基于GSA的ELM電能質(zhì)量擾動識別方法研究

李斌　韓曉紅

摘要：ELM是一個單隱層神經(jīng)網(wǎng)絡，具有良好的泛化和快速學習能力，該算法只需用戶調(diào)整隱含層節(jié)點個數(shù)，但該參數(shù)的選擇直接影響了ELM的性能。文章提出一種新的優(yōu)化方案，該方案使用GSA優(yōu)化輸入特征子集和隱含層節(jié)點數(shù)以提高ELM的性能，實驗結果表明：該方法在識別電能質(zhì)量擾動方面更快、更準確。

關鍵詞：GSA；ELM；小波變換；特征選擇；萬有引力搜索算法；極限學習機 文獻標識碼：A

中圖分類號：TM614 文章編號：1009-2374（2015）29-0015-03 DOI：10.13535/j.cnki.11-4406/n.2015.29.008

1 概述

工業(yè)中由于電能質(zhì)量（Power-Quality，PQ）問題已經(jīng)造成大量資源的流失，導致PQ問題的主要原因是過多地使用固態(tài)開關設備、非線性負載、各種數(shù)據(jù)處理設備等。這些設備的使用使得PQ信號的相位、頻率和振幅發(fā)生了畸變，從而進一步導致過熱、電機故障、諧波失真等問題。傳統(tǒng)上，PQ問題可以通過目測干擾波形，但該方法需要工程師具備一定的專業(yè)知識，且需要分析大量數(shù)據(jù)，因此，有必要開發(fā)自動的PQ干擾識別方法。

自動識別方法主要包括兩步：特征提取和模式識別。小波變換（Wavelet Transform，WT）可以用于電力信號擾動檢測和定位。有學者提出基于WT和人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）的PQ擾動檢測方法。參考文獻[4]使用支持向量機（Support Vector Machine，SVM）實現(xiàn)信號的識別。然而，SVM需要對復雜的二次規(guī)劃問題進行求解，涉及高的計算復雜度和時間成本，當數(shù)據(jù)集較大時，這一缺陷更為明顯。參考文獻[5]使用ANN實現(xiàn)多分類，ANN通過網(wǎng)絡直接把輸入數(shù)據(jù)映射到不同的類，ANN易于實現(xiàn)，更像人類的思維認知，然而，對于大規(guī)模問題，ANN缺乏有效的快速學習算法，且存在隱含層神經(jīng)元個數(shù)的選擇問題。

極限學習機（Extreme Learning Machine，ELM）是一種新的學習算法，它是一種單隱層前饋神經(jīng)網(wǎng)絡學習算法。相比傳統(tǒng)的基于梯度的學習算法，ELM學習速度快，且泛化性能好，同時避免了傳統(tǒng)學習方法面臨的問題。本文使用ELM進行PQ擾動信號識別，相比其他方法，ELM的優(yōu)點是用戶只需調(diào)整隱含層節(jié)點數(shù)目，但最佳隱含層節(jié)點數(shù)目的選擇可以提高其性能。萬有引力搜索算法（Gravitational Search Algorithm，GSA）是一種新的群體優(yōu)化算法，相比其他優(yōu)化算法，它具有跳出局部最優(yōu)解的能力，且易于實現(xiàn)，本文通過GSA優(yōu)化ELM參數(shù)以獲得較高的分類精度，同時使用GSA對小波變換后PQ擾動信號進行特征提取，以完成對電能質(zhì)量擾動信號的識別。

2 方法

基于GSA的ELM電能質(zhì)量擾動分類系統(tǒng)首先通過GSA檢測最佳特征子集，接著使用GSA估計最佳隱含層節(jié)點數(shù)，以達到自動優(yōu)化ELM分類器的準確性。圖1為基于GSA的ELM優(yōu)化分類框架。

圖1 GSA-ELM分類框架

給定訓練集{Xi，Yi}，隱含層節(jié)點輸出函數(shù)為G（W，B，X），Lmax為最大隱含層節(jié)點數(shù)。

步驟1：通過GSA算法選擇最佳輸入特征數(shù)量（N）和隱含層節(jié)點數(shù)（L）。

步驟2：隨機分配隱含節(jié)點的參數(shù)（Wi，Bi），i=1，2，……，L。

步驟3：計算隱含層的輸出矩陣YH。

步驟4：計算輸出權值，是隱含層輸出矩陣的廣義Moore–Penrose逆矩陣。

2.1 編碼

為了有效地利用GSA優(yōu)化ELM，使用二進制編碼表示粒子。表1顯示了使用的二進制粒子表示，每個粒子由兩部分組成：第一部分包含特征子集f，f選自d個輸入特征；第二部分包含隱含層神經(jīng)元個數(shù)。由于位置向量的第一部分用于實現(xiàn)特征選擇任務，每個元素為“0”（特征丟棄）或“1”（特征選擇）。代表特征值，表示隱含層神經(jīng)元個數(shù)，nc為隱含層神經(jīng)元的位數(shù)。實驗使用7位編碼方案表示隱含層神經(jīng)元，13位表示特征值。

2.2 適應度函數(shù)

GSA基于適應度函數(shù)值評估每一個候選解pi的優(yōu)劣。適應度函數(shù)使用分類精度和特征數(shù)作為評估標準。具有較高的分類精度和少的特征數(shù)目的粒子具有高的適應度值。式（1）為定義的適應度函數(shù)，適應度函數(shù)有兩個預定義的權重wA和wF，wA代表ELM分類精度acci的權值；wF代表所選擇的特征的權值。

（1）

fj為“1”表示第j個特征被選擇，“0”表示沒被選中，nF是總的特征數(shù)。分類的準確性（acc）表示正確分類的百分比，acc通過公式（2）計算，其中cc表示正確分類的數(shù)目，uc表示錯誤分類的數(shù)目。

2.3 GSA-ELM系統(tǒng)

基于GSA的特征選擇和ELM參數(shù)優(yōu)化系統(tǒng)描述如下（如圖2所示）：

步驟1：隨機初始化S個粒子的位置及速度矢量vi（i=1，2，…，S）。

步驟2：使用每個粒子pi∈Rd+1（i=1，2，…，S）中的特征子集和隱含層神經(jīng)元數(shù)、訓練ELM分類器，并計算相應的適應度函數(shù)值fitnessi。

步驟3：更新G（t）、worst（t）、best（t）、，i=1，2，…，S。

步驟4：計算不同方向的合力，計算加速度和速度。

步驟5：使用。

步驟6：使用每個候選粒子pi（i=1，2，…，S），訓練ELM分類器，計算相應的適應度函數(shù)fitnessi。

步驟7：如果最大迭代次數(shù)尚未達到，返回到步驟2，否則轉(zhuǎn)到步驟8。

步驟8：選擇群中最佳位置，通過映射的特征子集培訓ELM分類器，使用映射的隱層神經(jīng)元數(shù)目建模。

步驟9：使用訓練好的ELM分類器對電能質(zhì)量擾動信號進行分類。

3 實驗

本節(jié)實驗評估提出的GSA-ELM分類系統(tǒng)的性能。使用MATLAB 2013a作為開發(fā)平臺，實驗硬件環(huán)境是Intel（R）Core（TM）i5-4440CPU@3.10GHz，3.09GHz 8.00GB內(nèi)存，操作系統(tǒng)是Microsoft Windows 8。

3.1 數(shù)據(jù)描述

實驗使用9類（C1-C9）不同的PQ干擾事件，數(shù)據(jù)描述如下：C1表示電壓暫降，C2表示電壓暫升，C3表示電壓中斷，C4表示諧波，C5表示頻率波動，C6表示振蕩暫態(tài)，C7表示間諧波，C8表示脈沖暫態(tài)，C9表示電壓缺口。在MATLAB使用不同參數(shù)值的參數(shù)化模型產(chǎn)生這9類電能質(zhì)量信號。

實際中，每個擾動事件的特性會有很大的差異。為了模擬實際，生成100種不同的事件。50個事件用于培訓，通過隨機變化各種參數(shù)生成另外50個事件，用于測試事件的所屬類別，使用深度、角度、開始時間和持續(xù)時間用于改變事件的不同種類。深度指一個信號的幅度變化，角度代表信號的相移，開始時間是事件開始的時間，持續(xù)時間指事件的擾動時間。

根據(jù)IEEE，實驗中的上述參數(shù)在不同的情況下有所變化，對這些樣本進行小波變換，分解信號到第十三級。

3.2 基于特征選擇和參數(shù)優(yōu)化的擾動分類

GSA算法的種群大小設置為20，隱含層神經(jīng)元的搜索范圍是0～127。準確率權值wA調(diào)整到95%，特征集的權值wF設置為5%。表2給出了在特定的迭代下給定神經(jīng)元個數(shù)，獲得的最優(yōu)特征數(shù)目和ELM隱含層神經(jīng)元的數(shù)目。

為了評估該方法的有效性和可行性，比較ELM和GSA-ELM的分類準確率，比較結果列于表3。從表3可見，使用基于特征選擇和參數(shù)優(yōu)化方法的GSA-ELM分類性能超過ELM的分類性能。

表4給出每個類的精度比較結果，從表4可以看出，使用基于GSA-ELM分類方法，有4種擾動（C1，C5，C6，C7）獲得了百分之百的分類精度，使用ELM方法，有2種擾動（C2，C4）獲得了百分之百的分類精度。

4 結語

本文提出基于GSA的ELM電能質(zhì)量擾動識別方法，通過GSA檢測可用的最佳特征子集和優(yōu)化的ELM參數(shù)，提高ELM分類器的分類性能。該方法對于提高具有分類能力的PQ監(jiān)測設備的性能具有巨大的潛力。從所獲得的實驗結果可以看出，提出的方法可以應用于電能質(zhì)量擾動信號分類，且該方法的分類能力優(yōu)于傳統(tǒng)的分類方法。

參考文獻

[1] W.-M.Lin，C.-H.Wu，C.-H.Lin，F(xiàn).-S.Cheng.Detection and classification of mul-tiple power-quality disturbances with wavelet multiclass SVM[J].IEEE Trans.Power Deliv，2008，23（4）.

[2] H.Eris ti，Y.Demir.Automatic classification of power quality events and dis-turbances using wavelet transform and support vector machines[J].IET Gener.Transm.Distrib，2012，6（10）.

[3] A.M.Gaouda，M.M.A.Salama，M.K.Sultan，A.Y.Chikhani.Power quality detec-tion and classification using wavelet-multiresolution signal decomposition[J].IEEE Trans.Power Deliv，1999，14（4）.

[4] C.Cortes，V.Vapnik.Support vector networks[J].Mach.Learn，1995，（20）.

[5] R.Zhang，G.-B.Huang，N.Sundararajan，P.Saratchandran.Multicategory classi-fication using an extreme learning machine for microarray gene expressioncancer diagnosis[J].IEEE/ACM Trans.Comput.Biol.Bioinform，2007，4（3）.

[6] W.Li，C.Chen，H.Su，Q.Du.Local binary patterns and extreme learning machinefor hyperspectral imagery classification[J].IEEE Trans.Geosci.Remote Sens，2015，53（7）.

[7] G.-B.Huang，C.-K.Siew.Extreme learning machine：RBF network case，in：Proceedings of the Eighth International Conference on Control，Automation，Robotics and Vision（ICARCV 2004）[J].Kunming，China，2004，（2）.

[8] Y.Bazi，N.Alajlan，F(xiàn).Melgani，H.AlHichri，S.Malek，R.R.Yager.Differential evo-lution extreme learning machine for the classification of hyperspectral images[J].IEEE Trans.Geosci.Remote Sens.Lett，2014，11（6）.

[9] E.Rashedi，H.Nezamabadi-pour，S.Saryazdi.GSA：a gravitational search algorithm[J].Inform.Sci，2009，179.

[10] E.Rashedi，H.Nezamabadi-Pour，S.Saryazdi.BGSA：binary gravitational search algorithm[J].Nat.Comput，2010，9.

[11] A.M.Gargoom，N.Ertugrul，W.L.Soong.Investigation of effective automaticrecognition systems of power-quality events[J].IEEE Trans.Power Deliv，2007，22（4）.

作者簡介：李斌（1985-），男，供職于國網(wǎng)寧夏電力公司信息通信公司。

（責任編輯：周 瓊）