【技术实现步骤摘要】
基于PSO优化宽度学习的电压暂降多重扰动源辨识方法
[0001]本专利技术涉及电压暂降
,尤其涉及一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备。
技术介绍
[0002]电压暂降是指供电电压有效值在短时间内突然下降又回升恢复的现象,目前识别电压暂降一般采用电压暂降多重干扰源的辨识方法,但是电压暂降多重干扰源的辨识方法主要包括两部分:特征提取和源辨识,源辨识与特征提取进行分离操作,一定程度上增加了辨识时间。并且特征提取一般采用傅里叶变换(Fourier transform,FT)、小波变换(Wavelet Transform,WT)、希尔伯特
‑
黄(Hilbert
‑
Huang Transform,HHT)变换、S变换等对数据进行提取,在一定程度能够有效提取扰动源的特征信息,但是难免会忽略一些,由此特征提取的特征存在网络参数随机取值的问题。电压暂降的源辨识主要是基于信号处理,过程较于复杂繁琐,工作量大且耗时。
技术实现思路
[0003]本专利技术实施例提供了一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法、装置及设备,用于解决现有对电压暂降的识别方法中的特征提取和源辨识是分离操作,存在提取特征与输入不匹配以及辨识时间长的技术问题。
[0004]为了实现上述目的,本专利技术实施例提供如下技术方案:
[0005]一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法,包括以下步骤:
[0006]S1.获取k个电压暂降 ...
【技术保护点】
【技术特征摘要】
1.一种基于PSO优化宽度学习的电压暂降多重扰动源辨识方法,其特征在于,包括以下步骤:S1.获取k个电压暂降扰动源的数据,并对k个所述电压暂降扰动源的数据进行处理,得到各个电压暂降扰动源的基准特征;S2.构建PSO优化宽度学习模型,并采用所述PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析,得到BLS网络层级之间神经元组的权重集合;S3.从各个电压暂降扰动源的所述基准特征提取数据作为测试集和训练集,采用PSO
‑
BLS网络对所述训练集的基准特征和所述权重集合进行两次特征提取训练,得到由特征节点和增强节点形成的组合数据,并对所述组合数据进行伪逆求解,得到权值数据;S4.通过步骤S2和步骤S3对所述测试集的基准特征进行处理,得到测试组合数据和测试权值数据,并输出扰动源类别的识别结果。2.根据权利要求1所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法,其特征在于,获取k个电压暂降扰动源的数据,并对k个所述电压暂降扰动源的数据进行处理,得到各个电压暂降扰动源的基准特征的步骤包括:从电力系统中获取引起电压暂降的k个电压暂降扰动源的数据组成的电压数据库;从所述电压数据库中获取每个所述电压暂降扰动源的2n
×
b个电压矩阵数,并绘制每个所述电压暂降扰动源的2n条电压曲线;采用MATLAB对每个所述电压暂降扰动源的2n条电压曲线进行拟合处理,得到一条与所述电压暂降扰动源对应的特征曲线;从所述特征曲线中提取1
×
b个电压向量数据作为对应所述电压暂降扰动源的基准特征;所述电压数据库包括三相短路、两相接地短路、单相接地短路、两相相间短路、大型感应电动机启动、大型变压器投切电压暂降扰动源的数据,每个所述电压暂降扰动源的数据包括4n
×
b个电压矩阵数据,n为扰动源出现的次数,b为采样点数。3.根据权利要求2所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法,其特征在于,包括:对所述电压数据库中的对每个电压暂降扰动源数据建立标签。4.根据权利要求1所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法,其特征在于,构建PSO优化宽度学习模型的步骤包括:S21.采用BLS网络的输入与特征节点之间所有神经元组N的权重和特征节点与增强节点之间所有神经元组M的权重形成一个粒子群个体;S22.采用适应度函数计算所述粒子群个体的适应度值;S23.对所述粒子群个体采用步骤S21和步骤S22反复迭代,至少迭代的次数达到迭代阈值,输出该粒子群个体的最优权重集。5.根据权利要求4所述的基于PSO优化宽度学习的电压暂降多重扰动源辨识方法,其特征在于,采用所述PSO优化宽度学习模型对各个电压暂降扰动源的基准特征进行处理分析,得到与BLS网络层级之间神经元组对应的权重包括:1个神经元组作为一个粒子群个体,采用PSO优化宽度学习模型对每个电压暂降扰动源的1
×
b个基准特征进行处理,得到BLS网络层级之间神经元组的权重集合。6.根据权...
【专利技术属性】
技术研发人员:彭和平,栾乐,许中,莫文雄,王勇,李晓,马智远,王海靖,范伟男,肖天为,刘田,
申请(专利权)人:广东电网有限责任公司广州供电局,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。