练，得到训练完成的电网扰动辨识模型；

S7、采用训练完成的电网扰动辨识模型进行电网扰动辨识，输出包括扰动类型和扰动发生位置的扰动辨识结果。

多标签随机森林分类模型的工作原理如图2所示。

为了证明本发明的优越性，客观真实地比较三种去噪方法的去噪性能，在表1中给出了200次不同实验下的快速独立成分分析和改进的快速独立成分分析对含不同噪声强度的扰动信号(s1～s10)去噪后的平均均方误差值。从表1 中可以看出，改进的FastICA算法的MSE值均小于原FastICA算法，验证了改进FastICA算法的去噪性能更优，同时也验证了引入幅值比α和相似系数ζ_ij来解决原FastICA自带的不确定性问题的有效性。

表1 FastICA和改进FastICA在不同噪声强度下的去噪效果对比

考虑到不同扰动信号数据的特点，利用MATLAB/Simulink***搭建IEEE标准3机9节点***的仿真模型，生成不同母线处发生三相短路、单相短路接地、两相短路接地、两相短路和大型感应电动机自启动的扰动数据，对本发明所提出的多标签随机森林分类模型进行训练。在测试时，分别采用Rank-SVM和ML-KNN 这两种常见的多标签分类方法对样本数据进行分类预测，并将结果与本方法的结果进行对比，如表2所示。

表2 本发明与RankSVM和ML-KNN的分类结果比较

为实现上述方法，本实施例还提供一种基于改进FastICA的电网扰动辨识***，如图3所示，其包括：

扰动数据采集模块，用于采用Matlab/Simulink软件，基于目标电网的结构及其各元件参数，设置不同类型、不同母线位置的电网扰动类型，分别对其进行仿真，得到不同扰动类型下目标电网个母线电压幅值变化数据；

去噪模块，利用改进的快速独立成分分析算法对扰动数据进行去噪；

特征提取模块，用于提取经过去噪的扰动数据的特征；

数据集生成模块，用于将提取到的特征生成扰动辨识样本数据集；

辨识模型构建模块，用于构建电网扰动辨识模型；

辨识模型训练模块，用于对构建的电网扰动辨识模型进行训练；

扰动辨识模块，采用训练好的电网扰动辨识模型进行电网扰动辨识，得到包括扰动类型和扰动发生位置的扰动辨识结果。

另外，本实施例还提供一种计算机设备以及计算机可读存储介质。

计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述电网扰动辨识方法的步骤。

计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述电网扰动辨识方法的步骤。

尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释，从而有效地涵盖本公开的预定范围。此外，上文以发明人可预见的实施例对本公开进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。

Claims (6)

1.基于改进FastICA的电网扰动辨识方法，其特征在于，包括：

采用Matlab/Simulink软件，基于目标电网的结构及其各元件参数，设置不同类型、不同母线位置的电网扰动类型，分别对其进行仿真，得到不同扰动类型下目标电网个母线电压幅值变化数据，即扰动数据；

利用改进的快速独立成分分析算法对扰动数据进行去噪；

提取经过去噪的扰动数据的特征；

将提取到的特征生成扰动辨识样本数据集；

构建电网扰动辨识模型；

通过扰动辨识样本数据集对电网扰动辨识模型进行训练，得到训练完成的电网扰动辨识模型；

采用训练完成的电网扰动辨识模型进行电网扰动辨识，输出包括扰动类型和扰动发生位置的扰动辨识结果。

2.根据权利要求1所述的基于改进FastICA的电网扰动辨识方法，其特征在于，利用改进的快速独立成分分析算法对扰动数据进行去噪，包括：

快速独立成分分析算法以负熵最大化为目标函数，将含噪的扰动数据分离为原始扰动数据和噪声数据，独立成分分析的线性数学模型为：

其中，s为由n个独立源信号s_i组成，它们之间相互统计独立；A由n个分量a_i组成，为混合矩阵；

为了使原始扰动数据和噪声数据满足相互统计独立的条件，对原始数据X′进行中心化：

X＝X′-E[X′]，E[s]＝A^-1E[X]

以及白化：

满足

Q为白化矩阵；

取G(v)＝tanh(v)，负熵近似公式为：

其中，

是具有零均值和单位方差的输出变量，W是分离矩阵；

是高斯随机变量，均值和单位方差与

相同；

引入信号幅值比α和相似系数ζ_ij作为算法的约束及判定条件：

其中，y_i是初始输出信号；y_i,new是经幅值变换后的最终输出信号；s是源信号；N为信号数据长度，即采样点数；若相似系数ζ_ij越接近1，则说明第i个分离信号与第j个源信号越相同，即算法分离效果越理想；若ζ_ij趋近于零或者距离1远，则说明分离并未完成，需重新分离信号。

3.根据权利要求1所述的基于改进FastICA的电网扰动辨识方法，其特征在于，利用离散小波变换提取经过去噪的扰动数据的特征，离散小波变换由下式计算：

DWT_h(a_wt,b_wt)＝2^-j/2∫2^-j/2h(t)ψ(2^-jt-k)dt

其中，h(t)为输入信号，a_wt和b_wt为h(t)的尺度因子位移因子，ψ(t)为小波函数；

选择db6小波函数构建离散小波变换算法，对扰动信号进行7层分解，并选取八项特征量对扰动数据进行特征提取，分别为基频幅值最大值、基频幅值最小值、基频幅值均值、基频幅值标准差、基频幅值幅值差、暂态过程持续时间、第5层小波系数能量E₅、第6层小波系数能量E₆。

4.根据权利要求1所述的基于改进FastICA的电网扰动辨识方法，其特征在于，对于所提取的扰动发生时的不同类型及发生于不同母线的特征样本数据，随机选取75％作为训练样本，其余25％作为测试样本，设置标签为其对应的扰动类型及扰动发生的母线；所有训练样本构成训练集，所有测试样本构成测试集。

5.根据权利要求1所述的基于改进FastICA的电网扰动辨识方法，其特征在于，所述电网扰动辨识模型为多标签随机森林分类模型，通过该训练好的多标签随机森林分类模型进行电网扰动辨识。

6.基于改进FastICA的电网扰动辨识***，其特征在于，用于实现权利要求1-5任一所述的基于改进FastICA的电网扰动辨识方法，其包括：

扰动数据采集模块，用于采用Matlab/Simulink软件，基于目标电网的结构及其各元件参数，设置不同类型、不同母线位置的电网扰动类型，分别对其进行仿真，得到不同扰动类型下目标电网个母线电压幅值变化数据；

去噪模块，利用改进的快速独立成分分析算法对扰动数据进行去噪；

特征提取模块，用于提取经过去噪的扰动数据的特征；

数据集生成模块，用于将提取到的特征生成扰动辨识样本数据集；

辨识模型构建模块，用于构建电网扰动辨识模型；

辨识模型训练模块，用于对构建的电网扰动辨识模型进行训练；

扰动辨识模块，采用训练好的电网扰动辨识模型进行电网扰动辨识，得到包括扰动类型和扰动发生位置的扰动辨识结果。

Images