论文部分内容阅读
电能质量扰动识别是电能质量监测和分析的基础,电能质量扰动识别的主要任务是准确识别扰动类型,为电力系统参数估计和控制策略提供参考,设计高效且准确识别复合扰动的方法具有重大意义,因此扰动分类已成为重要的研究问题。电能质量事件通常与多个扰动相关联,它的识别问题属于机器学习领域的多标签学习的范畴。然而应用在电能质量扰动分类的传统多标签学习算法特别是基于反向传播神经网络和支持向量机的学习算法都存在训练速度慢、结构参数调整容易产生局部最优解等缺点。极限学习机作为最近几年流形的单隐层前馈神经网络学习算法,算法只需要初始化网络结构中的隐层节点数,而无需反复调整网络的输入权值以及隐层的偏置,可以产生唯一的最优解。由于它具有学习速度快且泛化性能好的优点,受到越来越多的研究者的关注。本研究在两项国家自然科学基金的支持下,围绕基于极限学习机方法,通过分析多标签学习的特点特别是标签关联性,立足于解决传统多标签学习算法训练速度慢、实际分类识别时缺乏足够已辨识的扰动样本以及人工提取复合扰动特征时存在冗余性和不完备性三个重要问题,在算法设计层面和复合扰动识别应用层面上展开了一系列研究。本文设计了三个基于极限学习机的具有良好泛化能力和分类性能的学习算法,并和相关研究成果在仿真信号数据集和实测采样信号数据集上做了实验对比,验证了本文提出算法的有效性。本研究的主要工作包括以下几个方面:(1)从多标签学习角度分析复合扰动的识别问题,提出了基于变分模态分解和随机判别映射多标签极限学习机的新型识别方法。该方法首先利用变分模态分解算法分解并提取复合扰动信号中的特征,然后构造一种新型的多标签学习算法——随机判别映射多标签极限学习机,将随机判别映射多分类极限学习机和阈值学习的径向基核极限学习机结合实现将传统的极限学习机扩展到多标签学习应用。经过仿真和硬件测试平台采样数据集实验证明:该方法在提高分类性能指标的同时,较传统应用于电能质量的多标签算法降低了训练时间和测试时间。(2)针对电能质量复合扰动分析研究时存在大量实际电网实测的未标记扰动类型的电能质量事件信号样本的问题,首次将机器学习领域的多标签主动学习方法应用到电能质量扰动分类上来。根据扰动信号独有的所含标签的互斥性,提出了一种新型的结合标签互斥性和得分排名的主动学习不确定性抽样策略。实验验证该策略在通过随机判别映射多标签极限学习机分类器对未知扰动信号样本进行选择标注时,可以较快达到较好的精度指标,较对比的多标签主动学习策略可以有效降低人工标记的代价。(3)为了减少电能质量复合扰动分析研究时人工构造选取特征可能存在的冗余性和不完备性,本文提出了一种新型多标签深度海森极限学习机算法。该方法通过堆叠极限学习机降噪自编码器来搭建多层神经网络,克服了传统深度学习由于反向传播调参法速度慢的缺点。同时算法通过加入海森正则化更好地保持样本的局部流形结构,提高分类器性能指标。最后,该方法使用随机判别映射多标签极限学习机来取代基础极限学习机作为深层网络结构的最高层,从而实现算法从多分类问题学习扩展至多标签问题的学习。本研究创新性地提出新型基于极限学习机的多标签学习算法,一定程度缓解了已有应用在复合扰动识别领域的多标签学习算法低效的问题。同时本文首次提出适用于复合扰动的主动学习算法以及多标签深度海森极限学习机算法,对于仅有少量已标记样本以及人工构造选择复合扰动特征困难的情况下复合扰动的分类识别研究具有重要理论意义和实用价值。