基于MPA優(yōu)化PNN的電能質(zhì)量擾動(dòng)識(shí)別方法仿真

陳一鏢,倪陳義,陳 浩,李彬彬

(1. 溫州大學(xué)機(jī)電工程學(xué)院,浙江 溫州 325035;2. 常州大學(xué)計(jì)算機(jī)與人工智能學(xué)院,江蘇 常州 213164;3. 浙江億德科技有限公司,浙江 溫州 325000)

1 引言

隨著科學(xué)技術(shù)迅速的發(fā)展,電子設(shè)備的應(yīng)用領(lǐng)域日益廣泛,特別是大功率、非線(xiàn)性、不對(duì)稱(chēng)性負(fù)載的使用,導(dǎo)致電能質(zhì)量擾動(dòng)(Power Quality Disturbances,PQDs)的發(fā)生頻率上升[1],進(jìn)而引起電子設(shè)備不能正常工作或故障發(fā)生。對(duì)PQDs進(jìn)行準(zhǔn)確的識(shí)別和分類(lèi)是治理電能質(zhì)量問(wèn)題的重要前提。目前,電能質(zhì)量擾動(dòng)識(shí)別的過(guò)程存在噪聲影響大、分類(lèi)精度差、效率不高等問(wèn)題。因此,如何在噪聲環(huán)境下,準(zhǔn)確提取特征,并準(zhǔn)確識(shí)別不同類(lèi)型PQDs仍然是電能質(zhì)量研究領(lǐng)域的研究熱點(diǎn)。

目前PQDs識(shí)別的過(guò)程主要包括預(yù)處理、特征值提取和擾動(dòng)識(shí)別三個(gè)步驟。預(yù)處理通常采用小波閾值法[2,3]和奇異值分解(Singular Value Decomposition,SVD)[3]等方法實(shí)現(xiàn);特征值提取的方法有快速傅里葉變換(FastFourier Transform,FFT)、小波變換(Wavelet Transform,WT)[4]和S變換(S-Transform,ST)等;擾動(dòng)識(shí)別與分類(lèi)方法主要包括BP神經(jīng)網(wǎng)絡(luò)(Back Propagation,BP)[5]和概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Networks,PNN)[6]等。上述方法在電能質(zhì)量擾動(dòng)識(shí)別領(lǐng)域都取得了較好的識(shí)別結(jié)果,但是仍存在各自的缺點(diǎn)。WT能對(duì)信號(hào)進(jìn)行多層分解,并采用閾值法[2]進(jìn)行噪聲的去除,可以在去除噪聲的同時(shí)保留突變信號(hào),但小波函數(shù)、分解的層數(shù)和閾值函數(shù)的選擇直接影響消噪的效果。BP神經(jīng)網(wǎng)絡(luò)[5]學(xué)習(xí)和自適應(yīng)能力強(qiáng),可以對(duì)擾動(dòng)信號(hào)進(jìn)行識(shí)別,但其運(yùn)行速度慢且易出現(xiàn)局部最優(yōu)解。PNN神經(jīng)網(wǎng)絡(luò)[6,7]運(yùn)行速度快,但其平滑參數(shù)σ的選擇對(duì)擾動(dòng)識(shí)別準(zhǔn)確度影響較大[8]。

基于以上分析,為了解決在不同類(lèi)型擾動(dòng)信號(hào)下,小波閾值法消噪效果不穩(wěn)定和PNN中平滑參數(shù)σ選取不準(zhǔn)確等問(wèn)題,從而提高小波閾值消噪能力和PNN識(shí)別準(zhǔn)確度,本文采用改進(jìn)小波閾值法和海洋捕食者算法(Marine Predators Algorithm,MPA)[9]優(yōu)化PNN的方法建立擾動(dòng)信號(hào)識(shí)別模型。首先采用改進(jìn)小波閾值法對(duì)電能信號(hào)進(jìn)行預(yù)處理,然后通過(guò)WT進(jìn)行多尺度分解,提取各層高頻和低頻能量,構(gòu)成的特征向量F,并提取其中3個(gè)較為明顯的維度能量值構(gòu)成輸入特征向量F1,最后將輸入特征向量F1輸入到PNN,并利用MPA優(yōu)化PNN的平滑參數(shù)σ,從而進(jìn)行電能質(zhì)量擾動(dòng)信號(hào)識(shí)別模型的訓(xùn)練和測(cè)試,如圖1所示。仿真表明,本方法具有一定的消除噪聲能力,可以準(zhǔn)確提取不同擾動(dòng)信號(hào)特征值,且在增強(qiáng)神經(jīng)網(wǎng)絡(luò)的識(shí)別能力、提升電能質(zhì)量擾動(dòng)信號(hào)識(shí)別精度和減少模型優(yōu)化時(shí)間等方面均具有一定的效果。

圖1 電能質(zhì)量擾動(dòng)識(shí)別基本流程圖

2 電能信號(hào)預(yù)處理

電能信號(hào)在接收、傳輸和處理的過(guò)程中都會(huì)受到噪聲的干擾。若不進(jìn)行電能信號(hào)預(yù)處理,則不同類(lèi)型PQDs的特征會(huì)被噪聲所淹沒(méi),從而影響電能質(zhì)量擾動(dòng)信號(hào)的識(shí)別準(zhǔn)確度。WT具有時(shí)頻變換的特點(diǎn),能夠很好消除電能質(zhì)量擾動(dòng)信號(hào)中的噪聲,其主要方法有小波包和閾值法[2]。本文對(duì)小波閾值法進(jìn)行改進(jìn),使其對(duì)不同類(lèi)型的電能質(zhì)量擾動(dòng)信號(hào)均有較好的消噪效果。首先選取小波基函數(shù)和分解層數(shù)對(duì)PQDs信號(hào)進(jìn)行離散小波分解

(1)

式中:x(t)為含噪聲的擾動(dòng)電能信號(hào),f(t)為擾動(dòng)電能信號(hào),ε(t)為噪聲信號(hào),φ(t)為小波尺度函數(shù)。

小波系數(shù)表達(dá)式如下所示

wi=ui+vi

(2)

式中:wi為含噪聲擾動(dòng)電能信號(hào)的第i層小波系數(shù),ui為擾動(dòng)電能信號(hào)的第i層小波系數(shù),vi為噪聲的第i層小波系數(shù)。

然后選取軟硬閾值和閾值λ對(duì)小波系數(shù)進(jìn)行消噪處理,其中硬閾值如式(3)所示、軟閾值如式(4)所示,閾值λ如式(5)所示

(3)

(4)

(5)

式中:N為信號(hào)采集個(gè)數(shù),δ為噪聲標(biāo)準(zhǔn)差,wi′是閾值法處理后的第i層小波系數(shù)。

最后對(duì)消噪后小波系數(shù)wi′進(jìn)行重構(gòu),得到消噪信號(hào)x′(t)。若均方根誤差(Root Mean Square Error,RMSE)小于0.01或取得最小值,則消噪完成,否則重新選擇小波基函數(shù)、分解層數(shù)、軟硬閾值、閾值λ,直到上述條件成立。RMSE計(jì)算公式如下所示

(6)

3 電能信號(hào)特征提取與擾動(dòng)識(shí)別

不同電能信號(hào)擾動(dòng)識(shí)別是電能質(zhì)量治理關(guān)鍵步驟,其中電能信號(hào)擾動(dòng)識(shí)別是根據(jù)電能信號(hào)特征向量進(jìn)行電能擾動(dòng)類(lèi)型的判斷。但是,電能信號(hào)具有不規(guī)則性和平穩(wěn)性的特點(diǎn),對(duì)其準(zhǔn)確提取特征較為困難,并且擾動(dòng)識(shí)別方法需要較快的速度和準(zhǔn)確的識(shí)別精度。因此,本文選取小波變換和神經(jīng)網(wǎng)絡(luò)的方法對(duì)電能信號(hào)進(jìn)行特征提取和擾動(dòng)識(shí)別。

3.1 特征提取

小波變換[4]具有時(shí)頻局部分析和多分辨分析能力,特別適用于電能突變和不平穩(wěn)信號(hào)的處理。因此,本文采用小波變換的多分辨分析方法準(zhǔn)確提取不同種類(lèi)電能質(zhì)量擾動(dòng)的特征。

多分辨分析通過(guò)低通和高通濾波器,將預(yù)處理后的信號(hào)x′(t)分解成低頻部分bi(t)和高頻部分ai(t)。預(yù)處理擾動(dòng)信號(hào)x′(t)的多分辨分析如下所示

(7)

式中:η(t)為尺度函數(shù),ψ(t)為小波系數(shù)函數(shù)。

多分辨分析得到各個(gè)尺度的能量信息如下

(8)

式中:Fa為高頻能量特征值,Fbi為第i層維度的低頻能量特征值。

對(duì)特征值進(jìn)行歸一化,構(gòu)成特征向量F,如下所示

(9)

式中:FA為正常電能信號(hào)的高頻能量特征值,FBi為正常電能信號(hào)第i層維度的低頻能量特征值。

選取特征向量F中3個(gè)不同擾動(dòng)區(qū)別度較大的維度能量,從而構(gòu)成輸入特征向量F1。

3.2 擾動(dòng)識(shí)別

目前主流的識(shí)別方法為神經(jīng)網(wǎng)絡(luò),通過(guò)訓(xùn)練樣本搭建網(wǎng)絡(luò)結(jié)構(gòu),將輸入量與輸出量構(gòu)成映射的關(guān)系,具有分類(lèi)精度高、魯棒性和適應(yīng)性強(qiáng)等優(yōu)點(diǎn)[10]。本文采用PNN方法進(jìn)行擾動(dòng)識(shí)別,具有結(jié)構(gòu)簡(jiǎn)單、訓(xùn)練速度快等自身特點(diǎn)。

PNN是一種以徑向基函數(shù)網(wǎng)絡(luò)(Radial Basis Function,RBF)為基礎(chǔ)融合密度函數(shù)估計(jì)和貝葉斯決策理論的前饋神經(jīng)網(wǎng)絡(luò),由輸入層、模式層、求和層和輸出層等4層網(wǎng)絡(luò)結(jié)構(gòu)組成。將訓(xùn)練樣本的輸入特征向量輸入,傳遞給網(wǎng)絡(luò),確定神經(jīng)元個(gè)數(shù),并進(jìn)行訓(xùn)練,其中概率密度函數(shù)估值為

(10)

式中:X為進(jìn)行判斷的擾動(dòng)信號(hào)樣本,Xai為第i個(gè)信號(hào)訓(xùn)練向量;P為擾動(dòng)信號(hào)樣本維數(shù);m為擾動(dòng)信號(hào)樣本數(shù)目;σ為平滑參數(shù)。

PNN中平滑參數(shù)σ通常憑借人為經(jīng)驗(yàn)設(shè)定。平滑參數(shù)σ將限制概率神經(jīng)網(wǎng)絡(luò)的分類(lèi)精度,若平滑參數(shù)σ取值太小,概率神經(jīng)網(wǎng)絡(luò)將構(gòu)成最鄰近分類(lèi)器;若平滑參數(shù)σ取值太大,概率神經(jīng)網(wǎng)絡(luò)將構(gòu)成線(xiàn)性分類(lèi)器。目前,神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化方法包括遺傳算法(Genetic Algorithm,GA)[4]和海洋捕食者算法(Marine Predators Algorithm,MPA)等優(yōu)化算法,從而提高神經(jīng)網(wǎng)絡(luò)的識(shí)別精度。其中,MPA相較于GA具有較強(qiáng)的單目標(biāo)搜索算能力,且具有較高的優(yōu)化效率。因此,本文選取MPA優(yōu)化PNN網(wǎng)絡(luò)的平滑參數(shù)σ,快速、準(zhǔn)確的建立擾動(dòng)識(shí)別模型。

MPA[9]是一種通過(guò)模擬海洋生物L(fēng)évy運(yùn)動(dòng)與Brownian運(yùn)動(dòng)選擇最佳捕食策略的啟發(fā)式優(yōu)化算法。首先隨機(jī)生成最小平滑參數(shù)σmin到最大平滑參數(shù)σmax之內(nèi)的D個(gè)種群,平滑參數(shù)σ構(gòu)成獵物矩陣Lw,優(yōu)化平滑參數(shù)時(shí),以PNN網(wǎng)絡(luò)的識(shí)別精度誤差為適應(yīng)度函數(shù),識(shí)別誤差最低時(shí)為高適應(yīng)度,對(duì)應(yīng)種群為最佳平滑參數(shù)σ＇,并構(gòu)成精英矩陣Jy。其次根據(jù)當(dāng)前迭代次數(shù)Md與最大迭代次數(shù)Zd將捕食過(guò)程分為三個(gè)階段,獵物與捕食者采用不同的運(yùn)動(dòng)方式,以尋找全局最優(yōu)解。

在第一階段時(shí),Md≤Zd/3,捕食者進(jìn)行勘探尋找獵物,獵物矩陣采用Brownian進(jìn)行自我更新,其表達(dá)式為

(11)

式中:Lwi表示Lw集合中第i個(gè)平滑參數(shù)σ,Ydi為移動(dòng)步長(zhǎng)向量,B為正態(tài)分布的隨機(jī)Brownian運(yùn)動(dòng)向量,?為克羅內(nèi)克積(Kronecker product),C為常數(shù)0.5,R為0-1內(nèi)的隨機(jī)值向量。

在第二階段時(shí),Zd/3

(12)

式中:Jyi表示Jy中第i個(gè)平滑參數(shù)σ,L為L(zhǎng)évy分布的隨機(jī)向量。同時(shí),捕食者采用Brownian運(yùn)動(dòng)進(jìn)行勘察策略,精英矩陣采用Brownian運(yùn)動(dòng)對(duì)獵物矩陣進(jìn)行更新,且自動(dòng)調(diào)節(jié)移動(dòng)步長(zhǎng)Cf,其表達(dá)式如下所示

(13)

(14)

在第三階段時(shí),Zd/3

(15)

最后根據(jù)魚(yú)類(lèi)聚集裝置(Fish Aggregating Devices,FADs)改變捕食者捕食行為避免局部最優(yōu)解,采用海洋記憶保存最佳平滑參數(shù)σ＇,從而更新精英矩陣,并進(jìn)入下一輪捕食階段,直到最后一次捕食輸出全局最優(yōu)平滑參數(shù)σMPA,即完成MPA優(yōu)化PNN網(wǎng)絡(luò)。FADs表達(dá)為

(16)

式中:U為0或1構(gòu)成的向量,j∈[0,1]中的隨機(jī)值,FADs=0.2,j1和j2是獵物矩陣中隨機(jī)下標(biāo)量。

3.3 實(shí)現(xiàn)步驟

根據(jù)改進(jìn)小波閾值的消噪、小波變換的特征提取和MPA優(yōu)化PNN的擾動(dòng)識(shí)別等方法構(gòu)建電能質(zhì)量擾動(dòng)識(shí)別模型,如圖2所示,其具體步驟如下:

圖2 改進(jìn)小波閾值法-MPA-PNN的流程圖

步驟1:初始化改進(jìn)小波閾值法中小波基函數(shù)、分解層數(shù)、軟硬閾值函數(shù)、λ閾值參數(shù),小波分解中小波基函數(shù)、分解層數(shù)、種群個(gè)數(shù)D、適應(yīng)度函數(shù)、擾動(dòng)樣本維度P、平滑參數(shù)σ的搜索空間、最大迭代次數(shù)Zd、魚(yú)類(lèi)聚集裝置FADs。

步驟2:根據(jù)數(shù)學(xué)模型建立不同類(lèi)型電能質(zhì)量擾動(dòng)信號(hào),并且輸入到改進(jìn)小波閾值法中。

步驟3:選擇小波基函數(shù)和分解層數(shù),根據(jù)式(1)對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行分解,得到各層小波系數(shù)wi。

步驟4:選擇軟硬閾值和λ閾值對(duì)各層小波系數(shù)wi進(jìn)行預(yù)處理,得到預(yù)處理完成的小波系數(shù)wi′。

步驟5:由預(yù)處理小波系數(shù)wi′重構(gòu)電能質(zhì)量擾動(dòng)信號(hào)x′(t),完成信號(hào)預(yù)處理。

步驟6:判斷RMSE值是否小于0.01或取得最小值,若小于0.01或取得最小值時(shí)進(jìn)行步驟7,否則跳轉(zhuǎn)到步驟3,循環(huán)執(zhí)行步驟3-6。

步驟7:選擇db5為小波基、10的分解層數(shù)對(duì)預(yù)處理完成的信號(hào)小波分解,構(gòu)成特征向量F。

步驟8:提取不同類(lèi)型特征向量F中3個(gè)區(qū)分度明顯的維度能量構(gòu)成輸入特征向量F1。

步驟9:輸入特征向量F1分為訓(xùn)練樣本和測(cè)試樣本輸入PNN網(wǎng)路。

步驟10:根據(jù)輸入層、模式層、求和層、輸出層搭建PNN網(wǎng)絡(luò)。

步驟11:根據(jù)種群計(jì)算適應(yīng)度,從而構(gòu)建精英矩陣和獵物矩陣。

步驟12:根據(jù)迭代次數(shù)對(duì)種群進(jìn)行多階段優(yōu)化,并運(yùn)用魚(yú)類(lèi)聚集裝置FADs避免局部最優(yōu)解,保存最佳平滑參數(shù)σ＇。

步驟13:判斷是否達(dá)到最大迭代次數(shù),若未達(dá)到則跳轉(zhuǎn)到步驟12,循環(huán)執(zhí)行步驟12-14直到達(dá)到最大迭代次數(shù)。

步驟14:輸出全局最優(yōu)平滑參數(shù)σMPA,構(gòu)建優(yōu)化完成的MPA-PNN模型。

步驟15:輸入測(cè)試樣本的電能質(zhì)量擾動(dòng)信號(hào),輸出擾動(dòng)種類(lèi),并與真實(shí)擾動(dòng)類(lèi)型比對(duì)。

4 仿真與結(jié)果分析

4.1 仿真

根據(jù)實(shí)際擾動(dòng)信號(hào)特征和文獻(xiàn)[2,11]中的數(shù)學(xué)模型,建立電壓暫升(D1)、電壓暫降(D2)、電壓中斷(D3)、電壓閃變(D4)、諧波(D5)共5種單一電能質(zhì)量擾動(dòng)信號(hào),如表1所示,并構(gòu)建復(fù)合電能質(zhì)量擾動(dòng)信號(hào)諧波+電壓暫升(D6)、諧波+電壓中斷(D7)、諧波+電壓暫降(D8)共3種。每個(gè)類(lèi)型的電能質(zhì)量擾動(dòng)信號(hào)隨機(jī)生成120組數(shù)據(jù),8種類(lèi)型共960組數(shù)據(jù),其中800組為訓(xùn)練樣本,160組為測(cè)試樣本。生成信號(hào)的采樣頻率為5kHz,即單個(gè)周期包含128個(gè)采樣點(diǎn),每個(gè)擾動(dòng)信號(hào)由10個(gè)周期波形構(gòu)成,并疊加一定量的信信噪比(Signal Noise Ratio,SNR)。

表1 單一電能質(zhì)量擾動(dòng)信號(hào)模型

A=u(t-t1)-u(t-t2);

B=αisin(3ω0t)+αisin(5ω0t)+αisin(7ω0t)

通過(guò)改進(jìn)小波閾值法對(duì)用于訓(xùn)練的800組原始信號(hào)消噪處理,得到預(yù)處理信號(hào)。分別對(duì)原始信號(hào)和預(yù)處理信號(hào)進(jìn)行小波變換的多分辨分析,獲得特征向量F,提取區(qū)分度較大的第三、六、八層維度能量構(gòu)成輸入特征向量F1。20dB下,未經(jīng)消噪和消噪后的能量分布如圖3所示。

圖3 輸入特征向量F1在20dB下的能量分布

對(duì)于未經(jīng)消噪和消噪后兩種類(lèi)型,不同擾動(dòng)類(lèi)型輸入特征向量F1的能量在三維坐標(biāo)中均有明顯分布聚集。圖3(a)為未經(jīng)消噪的輸入特征向量分布,其中D2與D3的界限重疊,甚至D7與D8的界限出現(xiàn)了明顯混合,不利于電能質(zhì)量擾動(dòng)的準(zhǔn)確識(shí)別。圖3(b)為使用改進(jìn)小波閾值法后的輸入特征向量分布,其中D2與D3之間出現(xiàn)清晰的分界,僅在D6與D1界線(xiàn)及D7與D8界線(xiàn)出現(xiàn)局部重疊。因此,改進(jìn)小波閾值法可以有效消除噪聲,提高不同類(lèi)型特征向量的區(qū)分度,從而提升識(shí)別精度。

將經(jīng)消噪的800組數(shù)據(jù)輸入特征向量F1輸入到海洋捕食者優(yōu)化的概率神經(jīng)網(wǎng)絡(luò),并設(shè)置平滑參數(shù)σ為目標(biāo)函數(shù),搜索空間為[0,1],Zd=20,D=5,FADs=0.2,C=0.5,訓(xùn)練得到擾動(dòng)識(shí)別模型,利用其余160組數(shù)據(jù)進(jìn)行擾動(dòng)識(shí)別測(cè)試,得到不同平滑參數(shù)的適應(yīng)度。MPA對(duì)PNN進(jìn)行參數(shù)優(yōu)化的迭代過(guò)程如圖4所示。

圖4 MPA優(yōu)化迭代圖

第1-6次迭代為MPA優(yōu)化的第一階段,PNN的識(shí)別誤差從0.213急劇下降到0.031;第7-13次迭代為MPA優(yōu)化的第二階段,識(shí)別誤差下降到0.019并趨于穩(wěn)定;第14-20次迭代為MPA優(yōu)化的第三階段,識(shí)別誤差穩(wěn)定于0.019。因此,MPA對(duì)PNN的優(yōu)化完成,且識(shí)別準(zhǔn)確度保持在98%以上。

圖5為20dB信噪比下,8種電能質(zhì)量擾動(dòng)信號(hào)(共160組數(shù)據(jù))采用改進(jìn)小波閾值法-MPA-PNN方法的識(shí)別測(cè)試結(jié)果,識(shí)別精度為98.13%。

圖5 在20dB下改進(jìn)小波閾值法-MPA-PNN分類(lèi)圖

不同信噪比下,8種電能質(zhì)量擾動(dòng)類(lèi)型的識(shí)別精度如表2所示。在無(wú)信噪比下,不同類(lèi)型的識(shí)別精度均為100%,30dB和20dB信噪比下的總體識(shí)別精度分別為99.38%和98.13%。但當(dāng)信噪比達(dá)到10dB強(qiáng)度時(shí),識(shí)別精度下降到74.38%,此時(shí),D6、D7、D8中波動(dòng)較小的諧波信號(hào)被過(guò)強(qiáng)噪聲覆蓋,改進(jìn)小波閾值法消噪時(shí)把諧波信號(hào)當(dāng)成噪聲一起消除,因此高噪音下消噪后的輸入特征向量并不能很好的反映擾動(dòng)的類(lèi)型,導(dǎo)致識(shí)別結(jié)果出現(xiàn)偏差。

表2 改進(jìn)小波閾值法-MPA-PNN方法在不同信噪比下8種電能質(zhì)量擾動(dòng)的識(shí)別精度(%)

4.2 結(jié)果分析

在不同信噪比情況下,分別進(jìn)行單一PNN(平滑參數(shù)σ為0.03)、改進(jìn)小波閾值法-PNN、改進(jìn)小波閾值法-GA-PNN、改進(jìn)小波閾值法-MPA-PNN四種方法的訓(xùn)練及測(cè)試,總體測(cè)試識(shí)別精度結(jié)果如圖6所示。其中改進(jìn)小波閾值法-MPA-PNN的擾動(dòng)識(shí)別精度最高,改進(jìn)小波閾值法-GA-PNN方法和改進(jìn)小波閾值法-PNN方法次之,單一PNN的精度最差。當(dāng)信噪比為20dB、30dB或無(wú)噪聲時(shí),改進(jìn)小波閾值法-MPA-PNN的識(shí)別精度穩(wěn)定在98%以上,均高于其它三種方法。因此,相對(duì)于上述其它識(shí)別算法,本文采用的改進(jìn)小波閾值法-MPA-PNN組合有效提高電能質(zhì)量擾動(dòng)信號(hào)的識(shí)別精度。

圖6 四種識(shí)別方法在不同信噪比下識(shí)別精度圖(%)

對(duì)比單一PNN及改進(jìn)小波閾值法-PNN方法,改進(jìn)小波閾值法對(duì)電能質(zhì)量擾動(dòng)信號(hào)具有消噪作用,增大了不同電能質(zhì)量種類(lèi)之間的區(qū)分度,識(shí)別準(zhǔn)確度有明顯的提高;對(duì)比改進(jìn)小波閾值法-MPA-PNN和改進(jìn)小波閾值法-GA-PNN方法,MPA優(yōu)化后的PNN網(wǎng)絡(luò)具有更強(qiáng)的識(shí)別能力。

改進(jìn)小波閾值法-GA-PNN、改進(jìn)小波閾值法-MPA-PNN在低信噪比時(shí)的識(shí)別準(zhǔn)確度都在90%以上,都具有一定的實(shí)用價(jià)值。在相同迭代次數(shù)和種群大小下比較GA和MPA對(duì)PNN優(yōu)化的速度,不同信噪比強(qiáng)度下的優(yōu)化時(shí)間如表3所示。

表3 基于GA與MPA不同優(yōu)化方法下優(yōu)化所用時(shí)間對(duì)比(s)

在不同信噪比下,改進(jìn)小波閾值法-MPA-PNN模型的訓(xùn)練時(shí)間約為13s,小于改進(jìn)小波閾值法-GA-PNN約為17s,時(shí)間縮短百分之23.5%。因此,MPA優(yōu)化方法可以在更短的時(shí)間內(nèi)獲得更高識(shí)別精度的平滑參數(shù),即在搜索效率及能力方面,MPA方法均優(yōu)于GA,更加適用于電能質(zhì)量擾動(dòng)識(shí)別網(wǎng)絡(luò)的搭建。

5 總結(jié)

針對(duì)電能質(zhì)量擾動(dòng)分類(lèi)問(wèn)題,本文提出一種基于改進(jìn)小波閾值法消噪和MPA-PNN的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法。采用改進(jìn)小波閾值法對(duì)8種電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行消噪處理,并結(jié)合WT方法提取區(qū)分度最明顯的第3、6、8個(gè)維度能量構(gòu)成輸入特征向量F1,最終采用MPA方法對(duì)PNN網(wǎng)絡(luò)進(jìn)行優(yōu)化,得到電能質(zhì)量擾動(dòng)信號(hào)識(shí)別模型。仿真結(jié)果得到改進(jìn)小波閾值法-MPA-PNN在不同的信噪比下具有一定消噪性及較高的識(shí)別精度,在電力工程中具有一定的實(shí)用價(jià)值。與單一PNN、改進(jìn)小波閾值法-PNN、改進(jìn)小波閾值法-GA-PNN方法相比,該方法的識(shí)別精度顯著提升,分別最高提升15.6%,10%和5.6%。在模型優(yōu)化時(shí)間方面,MPA方法優(yōu)化PNN網(wǎng)絡(luò)的時(shí)間為13s,僅為比GA方法的76.5%,對(duì)于建立大區(qū)域、長(zhǎng)時(shí)間跨度的擾動(dòng)識(shí)別模型具有明確的實(shí)際意義。