一种基于KL距离的电能质量扰动分类方法

摘要

本发明公开了一种基于KL距离的电能质量扰动分类方法，包括特征值提取、SVM模型生成和扰动分类三个部分。在特征值提取部分，对正弦信号和扰动信号进行分帧处理，然后分别进行离散小波分解，计算小波系数的概率分布，最后计算分布的KL距离作为特征值。在SVM模型生成部分，提取不同类型的扰动信号特征值输入到SVM中，生成训练模型。在扰动分类部分，提取待分类信号的特征值，输入到SVM训练模型，分类得到扰动信号类型。本发明时间复杂度较低，分类准确率较高，在电能质量领域具有较好的应用价值。本发明适用于电能质量扰动分类研究。

主权项

1.一种基于KL距离的电能质量扰动分类方法，其特征在于，所述方法包括特征值提取步骤、SVM模型生成步骤、扰动分类步骤；所述特征值提取包括以下步骤：（1）设正弦电压信号用V[t]表示，电压凸起信号用V_swell[t]表示，电压凹陷信号用V_sag[t]表示，电压间断信号用V_interrupt[t]表示，电压谐波信号用V_harmonic[t]表示，脉冲暂态信号用V_timpulse[t]表示，振荡暂态信号用V_toscillation[t]表示，其中1≤t≤T，T为信号长度；对正弦电压信号、电压凸起信号、电压凹陷信号、电压间断信号、电压谐波信号、脉冲暂态信号、振荡暂态信号进行分帧处理，帧长为N,正弦电压帧信号用Vⁿ[i]表示，电压凸起帧信号用表示，电压凹陷帧信号用表示，电压间断帧信号用表示，电压谐波帧信号用表示，脉冲暂态帧信号用表示，振荡暂态信号用表示，其中1≤i≤N，，n为帧号索引；（2）根据步骤（1）得到的电压帧信号，分别对每帧信号进行离散小波分解，提取第一级小波细节子带系数；正弦电压帧信号的小波细节子带系数用VDⁿ[j]表示，电压凸起帧信号的小波细节子带系数用表示，电压凹陷帧信号的小波细节子带系数用表示，电压间断帧信号的小波细节子带系数用表示，电压谐波帧信号的小波细节子带系数用表示，脉冲暂态帧信号的小波细节子带系数用表示，振荡暂态信号的小波细节子带系数用表示，其中1≤j≤N_D，，N_D为小波细节子带系数长度，n为帧号索引；（3）根据步骤（2）得到的电压帧信号小波细节子带系数，计算其概率分布函数；正弦电压信号的帧信号小波细节子带系数概率分布函数用VDPⁿ[k]表示，电压凸起信号的帧信号小波细节子带系数概率分布函数用表示、电压凹陷信号的帧信号小波细节子带系数概率分布函数用表示、电压间断信号的帧信号小波细节子带系数概率分布函数用表示、电压谐波信号的帧信号小波细节子带系数概率分布函数用表示、脉冲暂态信号的帧信号小波细节子带系数概率分布函数用表示、振荡暂态电压信号的帧信号小波细节子带系数概率分布函数用表示，其中1≤j≤N_P，，N_P为概率分布系数长度，n为帧号索引；（4）根据步骤（3）得到的电压帧信号小波系数的概率分布，分别计算正弦电压帧信号与不同电压扰动信号间的概率分布KL距离，距离计算采用如下公式：${\mathrm{KL}\_V\_V}_{\mathrm{swell}}\left(n\right)=\underset{1\le k\le N_P}{\Sigma }\left({\mathrm{VDP}}^n\right[k]\times \log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{swell}}^n[k\left]\right))$${\mathrm{KL}\_V\_V}_{\mathrm{sag}}\left(n\right)=\underset{1\le k\le N_P}{\Sigma }\left({\mathrm{VDP}}^n\right[k]\times \log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{sag}}^n[k\left]\right))$${\mathrm{KL}\_V\_V}_{\mathrm{interrupt}}\left(n\right)=\underset{1\le k\le N_P}{\Sigma }\left({\mathrm{VDP}}^n\right[k]\times \log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{interrupt}}^n[k\left]\right))$${\mathrm{KL}\_V\_V}_{\mathrm{harmonic}}\left(n\right)=\underset{1\le k\le N_P}{\Sigma }\left({\mathrm{VDP}}^n\right[k]\times \log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{harmonic}}^n[k\left]\right))$${\mathrm{KL}\_V\_V}_{\mathrm{timpulse}}\left(n\right)=\underset{1\le k\le N_P}{\Sigma }\left({\mathrm{VDP}}^n\right[k]\times \log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{timpulse}}^n[k\left]\right))$${\mathrm{KL}\_V\_V}_{\mathrm{toscillation}}\left(n\right)=\underset{1\le k\le N_P}{\Sigma }\left({\mathrm{VDP}}^n\right[k]\times \log \left({\mathrm{VDP}}^n\right[k]/{\mathrm{VDP}}_{\mathrm{toscillation}}^n[k\left]\right))$其中，KL_V_V_swell(n)是正弦信号与电压凸起信号的KL距离，KL_V_V_sag(n)是正弦信号与电压凹陷信号的KL距离，KL_V_V_interrupt(n)是正弦信号与电压间断信号的KL距离，KL_V_V_harmonic(n)是正弦信号与电压谐波信号的KL距离，KL_V_V_timpulse(n)是正弦信号与脉冲暂态信号的KL距离，KL_V_V_toscillation(n)是正弦信号与振荡暂态电压信号的KL距离，log(·)为取对数函数，1≤k≤N_P，，N_P为概率分布系数长度，n为帧号索引；（5）将步骤（4）计算得到的每帧信号的KL距离作为支持向量机的特征值，训练分类器。