混沌粒子群优化小波神经网络在电能质量扰动信号分类中的应用

doi:10.16628/j.cnki.2095-8188.2022.02.011

电器与能效管理技术 ›› 2022, Vol. 0 ›› Issue (2): 68-73.doi: 10.16628/j.cnki.2095-8188.2022.02.011

混沌粒子群优化小波神经网络在电能质量扰动信号分类中的应用

吴炬卓¹, 陈书原¹, 牛海清², 陆小鹏¹

1.珠海供电局, 广东珠海 519000
2.华南理工大学电力学院, 广东广州 510640

收稿日期:2021-10-10 出版日期:2022-02-28 发布日期:2022-03-31
作者简介:吴炬卓(1991—),男,工程师,主要从事电气设备状态监测与故障诊断方面研究。|陈书原(1993—),男,工程师,主要从事配网自动化及配网设备检测方面研究。|牛海清(1969—),女,副教授,博士,研究方向为电气设备状态监测与故障诊断。
基金资助:
国家高技术研究发展计划(863计划)项目(2015AA050201)

Application of Wavelet Neural Network Based on Chaotic Particle Swarm Optimization Algorithm in Power Quality Disturbance Signals Classification

WU Juzhuo¹, CHEN Shuyuan¹, NIU Haiqing², LU Xiaopeng¹

1. Zhuhai Power Supply Bureau,Zhuhai 51900,China
2. School of Electric Power,South China University of Technology,Guangzhou 510640,China

Received:2021-10-10 Online:2022-02-28 Published:2022-03-31

摘要/Abstract

摘要：

为更加有效地对电能质量扰动信号进行分类,将小波变换和神经网络进行有机结合,构建4层小波神经网络模型,同时将混沌引入到粒子群优化算法中,通过混沌运动的特性,提高网络模型训练的收敛速度和精度。使用训练好的网络模型,对正常电压和几种常见电能质量扰动进行分类。结果表明,混沌粒子群优化小波神经网络能够有效地对电能质量扰动进行分类,且具有抗干扰性强,稳定性好的优点。另外,与粒子群优化算法和BP算法相比,使用混沌粒子群优化算法能够更好地对电能质量扰动进行分类,具有更高的分类准确率。

关键词: 电能质量扰动, 小波神经网络, 混沌, 粒子群优化算法, 分类

Abstract:

In order to classify power quality disturbance signals more effectively,the wavelet transform and neural network are organically combined to build a four-layer wavelet neural network model in this paper.Besides,the chaotic is embedded into particle swarm optimization algorithm to improve the convergence speed and accuracy of the network model training based on the property of chaotic.Then the trained network model is used to classify the normal voltage and several common power quality disturbances.The classification result shows that the wavelet neural network optimized by chaotic particle swarm optimization algorithm can effectively classify power quality disturbances,and has the advantage of strong interference resistance and good stability.Meanwhile,compared with particle swarm optimization algorithm and BP algorithm,classifying the power quality disturbances based on chaotic particle swarm optimization algorithm has the higher accuracy rate of classification.

Key words: power quality disturbances, wavelet neural network, chaotic, particle swarm optimization algorithm, classification

中图分类号:

TM711

吴炬卓, 陈书原, 牛海清, 陆小鹏. 混沌粒子群优化小波神经网络在电能质量扰动信号分类中的应用[J]. 电器与能效管理技术, 2022, 0(2): 68-73.

WU Juzhuo, CHEN Shuyuan, NIU Haiqing, LU Xiaopeng. Application of Wavelet Neural Network Based on Chaotic Particle Swarm Optimization Algorithm in Power Quality Disturbance Signals Classification[J]. LOW VOLTAGE APPARATUS, 2022, 0(2): 68-73.

图/表 8

图1

图2

图3

图4

图5

表1

表2

表3

参考文献 16

[1]	何柳, 粟时平, 罗雪莲, 等. 风电并网暂态电能质量扰动的检测与识别[J]. 电力电容器与无功补偿, 2020, 41(1):221-226.
[2]	马杰, 孙宁, 任志强, 等. 基于多特征组合的电能质量扰动识别方法[J]. 电力电容器与无功补偿, 2019, 40(2):125-130.
[3]	张艳, 曹梦舟. 基于HCTSA-BP的电能质量扰动分类[J]. 电力电容器与无功补偿, 2021, 42(2):85-90.
[4]	尹柏强, 何怡刚, 朱彦卿. 一种广义S变换及模糊SOM网络的电能质量多扰动检测和识别方法[J]. 中国电机工程学报, 2015, 35(4):866-872.
[5]	王云静, 李燕, 曲正伟, 等. 基于PSO-MP算法和RBF神经网络的电能质量扰动识别[J]. 电测与仪表, 2016, 53(13):54-58.
[6]	孙珂, 张新燕, 雷蕾潇, 等. 基于EMD去噪和S变换结合的电能质量扰动分析[J]. 电力电容器与无功补偿, 2021, 42(6):127-133.
[7]	沈晓隶, 刘香银, 王红标, 等. 基于多变换-谱峭度的配电网暂态电能质量扰动检测与辨识方法研究[J]. 电力电容器与无功补偿, 2021, 42(6):134-142.
[8]	SZU H H, TELFER B, KADAMBE S. Neural network adaptive wavelets for signal representation and classification[J]. Opt.Eng., 1992, 31(9):1907-1916.
[9]	李海锋, 王钢, 李晓华, 等. 电力变压器励磁涌流判别的自适应小波神经网络方法[J]. 中国电机工程学报, 2005, 25(7):144-150.
[10]	罗新, 牛海清, 来立永, 等. 粒子群优化自适应小波神经网络在带电局放信号识别中的应用[J]. 电工技术学报, 2014, 29(10):326-333.
[11]	吴炬卓, 肖笛, 牛海清. 计算电缆导体暂态温度的粒子群优化的BP神经网络新方法[J]. 电器与能效管理技术, 2018(3):14-19.
[12]	肖斌, 刘洋, 翟国富. 基于径向基函数神经网络的接触器性能快速算法[J]. 电器与能效管理技术, 2020(1):40-45.
[13]	高鹰, 谢胜利. 混沌粒子群优化算法[J]. 计算机科学, 2004, 31(8):13-15.
[14]	程泽, 董梦男, 杨添剀, 等. 基于自适应混沌粒子群算法的光伏电池模型参数辨识[J]. 电工技术学报, 2014, 29(9):245-252.
[15]	张全明, 刘会金. 最小二乘支持向量机在电能质量扰动分类中的应用[J]. 中国电机工程学报, 2008, 28(1):106-110.
[16]	刘春玲, 王旭. 基于改进的自适应小波神经网络的心电信号分类[J]. 系统仿真学报, 2007, 19(14):3281-3284.

信号类型	检验样本	错分数	分类正确率/%	平均分类正确率/%
正常电压	100	0	100	98.25
电压骤升	100	2	98
电压骤降	100	1	99
电压中断	100	1	99
暂态脉冲	100	3	97
暂态振荡	100	4	96
谐波	100	1	99
电压闪变	100	2	98

信号类型	不同信噪比分类正确率/%
信号类型	20 dB	30 dB	40 dB
正常电压	93	97	99
电压骤升	90	92	95
电压骤降	89	94	97
电压中断	92	94	96
暂态脉冲	88	92	94
暂态振荡	87	91	94
谐波	89	92	96
电压闪变	88	91	94
平均分类正确率/%	89.500	92.875	95.625

混沌粒子群优化小波神经网络在电能质量扰动信号分类中的应用

Application of Wavelet Neural Network Based on Chaotic Particle Swarm Optimization Algorithm in Power Quality Disturbance Signals Classification

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 16

相关文章 4

编辑推荐

Metrics

本文评价

信号类型	分类正确率/%
信号类型	BP算法	粒子群优化算法	混沌粒子群优化算法
正常电压	93	96	100
电压骤升	88	92	98
电压骤降	90	93	99
电压中断	90	92	99
暂态脉冲	86	91	97
暂态振荡	86	90	96
谐波	87	93	99
电压闪变	86	91	98
平均分类正确率/%	88.25	92.25	98.25

[1]	裘星, 尹仕红, 张之涵, 谢智伟, 江敏丰, 郭兴林, 杨建明, 郑建勇. 基于改进生成对抗网络的非侵入式负荷预测样本不均衡的改善方法[J]. 电器与能效管理技术, 2022, 0(3): 23-29.
[2]	刘炳南, 黄沂平, 方国标. 基于一维卷积神经网络的配电网高阻接地故障识别[J]. 电器与能效管理技术, 2020, 0(9): 99-103.
[3]	刘树鑫, 卓裕, 李津, 田二胜, 刘洋, 冯毅. 基于随机森林算法的配电线路短路故障分类^*[J]. 电器与能效管理技术, 2020, 0(8): 52-57.
[4]	朱永强, 高晨格. 能量损耗系统化分类与新型能效评估指标[J]. 电器与能效管理技术, 2020, 0(3): 97-103.