【技术实现步骤摘要】
本专利技术涉及电能质量扰动信号预处理领域，具体涉及一种基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法。
技术介绍
1、随着风能、太阳能等新能源的快速增长，同时也带来了新的电能质量问题，电能质量扰动的类型日益增多，包括传统的电压暂降、瞬态过电压等，以及由新能源接入引起的新型扰动。这些扰动往往具有隐蔽性和复杂性，难以通过传统的监测手段有效识别。因此，数据量大、信号噪声干扰和分析方法的局限性是当前面临的困境。
2、为实现对扰动信号的准确识别，现有方法大多使用基于深度学习的pqds识别方法，避免了传统人工选择特征的主观性，转而利用神经网络强大的自动学习与特征挖掘能力进行特征提取，但这些方法中的绝大部分并未进行数据预处理，直接将原始信号输入到分类模型会包含噪声等大量无关或冗余信息，这些信息会影响到模型的性能甚至干扰模型的学习特征，导致重要特征被忽略，进而使得模型在实际应用中的识别准确率下降。
3、近年来，为实现扰动信号的数据预处理，研究者们探索了多种多尺度分析方法，如小波变换、变分模态分解(vmd)和奇异谱分解(ssd)，以更好地捕捉信号的局部特征和全局趋势。这些方法有助于提高信号预处理的性能，尤其是在处理非平稳和非线性信号时有良好的表现。但上述方法各自的局限性也较为鲜明，小波变换虽能提供多尺度分析，但在处理信号时需要人工选择合适的小波基函数，无法避免人工选择的主观性；变分模态分解(vmd)需要对信号的特性有先验知识才能设定模态的数量和频率带宽；单一使用奇异谱分解(ssd)可能会造成模态混叠现象，影
技术实现思路
1、为解决上述技术问题，本专利技术提供一种基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，该方法能够更有力捕捉时间序列的依赖关系，为后续分类模型提供更明显的信号特征与时序规律。
2、本专利技术采取的技术方案为：
3、基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，包括以下步骤：
4、步骤1：基于奇异谱分解从扰动信号中分解出奇异谱分量和残差分量；
5、步骤2：基于局部均值分解从扰动信号中分解出一系列pf分量和残差分量；
6、步骤3：基于尺度匹配与加权叠加合并两组分量，得到多尺度混合分量；
7、步骤4：基于s变换对合并的多尺度混合分量进行分析，得到对应的时频图。
8、所述步骤1中，首先通过将一维时间序列与自身的滞后版本进行拼接，构建出二维信号矩阵，对二维信号矩阵进行奇异值分解得到三个矩阵的乘积：左奇异向量矩阵、奇异值对角矩阵以及右奇异向量矩阵。奇异值按降序排列，反映各个奇异向量对原始矩阵信息的贡献度，选择前几个最大的奇异值及其对应的奇异向量，来提取时间序列中的主要趋势和周期性成分，这些分量也就是奇异谱分量，每个奇异谱分量都包含了信号的一部分信息。
9、所述步骤1包括以下步骤：
10、步骤1.1：将原始扰动信号v(t)处理为离散信号h(n)，求出初始离散信号h(n)的均值z，n＝1,2,…,n，n为信号离散后数列的长度，将所有的离散序列点值进行去均值化处理得到新的输入信号h′(n)；
11、h′(n)＝h(n)-z
12、步骤1.2：计算奇异谱分解ssd第j次迭代时的残差分量vj(n)的功率谱密度:
13、
14、其中，表示傅里叶变换，f为频率，为第j次迭代时的残差分量vj(n)的功率谱密度，从而估算功率谱达到最大峰值处对应的频率fmax:
15、
16、其中，arg maxf为寻找最大值的函数；若迭代次数j＝1且fs为设定的采样频率，则嵌入维数m的值设定为n；当迭代次数j>1或j＝1且不满足时,设定嵌入维数m的值为1.2×(fmax/fs)；
17、步骤1.3：按照步骤1.2的方法选择嵌入维数m，将步骤1.1得到的h′(n)构建成为一个m×(n-m+1)的信号矩阵h,矩阵h的表达为：
18、
19、式中，表示信号序列h'(n)的第一个滑动窗口，即从h'(1)到h'(1+m-1)；表示信号序列h'(n)的第二个滑动窗口，即从h'(2)到h'(2+m-1)；表示信号序列h'(n)的第m个滑动窗口，即从h'(m)到h'(m+m-1)；t表示序列转置；
20、从高频到低频顺次构建第j个低频子序列ij，ij表示为：
21、ij＝(i1,i2,…ip)
22、式中，i1,i2,…ip分别表示轨迹矩阵h中的行索引；
23、通过对矩阵进行对角线平均运算重构对应的子序列：
24、对于矩阵h中的每一条对角线，计算其元素的平均值，矩阵h中的对角线可以表示为hi,j，其中i和j分别是行索引和列索引，且i+j＝k，k是一个常数，表示对角线的索引，对于每一条对角线k，计算其平均值
25、其中，dk是对角线k上所有元素的集合，|dk|是对角线k上元素的数量。将所有对角线的平均值按照对角线的顺序排列，得到时间序列的一个重构的子序列。
26、步骤1.4：对步骤1.3得到的矩阵h进行奇异值分解；
27、
28、式中，u表示一个m×m的左奇异向量矩阵，它的列向量是矩阵h的左奇异向量，它们是h的奇异值分解中的正交基向量；v表示一个(n-m+1)×(n-m+1)的右奇异向量矩阵。它的列向量是矩阵h的右奇异向量，它们也是h的奇异值分解中的正交基向量；t表示转置；∑表示一个m×(n-m+1)的对角矩阵，其对角线上的元素是矩阵h的奇异值，
29、u＝[u1,u2,…um]；
30、式中，u表示一个m×m的左奇异向量矩阵；u1,u2,…um分别表示矩阵u中的第几个列向量，即第几个左奇异向量。
31、v＝[v1,v2,…vw]；
32、式中，v表示表示一个(n-m+1)×(n-m+1)的右奇异向量矩阵；v1,v2,…vw分别表示矩阵v中的第几个列向量，即第几个右奇异向量。
33、w＝n-m+1；
34、式中，w表示右奇异向量的个数，n表示原始序列的长度，m表示嵌入维度；
35、σ＝diag(σ1,σ2,…σr)；
36、其中，σi表示h的非零奇异值，i＝1,2,…,r，r表示非零奇异值的个数，且imax＝min(m,w)，令hi＝σiuivit,ui表示矩阵u中的第i个列向量，即第i个左奇异向量；vit表示矩阵v中的第i个列向量的转置。
37、则信号矩阵能够表示为：
38、h＝h1+h2+…+hq
39、式中，h1表示奇异值分解提取的第一个子序列，h2表示奇异值分解提取的第二个子序列，hq表示奇异值分解提取的第q个子序列；
40、步骤1.5：每次迭代后从信号中分离得到一个新的信号分量gj(n)和一个残差分量vj+1(n)本文档来自技高网...
【技术保护点】
1.基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，其特征在于：所述步骤1中，首先通过将一维时间序列与自身的滞后版本进行拼接，构建出二维信号矩阵，对二维信号矩阵进行奇异值分解得到三个矩阵的乘积：左奇异向量矩阵、奇异值对角矩阵以及右奇异向量矩阵；奇异值按降序排列，反映各个奇异向量对原始矩阵信息的贡献度，选择前几个最大的奇异值及其对应的奇异向量，来提取时间序列中的主要趋势和周期性成分，这些分量也就是奇异谱分量，每个奇异谱分量都包含了信号的一部分信息。
3.根据权利要求2所述基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，其特征在于：所述步骤1包括以下步骤：
4.根据权利要求1所述基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，其特征在于：所述步骤2包括以下步骤：
5.根据权利要求1所述基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，其特征在于：所述步骤3包括以下步
6.根据权利要求1所述基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，其特征在于：所述步骤4中，S变换有效地用可扩展转换的高斯窗口提取出特征；对合并后的信号y(t)进行S变换时频分析，S变换定义如下：
...【技术特征摘要】
1.基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于奇异谱分析与局部均值分解的联合多尺度电能质量信号预处理方法，其特征在于：所述步骤1中，首先通过将一维时间序列与自身的滞后版本进行拼接，构建出二维信号矩阵，对二维信号矩阵进行奇异值分解得到三个矩阵的乘积：左奇异向量矩阵、奇异值对角矩阵以及右奇异向量矩阵；奇异值按降序排列，反映各个奇异向量对原始矩阵信息的贡献度，选择前几个最大的奇异值及其对应的奇异向量，来提取时间序列中的主要趋势和周期性成分，这些分量也就是奇异谱分量，每个奇异谱分量都包含了信号的一部分信息。
3.根据权...
【专利技术属性】
技术研发人员：程江洲，胡星宇，孟佳琳，罗应权，张博文，杨静怡，肖丽莎，
申请(专利权)人：三峡大学，
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。