基于MPA优化PNN的电能质量扰动识别方法仿真.pdf
《基于MPA优化PNN的电能质量扰动识别方法仿真.pdf》由会员分享,可在线阅读,更多相关《基于MPA优化PNN的电能质量扰动识别方法仿真.pdf(7页珍藏版)》请在咨信网上搜索。
1、107第40 卷第6 期2023年6 月机真计仿算文章编号:10 0 6-9348(2 0 2 3)0 6-0 10 7-0 7基于MPA优化PNN的电能质量扰动识别方法仿真陈一镖,倪陈义,陈浩?,李彬彬(1.温州大学机电工程学院,浙江温州32 50 35;2.常州大学计算机与人工智能学院,江苏常州2 1316 4;3.浙江亿德科技有限公司,浙江温州32 50 0 0)摘要:电能质量扰动的识别精度直接影响着电网电能质量的治理手段及方法。为了解决复杂电网环境下的复合电能质量扰动识别问题,提出了一种基于改进小波阈值法消噪和海洋捕食者算法优化概率神经网络(MPA-PNN)的电能质量扰动识别方法。首先
2、采用改进小波阈值法对8 种典型的电能质量扰动信号进行消噪处理,并利用小波变换对消噪完成的信号进行多尺度分解,以其中3个区分度较为明显的维度能量构成输人特征向量,最后利用MPA优化PNN的平滑参数,完成电能质量扰动信号识别模型的训练。仿真结果表明,与单一PNN、改进小波阈值法-PNN、改进小波阈值法-GA-PNN等方法进行比较,改进小波阈值法-MPA-PNN方法可以有效降低噪声影响,在识别精度及模型优化速度方面均有一定的提升。关键词:电能质量扰动;小波变换;海洋捕食者算法;概率神经网络中图分类号:TP391文献标识码:BSimulation of Power Quality Disturbanc
3、e IdentificationMethod Based on MPA Optimized PNNCHEN Yi-biao,NI Chen-yi,CHEN Hao,LI Bin-bin3(1.College of Mechanical and Electrical Engineering,Wenzhou University,Wenzhou Zhejiang 325035,China;2.School of Computer and Artificial Intelligence,Changzhou University,Changzhou Jiangsu 213164,China;3.Zhe
4、jiang Yide Technology Co.,Ltd,Wenzhou Zhejiang 325000,China)ABSTRACT:The identification accuracy of power quality disturbances has a significant impact on the power qualitymanagement in the power grid.In order to solve the problem of identifying composite power quality disturbance in acomplex power
5、grid,this paper proposes an identification method of power quality disturbance based on improvedwavelet threshold method and marine predator algorithm optimized probabilistic neural network(MPA-PNN).Firstly,the improved wavelet thresholding method was used to denoise eight typical power quality dist
6、urbance signals,and decomposed signals were decomposed at multiple scales using wavelet transform.The input feature vector,whichconsists of the three most distinctive energy dimensions,was used to train the identification model,optimizing smoot-hing parameter o by MPA method.The simulation results s
7、how that,compared with single PNN,improved waveletthresholding-PNN,and improved wavelet thresholding-GA-PNN,the improved wavelet thresholding-MPA-PNNmethod can effectively reduce the influence of noise and has an improvement in identification accuracy and model op-timization speed.KEYWORDS:Powerqual
8、ityddisturbance;Wavelet transform;Marine predator alalgorithm;Probabilisticneural networks基金项目:(温州市科技局项目(ZG2019019);温州市科技局项目(ZC2020015)收稿日期:2 0 2 1-0 9-2 7 修回日期:2 0 2 1-11-131081引言随着科学技术迅速的发展,电子设备的应用领域日益广泛,特别是大功率、非线性、不对称性负载的使用,导致电能质量扰动(PowerQualityDisturbances,PQ D s)的发生频率上升1,进而引起电子设备不能正常工作或故障发生。对PQ
9、Ds进行准确的识别和分类是治理电能质量问题的重要前提。目前,电能质量扰动识别的过程存在噪声影响大、分类精度差、效率不高等问题。因此,如何在噪声环境下,准确提取特征,并准确识别不同类型PQDs仍然是电能质量研究领域的研究热点。目前PQDs识别的过程主要包括预处理、特征值提取和扰动识别三个步骤。预处理通常采用小波阈值法2.3 和奇异值分解(SingularValue Decomposition,SVD)3 等方法实现;特征值提取的方法有快速傅里叶变换(FastFourierTransform,FFT)、小波变换(WaveletTransform,W T)4)和S变换(S-Transform,ST)
10、等;扰动识别与分类方法主要包括BP神经网络(BackPropagation,BP)5 和概率神经网络(ProbabilisticNeuralNetworks,PNN)6 等。上述方法在电能质量扰动识别领域都取得了较好的识别结果,但是仍存在各自的缺点。WT能对信号进行多层分解,并采用值法2 进行噪声的去除,可以在去除噪声的同时保留突变信号,但小波函数、分解的层数和阈值函数的选择直接影响消噪的效果。BP神经网络5 学习和自适应能力强,可以对扰动信号进行识别,但其运行速度慢且易出现局部最优解。PNN神经网络6.7 运行速度快,但其平滑参数的选择对扰动识别准确度影响较大(8 基于以上分析,为了解决在不
11、同类型扰动信号下,小波阈值法消噪效果不稳定和PNN中平滑参数选取不准确等问题,从而提高小波阈值消噪能力和PNN识别准确度,本文采用改进小波阈值法和海洋捕食者算法(MarinePredatorsAlgorithm,M PA)9 优化PNN的方法建立扰动信号识别模型。首先采用改进小波阈值法对电能信号进行预处理,然后通过WT进行多尺度分解,提取各层高频和低频能量,构成的特征向量F,并提取其中3个较为明显的维度能量值构成输人特征向量F,最后将输人特征向量F,输人到PNN,并利用MPA优化PNN的平滑参数,从而进行电能质量扰动信号识别模型的训练和测试,如图1所示。仿真表明,本方法具有一定的消除噪声能力,
12、可以准确提取不同扰动信号特征值,且在增强神经网络的识别能力、提升电能质量扰动信号识别精度和减少模型优化时间等方面均具有一定的效果。2电能信号预处理电能信号在接收、传输和处理的过程中都会受到噪声的干扰。若不进行电能信号预处理,则不同类型PQDs的特征会被噪声所淹没,从而影响电能质量扰动信号的识别准确度。WT具有时频变换的特点,能够很好消除电能质量扰动电能质量扰动信号输入构建训练和测试样小波阈值法本改进小波阁值法的信号参数进行自动选择概率神经网络模型海洋捕食者预处理搭建1参数优化-1N-优化概率神判断RMSE值海洋捕食者优化概经的信号识1率神经网络Y别L电能质量扰动类型小波变换的小波变换1输出信号
13、特征提取1111提取3个维度能量1构成输人特征向量-图1电能质量扰动识别基本流程图信号中的噪声,其主要方法有小波包和阈值法2 。本文对小波阈值法进行改进,使其对不同类型的电能质量扰动信号均有较好的消噪效果。首先选取小波基函数和分解层数对PQDs信号进行离散小波分解1Jx(t)p(t)dt=Jr(t)(t)dt+fe(t)p(t)dt(1)2式中:x(t)为含噪声的扰动电能信号,f(t)为扰动电能信号,8(t)为噪声信号,(t)为小波尺度函数。小波系数表达式如下所示w;=u;+U;(2)式中:w;为含噪声扰动电能信号的第i层小波系数,u,为扰动电能信号的第i层小波系数,为噪声的第i层小波系数。然
14、后选取软硬阈值和阈值入对小波系数进行消噪处理,其中硬阈值如式(3)所示、软阈值如式(4)所示,阈值入如式(5)所示1W;I入(3)01w;1入(sgn(w.)(Iw;/-)|w;入(4)0Iw;I入入=8 V2nN(5)式中:N为信号采集个数,8 为噪声标准差,w是阈值法处理后的第i层小波系数。最后对消噪后小波系数w,进行重构,得到消噪信号x(t)。若均方根误差(RootMean SquareError,RMSE)小于0.01或取得最小值,则消噪完成,否则重新选择小波基函数、分解层数、软硬阈值、阈值入,直到上述条件成立。RMSE计算公式如下所示RMSE(6)N7=13电能信号特征提取与扰动识别
15、不同电能信号扰动识别是电能质量治理关键步骤,其中电能信号扰动识别是根据电能信号特征向量进行电能扰动109类型的判断。但是,电能信号具有不规则性和平稳性的特点,对其准确提取特征较为困难,并且扰动识别方法需要较快的速度和准确的识别精度。因此,本文选取小波变换和神经网络的方法对电能信号进行特征提取和扰动识别。3.1特征提取小波变换4 具有时频局部分析和多分辨分析能力,特别适用于电能突变和不平稳信号的处理。因此,本文采用小波变换的多分辨分析方法准确提取不同种类电能质量扰动的特征。多分辨分析通过低通和高通滤波器,将预处理后的信号x(t)分解成低频部分b.(t)和高频部分a;(t)。预处理扰动信号x(t)
16、的多分辨分析如下所示(t)=Na.(t)n(t)+2Nbb(t)(t)(7)ki=1k式中:n(t)为尺度函数,(t)为小波系数函数。多分辨分析得到各个尺度的能量信息如下F,=Z I a(t)12(8)Fu=Z 1 b:(t)12n式中:F。为高频能量特征值,Fb为第i层维度的低频能量特征值。对特征值进行归一化,构成特征向量F,如下所示F一FB1Fb2一FB2一FF.-FAF=BiNNNN(9)式中:F为正常电能信号的高频能量特征值,FB为正常电能信号第i层维度的低频能量特征值。选取特征向量F中3个不同扰动区别度较大的维度能量,从而构成输人特征向量F。3.2扰动识别目前主流的识别方法为神经网络
17、,通过训练样本搭建网络结构,将输人量与输出量构成映射的关系,具有分类精度高、鲁棒性和适应性强等优点【10 。本文采用PNN方法进行扰动识别,具有结构简单、训练速度快等自身特点。PNN是一种以径向基函数网络(Radial Basis Function,RBF)为基础融合密度函数估计和贝叶斯决策理论的前馈神经网络,由输入层、模式层、求和层和输出层等4层网络结构组成。将训练样本的输入特征向量输人,传递给网络,确定神经元个数,并进行训练,其中概率密度函数估值为11(X-Xa.)T(X-Xa.)f.(X)exp(2m)Ph2gP20?m(10)式中:X为进行判断的扰动信号样本,X为第i个信号训练向量;P
18、为扰动信号样本维数;m为扰动信号样本数目;为平滑参数。PNN中平滑参数通常凭借人为经验设定。平滑参数将限制概率神经网络的分类精度,若平滑参数取值太小,概率神经网络将构成最邻近分类器;若平滑参数取值太大,概率神经网络将构成线性分类器。目前,神经网络的参数优化方法包括遗传算法(GeneticAlgorithm,GA)【4 和海洋捕食者算法(MarinePredatorsAlgorithm,M PA)等优化算法,从而提高神经网络的识别精度。其中,MPA相较于GA具有较强的单目标搜索算能力,且具有较高的优化效率。因此,本文选取MPA优化PNN网络的平滑参数,快速、准确的建立扰动识别模型MPA9是一种通
19、过模拟海洋生物Lvy运动与Brownian运动选择最佳捕食策略的启发式优化算法。首先随机生成最小平滑参数min到最大平滑参数max之内的D个种群,平滑参数构成猎物矩阵Lw,优化平滑参数时,以PNN网络的识别精度误差为适应度函数,识别误差最低时为高适应度,对应种群为最佳平滑参数,并构成精英矩阵Jy。其次根据当前迭代次数Md与最大迭代次数Zd将捕食过程分为三个阶段,猎物与捕食者采用不同的运动方式,以寻找全局最优解。在第一阶段时,MdZd/3,捕食者进行勘探寻找猎物,猎物矩阵采用Brownian进行自我更新,其表达式为(Yd,=B?(Yy-BLw,)(11)Lw;=Lw;+CR?Yd,式中:Lw,表
20、示Lw集合中第i个平滑参数,Y d,为移动步长向量,B为正态分布的随机Brownian运动向量,为克罗内克积(Kroneckerproduct),C为常数0.5,R为0-1内的随机值向量。在第二阶段时,Zd/3Md2Zd/3,猎物进行Levy运动,精英矩阵采用Leuy运动进行更新,其表达式为(Yd,=L?(Jy:-L?Lw,)(12)Lw,=Lw;+CR?Yd,式中:Jy表示Jy中第i个平滑参数,L 为Lvy分布的随机向量。同时,捕食者采用Brownian运动进行勘察策略,精英矩阵采用Brownian运动对猎物矩阵进行更新,且自动调节移动步长Cf,其表达式如下所示MdMdCf=(1Zd(13)
21、Zd(Yd,=B?(B?Jy:-Lw,)(14)Lw,=Jy;+C.CfYd;在第三阶段时,Zd/3MdFADs(16)式中:U为0 或1构成的向量,jE0,1中的随机值,FADs=0.2,j1和j2是猎物矩阵中随机下标量。3.3实现步骤根据改进小波阈值的消噪、小波变换的特征提取和MPA优化PNN的扰动识别等方法构建电能质量扰动识别模型,如图2 所示,其具体步骤如下:步骤1:初始化改进小波阈值法中小波基函数、分解层数、软硬阈值函数、入阈值参数,小波分解中小波基函数、分解层数、种群个数D、适应度函数、扰动样本维度P、平滑参数的搜索空间、最大迭代次数Zd、鱼类聚集装置FADs。步骤2:根据数学模型
22、建立不同类型电能质量扰动信号,并且输人到改进小波阈值法中。步骤3:选择小波基函数和分解层数,根据式(1)对电能质量扰动信号进行分解,得到各层小波系数w;。步骤4:选择软硬阅值和入阈值对各层小波系数w,进行预处理,得到预处理完成的小波系数w。步骤5:由预处理小波系数w,重构电能质量扰动信号x(t),完成信号预处理。步骤6:判断RMSE值是否小于0.0 1或取得最小值,若小于0.0 1或取得最小值时进行步骤7,否则跳转到步骤3,循环执行步骤3-6。步骤7:选择db5为小波基、10 的分解层数对预处理完成的信号小波分解,构成特征向量F。步骤8:提取不同类型特征向量F中3个区分度明显的维度能量构成输入
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 MPA 优化 PNN 电能 质量 扰动 识别 方法 仿真
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。