基于特征向量筛选和双层BPNN的电能质量扰动识别方法.docx

基于特征向量筛选和双层BPNN的电能质量扰动识别方法
基于特征向量筛选和双层BPNN的电能质量扰动识别方法
摘要：电能质量扰动的出现会对电力系统的稳定运行产生严重影响，因此电能质量扰动的识别十分重要。本文提出了一种基于特征向量筛选和双层BPNN的电能质量扰动识别方法。首先，通过采集电能质量数据，提取了一系列特征向量。然后，应用Pearson相关系数和Fisher准则对特征向量进行筛选，选取出与电能质量扰动相关性较高的特征向量。最后，利用双层BPNN进行电能质量扰动的识别。实验结果表明，该方法能够有效地识别电能质量扰动，并具有较高的准确率和可靠性。
关键词：电能质量扰动；特征向量筛选；双层BPNN；识别
1.引言
电能质量扰动是指电力系统中出现的电流、电压和频率等波形异常的现象。电能质量扰动的产生可能源于电力系统本身的故障，也可能是由于外部因素（如雷击、短路等）所导致。无论是哪种情况，电能质量扰动都会对电力系统的稳定运行和设备的正常工作产生严重影响。因此，准确地识别电能质量扰动以及及时采取相应的措施十分重要。
2.方法
2.1数据采集和特征提取
为了进行电能质量扰动的识别，首先需要采集电能质量数据。可以使用传感器等设备对电力系统进行实时监测，并将所得到的电流、电压等数据进行采集。然后，利用信号处理技术对采集到的数据进行预处理，包括滤波、降噪等。接着，针对每个时间窗口，对数据进行特征提取。可以采用时域特征（如均值、标准差等）、频域特征（如频率、幅值等）以及时频特征（如小波包变换等）等方法进行特征提取。
2.2特征向量筛选
由于特征向量的维度较高，为了减少计算量并提高识别的准确性，需要对特征向量进行筛选。本文采用了Pearson相关系数和Fisher准则对特征向量进行筛选。Pearson相关系数用于衡量特征向量与电能质量扰动之间的线性相关性，相关系数越大表示相关性越高；Fisher准则用于衡量特征向量在正常情况和电能质量扰动情况下的区分度，区分度越大表示特征向量对电能质量扰动的识别能力越强。通过对特征向量进行筛选，可以选择出与电能质量扰动相关性较高的特征向量。
2.3双层BPNN的识别
为了进行电能质量扰动的识别，本文采用了双层BPNN（BackpropagationNeuralNetwork）进行分类任务。BPNN是一种常用的人工神经网络模型，具有良好的非线性映射能力和学习能力。首先，利用筛选后的特征向量作为输入，训练第一层的BPNN。然后，将第一层的输出作为第二层的输入，再次进行训练。通过反复迭代训练，可以得到一个较为准确的分类模型。在实际应用中，可以根据需要进行参数的优化和调整，以达到更好的分类效果。
3.实验结果
本文采用了模拟数据和真实数据进行实验验证。实验结果表明，所提出的基于特征向量筛选和双层BPNN的电能质量扰动识别方法能够有效地识别电能质量扰动，并且在准确率和可靠性方面具有较高的表现。与传统的方法相比，该方法具有更高的识别效果和更好的实时性。
4.结论
本文提出了一种基于特征向量筛选和双层BPNN的电能质量扰动识别方法。通过特征向量的筛选和双层BPNN的训练，可以有效地识别电能质量扰动，并提高识别的准确性和可靠性。本文的方法对于电力系统的稳定运行和设备的正常工作具有重要的意义，可以为实际应用提供一种有效的识别方法。
参考文献：
[1]A.GarcíaBinde,C.ÁlvarezSoublette,R.GálvezandD.Salas[J].ElectricEnergySystemsResearch,2005,71(2):133-141.
[2]X.Wang,S.Li,Z.Wang,andM.Cheng[J].PowerElectronics,IEEETransactionson,2002,17(6):809-816.
[3]G.V.RaghavanandZ.D.Wang[J].ElectricPowerSystemsResearch,2001,56(3):195-203.