一种基于t‑SNE的电能质量扰动特征提取方法技术

本发明专利技术公开了基于t‑SNE的电能质量扰动特征的提取方法，所述方法建立了常见的PQD信号数学模型，并考虑了扰动参数和噪声的影响，然后采用小波分解得到信号的小波能量向量构造原始特征集，最后通过t‑SNE算法进行二次特征提取，得到保持样本高维空间结构的，敏感度高且聚类性好的低维特征。

【技术实现步骤摘要】
一种基于t-SNE的电能质量扰动特征提取方法
本专利技术涉及电力监测
，特别是涉及基于t-SNE的电能质量扰动特征的提取方法。
技术介绍
电能质量扰动(powerqualitydisturbance，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(MultiDimensionalScaling，MDS)、等距映射算法(isometricmapping，ISOMAP)、局部线性嵌入(locallylinearembedding，LLE)、局部切空间排列算法(localtangentspacealignment，LTSA)、局部保持映射(localitypreservingprojection，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(stochasticneighborembedding，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-distributedstochasticneighborembedding，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。
技术实现思路
本专利技术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。本专利技术提供一种基于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(α5,α7)≤0.15；谐波公式：v(t)＝A[α1sinωt+α3sin3ωt+α1sin5ωt+α7sinωt]，其中0.05≤α3(α5,α7)≤0.15，∑αi2＝1；脉冲暂态公式：v(t)＝{1-[u(t-t1)-u(t-t2)]}sinωt，其中0.05T≤t2-t1≤0.1T；振荡暂态公式：v(t)＝sinωt+ae-c(t-t1)sinbωt[u(t2)-u(t1)]，其中0≤t2-t1≤2T；其中，α为幅度；t1和t2分别为扰动开始时刻和结束时刻；T为信号周波。优选地，所述小波变换处理通过重复使用低通滤波器和高通滤波器实现分解；滤波器得到的低频分量和高频分量各占信号频带的1/2，对得到的新的低频分量重复上述分解过程，得到下一层的高频分量和低频分量；根据Parseval定理，能量小波系数公式如下：∫[f(t)]2dt＝∑[aj(k)]2+∑[dj(k)]2(1)式中，f(t)为待分解信号，aj(k)为小波分解第j层的近似系数，dj(k)为小波分解第j层的细节系数；对PQD进行J层分解，f(t)信号的小波变换近似能量分布和细节能量分布分别定义为：式中，j＝1,2,…,J，经过J层小波分解，得到特征向量利用以上公式进行小波分解，统计同一尺度下的组成向量作为PQD信号的特征向量集。优选地，由于Daubechies(db)系列小波的正交性、紧支性、对不规则信号的敏感性，结合PQD信号，所述J＝7，db4小波进行7层分解得到Ed的7维向量，作为t-SNE运算的数据样本。优选地，所述t-SNE流行学习算法引入具有对称性的联合概率表示原空间中的数据相似度，在子空间中采用t分布表示映像之间的相似度；给定n个d维样本向量X＝{x1，x2，…，xn}，数据xi和xj之间的相似度由联合概率pij表达，代表原空间中xi选择xj作为近邻的概率，即：其中λ为高斯函数的方差，pij＝0并且数据间的相似度概率和为1；选取n个r(r＜＜d)维向量Y＝{y1，y2，…，yn}作为X对应的子空间数据；采用t分布表达子空间数据间的概率，qij代表子空间yi和yj之间的相似度：t-SNE通过公式(6)获取最小化目标函数：最佳子空间的向量表达，即最小化原空间和子空间两个概率分布的Kullback-Leibler散度，本质是最大程度地匹配pij和qij，然后通过梯度下降法求解公式(6)的最优值；求解过程中为改善最优化过程中存在的振荡现象，并加速最优化过程，在公式(6)的基础上加一个动量项，得到带动量的梯度：其中，为第m次迭代向量Y的值，η为学习速率，β(m)为第m次迭代的动量值。优选地，所述t-SNE流行学习算法包括以下步骤：步骤一：确定样本矩阵X＝{x1，x2，…，xn}，设定方差参数λ；步骤二：根据X计算输入样本间两两欧氏距离；依据公式(4)计算条件联合概率pij；步骤三：先通过公式(5)计算联合概率qij；然后根据公式(6)计算梯度化，最后通过梯度下降法求解公式(6)的最优值；步骤四：输出。本专利技术公开了一种基于t-SNE的电能质量扰动特征的提取方法，在考虑扰动参数随机性和噪声影响的条件下，建立正弦信号和6种常见PQD信号，对提取到的PQD小波能量向量进行t-SNE算法降维，得到3维PQD特征向量，其可视化三维图可以清晰有效的区分PQD信号。与本文档来自技高网...

【技术保护点】
一种基于t‑SNE的电能质量扰动特征提取方法，其特征在于，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。

【技术特征摘要】
1.一种基于t-SNE的电能质量扰动特征提取方法，其特征在于，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。2.根据权利要求1所述的基于t-SNE的电能质量扰动特征的提取方法，其特征在于：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(α5,α7)≤0.15；谐波公式：v(t)＝A[α1sinωt+α3sin3ωt+α1sin5ωt+α7sinωt]，其中0.05≤α3(α5,α7)≤0.15，∑αi2＝1；脉冲暂态公式：v(t)＝{1-[u(t-t1)-u(t-t2)]}sinωt，其中0.05T≤t2-t1≤0.1T；振荡暂态公式：v(t)＝sinωt+ae-c(t-t1)sinbωt[u(t2)-u(t1)]，其中0≤t2-t1≤2T；其中，α为幅度；t1和t2分别为扰动开始时刻和结束时刻；T为信号周波。3.根据权利要求2所述的基于t-SNE的电能质量扰动特征的提取方法，其特征在于：所述小波变换处理通过重复使用低通滤波器和高通滤波器实现分解；滤波器得到的低频分量和高频分量各占信号频带的1/2，对得到的新的低频分量重复上述分解过程，得到下一层的高频分量和低频分量；根据Parseval定理，能量小波系数公式如下：∫[f(t)]2dt＝∑[aj(k)]2+∑[dj(k)]2(1)式中，f(t)为待分解信号，aj(k)为小波分解第j层的近似系数，dj(k)为小波分解第j层的细节系数；对PQD进行J层分解，f(t)信号的小波变换近似能量分布和细节能量分布分别定义为：式中，j＝1,2,…,J，经过J层小波分解，得到特征向量利用以上公式进行小波分解，统计同一尺度下的组成向量作为PQD信号的特征向量集。4.根据权利要求3所述的基于t-SNE的电能质量扰动特征的提取方法，其特...

【专利技术属性】
技术研发人员：车辚辚，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北,13