亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于PCA降維和優(yōu)化核參數(shù)SVM的電能質(zhì)量擾動(dòng)分類

        2013-02-27 03:10:04李凡光
        關(guān)鍵詞:電能分類質(zhì)量

        劉 剛,李凡光

        (上海電力學(xué)院自動(dòng)化工程學(xué)院,上海 200090)

        隨著新型電網(wǎng)技術(shù)的發(fā)展、分布式電源的并網(wǎng)以及用戶對(duì)電能質(zhì)量要求的提高,電能質(zhì)量問題受到越來越多的關(guān)注.電力系統(tǒng)規(guī)模的日益龐大以及各種電力電子設(shè)備、沖擊性與非線性負(fù)荷的大量投入,導(dǎo)致了電壓驟升、電壓驟降、電壓中斷、諧波、暫態(tài)脈沖、暫態(tài)振蕩與電壓閃變等一系列電能質(zhì)量問題[1,2].對(duì)電能質(zhì)量進(jìn)行監(jiān)測(cè)和分析是發(fā)現(xiàn)電能質(zhì)量問題并進(jìn)行治理和改善的前提條件,而如何從海量的電能質(zhì)量擾動(dòng)信號(hào)中自動(dòng)提取特征并進(jìn)行正確分類則是電能質(zhì)量監(jiān)測(cè)分析首先要解決的問題.

        文獻(xiàn)[3]和文獻(xiàn)[4]介紹了人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于電能質(zhì)量擾動(dòng)的分類,具有結(jié)構(gòu)簡(jiǎn)單、求解能力強(qiáng)等優(yōu)點(diǎn),但該算法存在局部最優(yōu)、收斂性差、訓(xùn)練時(shí)間長(zhǎng)等問題.文獻(xiàn)[5]和文獻(xiàn)[6]介紹了模糊邏輯在暫態(tài)電能質(zhì)量擾動(dòng)分類中的應(yīng)用,通過建立簡(jiǎn)單明了的“IF-THEN”知識(shí)規(guī)則進(jìn)行分類識(shí)別,但并不是所有的信號(hào)(如暫態(tài)振蕩、電壓波動(dòng)以及諧波)都具有這種簡(jiǎn)單的知識(shí)規(guī)則,這也就限制了模糊邏輯的應(yīng)用.文獻(xiàn)[7]至文獻(xiàn)[9]介紹了支持向量機(jī)在電能質(zhì)量擾動(dòng)分類中的應(yīng)用,建立在統(tǒng)計(jì)學(xué)習(xí)VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上的識(shí)別方法,有效地解決了小樣本、高維數(shù)、非線性等學(xué)習(xí)問題,并克服了人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的合理結(jié)構(gòu)難以確定和存在局部最優(yōu)等缺點(diǎn),提高了學(xué)習(xí)方法的泛化能力.

        本文提出了一種基于主成分分析(Principal Component Analysis,PCA)降維與自適應(yīng)優(yōu)化核參數(shù)的支持向量機(jī)(Support Vector Machine,SVM)相結(jié)合的方法,用于電能質(zhì)量擾動(dòng)的分類.首先根據(jù)電能質(zhì)量擾動(dòng)的數(shù)學(xué)模型獲取波形和數(shù)據(jù),然后利用多分辨率小波對(duì)數(shù)據(jù)進(jìn)行分解和重構(gòu),提取小波的能量差系數(shù)并進(jìn)行PCA處理,作為特征向量,最后將特征向量輸入到支持向量機(jī)分類器中,對(duì)電能質(zhì)量擾動(dòng)進(jìn)行識(shí)別分類.

        1 電能質(zhì)量特征提取

        1.1 電能質(zhì)量擾動(dòng)信號(hào)數(shù)學(xué)模型的建立

        根據(jù)IEEE對(duì)各類電能質(zhì)量擾動(dòng)的定義,本文通過Matlab程序建立正常電壓和電壓驟升、電壓驟降、電壓中斷、瞬時(shí)脈沖、諧波、暫態(tài)振蕩、電壓閃變等電能質(zhì)量擾動(dòng)的數(shù)學(xué)模型,如表1所示.其中T為工頻周期,采樣頻率為6 400 Hz,t1=0.071 s,t2=0.142 s.

        表1 電能質(zhì)量擾動(dòng)模型

        在實(shí)際電力系統(tǒng)中的電壓信號(hào)總是受到不同程度噪音的影響,因此在以上8種電能質(zhì)量擾動(dòng)信號(hào)模型中疊加信噪比RSN=25 dB的高斯隨機(jī)白噪音,用以驗(yàn)證支持向量機(jī)算法的魯棒性.含噪的電能質(zhì)量擾動(dòng)波形如圖1所示.對(duì)含噪的電能質(zhì)量擾動(dòng)信號(hào)采樣,共得到200×8組樣本數(shù)據(jù).

        1.2 利用小波能量差提取特征向量

        多分辨率分析[10](Multi-Resolution Analy-sis,MRA)是將信號(hào)通過高、低通濾波器分別得到信號(hào)的高、低頻逼近分量,再對(duì)低頻逼近分量進(jìn)行分解,得到次高頻逼近分量和低頻逼近分量,并依此分解下去,最后得到不同尺度下的高頻分量系數(shù)與最低尺度下的低頻分量系數(shù).

        根據(jù)MRA,采樣波形按照不同的分辨率標(biāo)準(zhǔn)來分解,這樣每種分解標(biāo)準(zhǔn)下的精確信息的能量計(jì)算式為:

        式中:Dij——從基準(zhǔn)1到基準(zhǔn)l的小波分解的小波系數(shù),Dij=bij,i=1,2,3,…,l;

        N——每種標(biāo)準(zhǔn)下系數(shù)的總個(gè)數(shù);

        Ei——分解標(biāo)準(zhǔn)i對(duì)應(yīng)的精確能量.

        為了識(shí)別不同種類的電能質(zhì)量干擾,要計(jì)算每個(gè)分解標(biāo)準(zhǔn)下的能量差,這個(gè)差值就是Ei與同種標(biāo)準(zhǔn)下相應(yīng)的波形的能量Eref(i)之間的差,即

        圖1 電能質(zhì)量擾動(dòng)波形

        考慮到電壓驟升、暫態(tài)脈沖和電壓閃變3種擾動(dòng)信號(hào),本文選擇濾波器長(zhǎng)度系數(shù)為4的db4小波對(duì)電壓質(zhì)量擾動(dòng)信號(hào)進(jìn)行10層分解.根據(jù)電能質(zhì)量信號(hào)的小波變換,可以提取擾動(dòng)信號(hào)的能量差系數(shù)作為特征向量.

        電能質(zhì)量擾動(dòng)使信號(hào)在各頻段上的能量產(chǎn)生了變化,如圖2所示.波形都是在5~8層之間發(fā)生變化,在7層變化最大,其中暫態(tài)脈沖和電壓閃變的能量差波形是向上凸起的,其他的是向下凹陷的.

        不同類型的電能質(zhì)量擾動(dòng)信號(hào)能量差分布也是各不相同,可以據(jù)此提取信號(hào)的小波能量差作為特征向量對(duì)電能質(zhì)量擾動(dòng)進(jìn)行識(shí)別分類.

        圖2 電能質(zhì)量擾動(dòng)的能量差系數(shù)波形

        2 用PCA對(duì)特征向量進(jìn)行降維

        2.1 主成分分析

        主成分分析(PCA)是一種掌握事物主要矛盾的統(tǒng)計(jì)分析方法,它可以從多元事物中解析出主要影響因素,以揭示事物的本質(zhì),簡(jiǎn)化復(fù)雜的問題.計(jì)算主成分的目的是將高維數(shù)據(jù)投影到較低維空間.PCA主要用于數(shù)據(jù)降維,目的是找出那些變化大的元素,即方差大的那些維,而去除那些變化不大的維,從而使留下的都是“精品”,同時(shí)減小了計(jì)算量,提高了計(jì)算速度.通過求取樣本矩陣的協(xié)方差矩陣,求出協(xié)方差矩陣的特征向量,而這些特征向量就可以構(gòu)成這個(gè)投影矩陣.

        特征向量的選擇取決于協(xié)方差矩陣的特征值的大小.特征值必須按照從大到小循序排列,并根據(jù)特征值大小求出主成分矩陣中的主要元素對(duì)原信息的貢獻(xiàn)率,根據(jù)累計(jì)貢獻(xiàn)率確定投影矩陣的維數(shù).累計(jì)貢獻(xiàn)率的大小反應(yīng)了這種取代的可靠性,累計(jì)貢獻(xiàn)率越大,可靠性越大,維數(shù)也就越高;反之也一樣.根據(jù)需要,可選擇合適的累計(jì)貢獻(xiàn)率界限,一般要求累計(jì)貢獻(xiàn)率達(dá)到70%以上.

        2.2 主成分分析的降維步驟

        假設(shè)Xm×n是一個(gè)m×n(m>n)矩陣,用PCA對(duì)矩陣Xm×n進(jìn)行降維分析,其步驟如下.

        (1)計(jì)算矩陣Xm×n的樣本的協(xié)方差矩陣Sn×n;

        (2)計(jì)算協(xié)方差矩陣Sn×n的特征向量e1,e2,…,eN和對(duì)應(yīng)的特征值x1,x2,…,xN,特征值按從大到小排序.

        (3)根據(jù)特征值大小計(jì)算協(xié)方差矩陣的貢獻(xiàn)率以及累計(jì)貢獻(xiàn)率,計(jì)算公式為:式中:θi——協(xié)方差矩陣Sn×n第i列向量的貢獻(xiàn)率;

        Θr——協(xié)方差矩陣前r列矩陣的累計(jì)貢獻(xiàn)率.

        (4)根據(jù)累計(jì)貢獻(xiàn)率Θr的大小(Θr≥70%)確定投影矩陣(或者稱為PCA矩陣)的維數(shù)r,其中r≤n.

        (5)取協(xié)方差矩陣的前r維作為投影矩陣Sn×r,將需要降維的矩陣Ys×n與投影矩陣Sn×r相乘,得到降維后的矩陣Ts×r.

        2.3 PCA對(duì)小波能量差的降維處理

        對(duì)電能質(zhì)量擾動(dòng)信號(hào)采樣,共得到200×8組樣本數(shù)據(jù).小波變換以后,每種擾動(dòng)的前100組能量差數(shù)據(jù)組成一個(gè)800×10的矩陣X800×10用于訓(xùn)練,后100組能量差數(shù)據(jù)組成一個(gè)800×10的矩陣Y800×10用于分類測(cè)試.按照上述步驟對(duì)X800×10做 PCA 處理,得到X800×10的協(xié)方差矩陣S10×10,特征向量xi,以及特征向量對(duì)應(yīng)的貢獻(xiàn)率θi和累積貢獻(xiàn)率Θr,如表2所示.

        從表2中可以得出累計(jì)貢獻(xiàn)率Θ3=70.98%>70%,根據(jù)PCA降維的要求,可以取協(xié)方差矩陣的前3維作為投影矩陣S10×3.由式(5)可知,可求出降維后的訓(xùn)練樣本集H800×3=X800×10S10×3,測(cè)試樣本集為T800×3=Y800×10S10×3.

        表2 協(xié)方差矩陣以及累計(jì)貢獻(xiàn)率%

        3 用SVM對(duì)電能質(zhì)量擾動(dòng)進(jìn)行分類

        3.1 支持向量機(jī)的原理

        VAPNIK等人在統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上發(fā)展了一種新的模式識(shí)別方法——支持向量機(jī)(SVM),在解決小樣本、非線性及高維模式識(shí)別問題中表現(xiàn)出很大優(yōu)勢(shì).SVM是建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上的機(jī)器學(xué)習(xí)算法,其核心思想是同時(shí)控制經(jīng)驗(yàn)風(fēng)險(xiǎn)和分類器的容量這兩個(gè)參數(shù),使分類器的分類間隔達(dá)到最大,從而使真實(shí)風(fēng)險(xiǎn)最小.

        在利用SVM對(duì)樣本進(jìn)行分類時(shí),可將其分為線性和非線性兩種情況,主要工作是尋找問題的分類超平面和最優(yōu)超平面的判別函數(shù).

        在SVM理論中,常用的核函數(shù)有線性核函數(shù)、多項(xiàng)式核函數(shù)、高斯徑向基核函數(shù)和Sigmoid核函數(shù).

        線性核函數(shù)表達(dá)式為:

        多項(xiàng)式核函數(shù)表達(dá)式為:

        高斯徑向基核函數(shù)表達(dá)式為:

        Sigmoid核函數(shù)表達(dá)式為:

        式中:γ>0;

        r,d,σ——核參數(shù).

        選擇不同形式的核函數(shù)就表示采用不同的非線性映射φ(·),將樣本從原空間Rn映射到高維特征空間.

        其中,線性核函數(shù)適用于數(shù)據(jù)線性可分的情況,后3種核函數(shù)在數(shù)據(jù)線性不可分的情況下,分類效果較好.在數(shù)據(jù)線性不可分時(shí),高斯徑向基核函數(shù)用得較為普遍,分類效果也較好,本文將其選作核函數(shù).

        3.2 參數(shù)的優(yōu)化選取和測(cè)試集分類

        容錯(cuò)懲罰系數(shù)c和核參數(shù)的選取對(duì)分類結(jié)果有較大影響,因此要對(duì)其進(jìn)行優(yōu)化.在使用libsvm對(duì)電能質(zhì)量擾動(dòng)進(jìn)行分類時(shí),參數(shù)為g=1/(2σ2),因此對(duì)參數(shù)c和σ2的選取就轉(zhuǎn)變?yōu)閷?duì)參數(shù)c和g的優(yōu)化選取.本文采用交叉驗(yàn)證[14](K-fold Cross Validation,K-CV)來選擇最佳參數(shù)c和g.

        每種擾動(dòng)的前100組數(shù)據(jù)用于libsvm訓(xùn)練和尋找最優(yōu)參數(shù),后100組數(shù)據(jù)用于測(cè)試分類的準(zhǔn)確率.由上文的降維處理可知,PCA降維前,用X800×10訓(xùn)練,用Y800×10測(cè)試擾動(dòng)的分類;PCA 降維后,用H800×3訓(xùn)練,用T800×3測(cè)試擾動(dòng)的分類.因此,參數(shù)的優(yōu)化步驟如下:

        (1)粗略地選取c和g的變化范圍:2^(-10),2^(-9),…,2^(9),2^(10);

        (2)用網(wǎng)格搜索法得到參數(shù)對(duì)(ci,gj),i=1,2,…,m;j=1,2,…,n;

        (3)對(duì)不同參數(shù)對(duì)進(jìn)行SVM訓(xùn)練、測(cè)試,得到最高分類準(zhǔn)確率對(duì)應(yīng)的參數(shù)對(duì)(cbest,gbest);

        (4)根據(jù)粗略的選擇結(jié)果圖再進(jìn)行精細(xì)選擇c和g的變化范圍,尋找最佳的參數(shù)對(duì)(cbest,gbest).

        首先,將PCA降維前的小波能量差系數(shù)Y800×10作為特征向量進(jìn)行參數(shù)的優(yōu)化與擾動(dòng)的分類,其結(jié)果如圖3和表3所示.分類所用的時(shí)間為13.408 2 s.

        圖3 PCA降維前測(cè)試集的實(shí)際分類和預(yù)測(cè)分類

        表3 PCA降維前電能質(zhì)量擾動(dòng)分類結(jié)果

        將小波能量差系數(shù)矩陣用PCA降維處理后形成新的3維矩陣T800×3,將其作為特征向量用于參數(shù)的優(yōu)化選擇和擾動(dòng)的分類,其結(jié)果如圖4和表4所示.分類所用的時(shí)間為5.463 2 s.PCA處理前后分類結(jié)果的比較見表5.

        從上面的實(shí)驗(yàn)結(jié)果可知,在PCA降維前,將所有的小波能量差系數(shù)數(shù)據(jù)作為特征向量,用SVM對(duì)電能質(zhì)量擾動(dòng)進(jìn)行分類的準(zhǔn)確率為99.875%,時(shí)間為13.408 2 s;在PCA處理后用3維數(shù)據(jù)作為特征向量進(jìn)行分類,分類準(zhǔn)確率為96.250%,時(shí)間為5.463 2 s.這說明在PCA降維處理后的準(zhǔn)確率滿足要求的同時(shí),分類速度也得到了提高,3維的小波能量差系數(shù)足以代替所有的數(shù)據(jù)對(duì)特征向量進(jìn)行分類.

        圖4 PCA降維后測(cè)試集的實(shí)際分類和預(yù)測(cè)分類

        表4 PCA降維后電能質(zhì)量擾動(dòng)分類的結(jié)果

        表5 PCA處理前后分類結(jié)果的比較

        4 結(jié)語

        對(duì)電能質(zhì)量擾動(dòng)分類是在不降低分類準(zhǔn)確率的前提下對(duì)樣本數(shù)據(jù)進(jìn)行處理,以提高分類速度.本文使用db4小波對(duì)含噪的電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行10層分解,提取小波的能量差系數(shù)并用PCA進(jìn)行降維處理,用3維數(shù)據(jù)作為特征向量,提取了信息的主要成分,除去了冗余信息量.通過對(duì)PCA降維前后的特征向量進(jìn)行分類,得知降維前后的分類準(zhǔn)確率都滿足要求,而降維后的分類所用的時(shí)間遠(yuǎn)小于降維前的分類時(shí)間,這說明用PCA處理后的再分類,能提高分類速度.

        [1]程浩忠,艾芊,張志剛.電能質(zhì)量[M].北京:清華大學(xué)出版社,2006:5-12.

        [2]ROGER C D,MARK F M,SURYA S,et al.Electrical power systems quality[M].New York:Mc Graw Hill,2002:1-52.

        [3]秦英林,田立軍.基于小波變換能量分布和神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類[J].電力自動(dòng)化設(shè)備,2009,29(7):64-67.

        [4]KANITPANYACHAROEAR W, PRERUAEEPREECHACHARN S.Power quality problem classification using wavelet transformation and artificial neural networks[J].IEEE Power Systems Conference and Exposition,2004(3):1 496-1 501.

        [5]劉慧芳,陳勇勝,王群,等.基于小波變換和模糊邏輯的暫態(tài)電能質(zhì)量擾動(dòng)分類[J].電網(wǎng)技術(shù),2008,32(3):84-87.

        [6]HUANG Jiansheng,Thong N D.A neural fuzzy classifier for recognition of power quality disturbances[J].IEEE Trans.on Power Delivery,2002,17(2):609-616.

        [7]宋曉芳,陳勁操.基于支持向量機(jī)的動(dòng)態(tài)電能質(zhì)量擾動(dòng)分類方法[J].電力自動(dòng)化設(shè)備,2006,26(4):39-41.

        [8]占勇,程浩忠,丁屹峰,等.基于S變換的電能質(zhì)量擾動(dòng)支持向量機(jī)分類識(shí)別[J].中國(guó)電機(jī)工程學(xué)報(bào),2005,25(4):51-56.

        [9]LIN W M,WU C H,LIN C H,etal.Detectionand classification omultiple power-quality disturbances with wavelet multiclass SVM [J].IEEE Transactions on Power Delivery,2008,23(4):2 575-2 582.

        [10]張凱,關(guān)根志,龍望成,等.基于多分辨率標(biāo)準(zhǔn)差及自組織映射網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類識(shí)別[J].電力自動(dòng)化設(shè)備,2008,28(8):41-45.

        [11]史峰,李洋,王小川,等.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案例分析[M].北京:北京航空航天大學(xué)出版社,2010:112-132.

        猜你喜歡
        電能分類質(zhì)量
        “質(zhì)量”知識(shí)鞏固
        分類算一算
        質(zhì)量守恒定律考什么
        蘋果皮可以產(chǎn)生電能
        電能的生產(chǎn)和運(yùn)輸
        做夢(mèng)導(dǎo)致睡眠質(zhì)量差嗎
        海風(fēng)吹來的電能
        分類討論求坐標(biāo)
        數(shù)據(jù)分析中的分類討論
        澎湃電能 助力“四大攻堅(jiān)”
        全免费a级毛片免费看无码| 国产精品毛片av一区二区三区 | 漂亮人妻被强了中文字幕| 在线观看麻豆精品视频 | 久久久g0g0午夜无码精品| 欧美日韩色另类综合| 国产精品久久久久电影网| 国产99r视频精品免费观看| 亚洲AV秘 无码一区二区三区1| 甲状腺囊实性结节三级| 亚洲色图视频在线播放| 久久老熟女乱色一区二区 | 日韩精品久久中文字幕| 久久偷看各类wc女厕嘘嘘偷窃| 亚洲精品国偷拍自产在线观看| 国产精品狼人久久久久影院| 国产男女猛烈无遮挡免费视频| 91精品国产91久久久久久青草| 一区二区三区免费观看在线视频| 亚洲av推荐网站在线观看| 日本一二三区免费在线| 欧美高清视频手机在在线| 婷婷久久香蕉五月综合加勒比| 成人黄色网址| 91精品福利一区二区| 一区二区高清视频在线观看| 国产亚洲3p一区二区| 日本一区二区三区高清在线视频| 48沈阳熟女高潮嗷嗷叫| 久久免费看少妇高潮v片特黄| 亚洲VA中文字幕欧美VA丝袜| 国产精品白浆免费观看| 国产少妇露脸精品自拍网站| 国产在线观看视频一区二区三区| 无码视频在线观看| 日韩插啊免费视频在线观看| 成人午夜视频一区二区无码| 伊人五月亚洲综合在线| 国产精品国产高清国产专区| 国产精品妇女一二三区| 无码国产精品一区二区高潮|