一种电能质量扰动分类方法与流程

技术特征：
1.一种电能质量扰动分类方法，其特征在于，所述电能质量扰动方法包括：s1：利用s变换窗函数提取电能质量扰动信号，得到模时频矩阵；s2：根据所述模时频矩阵中的各行各列的元素，得到初始扰动特征集；s3：根据所述初始扰动特征集，得到多标签扰动特征集；s4：根据所述多标签扰动特征集，利用多粒度特征优化方法，得到各粒度空间对应的最优扰动特征集；s5：根据各粒度空间所对应的最优扰动特征集，得到对应的各基分类器模型；s6：利用加权投票集成策略对所有所述基分类器模型进行集成，得到强分类器模型；s7：根据所述强分类器模型和电能质量扰动数据测试集，得到电能质量扰动分类结果。2.根据权利要求1所述的电能质量扰动分类方法，其特征在于，所述步骤s1包括：利用s变换窗函数提取电能质量扰动信号，得到矩阵；对所述矩阵中的每个元素进行求模操作，得到模时频矩阵。3.根据权利要求1或2所述的电能质量扰动分类方法，其特征在于，所述步骤s1中，所述s变换窗函数为：其中，s(*)表示原始信号经过s变换后得到的矩阵，j表示将t离散化的变量，即将t离散化为jt，t表示采样周期，n表示采样频率，n表示总采样点数，表示信号h(kt)的傅里叶变换，π表示圆周率参数，h(*)表示电能质量原始信号，n'表示不大于n
max
的频率检测点，g1,g2,...g
k
分别代表在划分的各频段的调节参数，n
max
为采样的最大频率。4.根据权利要求2所述的电能质量扰动分类方法，其特征在于，所述步骤s2包括：s21：分别根据所述模时频矩阵中的各相关值，得到与各相关值所对应的各所述时域相关曲线和各所述频域相关曲线；s22：根据各所述时域相关曲线和各所述频域相关曲线，分别得到各所述时域相关曲线的多项特征和各所述频域相关曲线的多项特征；s23：各所述时域相关曲线的多项特征和各所述频域相关曲线的多项特征，构建所述初始扰动特征集。5.根据权利要求4所述的电能质量扰动分类方法，其特征在于，所述步骤s21中，各所述相关值包括：最大值、最小值、平均值、标准差和均方根值；各所述时域相关曲线包括：时域最大值曲线、时域最小值曲线、时域平均值曲线、时域
标准差曲线、时域均方根曲线；各所述频域相关曲线包括：频域最大值曲线、频域最小值曲线、频域平均值曲线、频域标准差曲线、频域均方根曲线。6.根据权利要求4所述的电能质量扰动分类方法，其特征在于，所述步骤s22中，各项所述特征包括最大最小值之和、最大最小值之差、标准差、平均值、均方根值、偏度、峭度以及局部能量。7.根据权利要求1-6中任意一项所述的电能质量扰动分类方法，其特征在于，所述步骤s4包括：s41：计算当前粒度空间中所述多标签扰动特征集中任意两个特征之间的模糊相似关系，得到模糊相似矩阵；s42：根据所述模糊相似矩阵，以及邻域粗糙集，得到模糊邻域粗糙集模型；s43：根据所述模糊邻域粗糙集模型和变精度参数，得到变精度模糊邻域粗糙集模型；s44：计算变精度模糊邻域粗糙集的上近似集和下近似集；s45：根据所述上近似集和所述下近似集，得到粗糙集的正域；s46：根据所述粗糙集的正域和所述变精度模糊邻域粗糙集，计算所述多标签扰动特征集中当前特征的依赖度和重要度；s47：根据所述当前特征的依赖度和所述重要度判断当前特征是否为可用特征，若是，将所述可用特征纳入最优扰动特征集并进入s48，否则，将所述当前特征合并至所述属性集并在所述多标签扰动特征集中剩余特征中选择下一个特征作为当前特征，之后将所述特征集和所述当前特征作为所述多标签扰动特征集的任意两个特征并返回步骤s41；s48：判断所述变精度模糊邻域粗糙集是否为空集，若是，输出当前粒度空间对应的最优扰动特征集，否则，将下一个粒度空间作为当前粒度空间并返回步骤s41。8.根据权利要求7所述的电能质量扰动分类方法，其特征在于，所述步骤s41中，所述模糊相似关系为：其中，表示模糊相似关系，r
c
(x
i
,x
j
)表示表示样本x
i
和x
j
在多标签扰动特征集c下的模糊相似度，r
b
(x
i
,x
j
)表示样本x
i
和x
j
在属性集b下的模糊相似度，δ表示模糊邻域半径，c为所述多标签扰动特征集，x
i
,x
j
分别表示所述多标签扰动特征集中任意两个特征；所述步骤s44中，所述下近似集为：所述上近似集为：其中，表示粒度空间(δ，α)下决策类i在扰动特征集b下所对应的下近似集且表示粒度空间(δ，α)下决策类i在扰动特征集b下所对应的下近似集且表示粒度空间(δ，β)下决策类i在扰
动特征集b下所对应的上近似集且i为常数且i＝{1,2}，和为样本在粒度空间中相对于某决策类的隶属度，且为样本在粒度空间中相对于某决策类的隶属度，且m指标签集合的维数；和是标签d
j
定义的两类互斥决策类样本集合；[x
i
]
c
是模糊相似关系矩阵r
c
中由样本x
j
产生的模糊相似关系；由以上可知变精度模糊邻域粗糙集的粒度空间大小是由邻域半径δ和变精度系数α共同控制的，β表示变精度系数且β＝1-α，为一种计算集合a包含于集合b的包含度的计算方法，∨表示析取运算，∧表示合取运算。9.根据权利要求7所述的电能质量扰动分类方法，其特征在于，所述步骤s46中，所述依赖度为：其中，表示在粒度空间(δ，α)下属性集b的依赖度，γ
b
(d)表示依赖度且γ
b
(d)∈(0,1)，b表示属性集，d表示标签，表示邻域粗糙集在粒度空间(δ，α)下所对应特征集的正域，u表示非空样本集合，r表示决策类的个数，i表示决策类的标记，表示粒度空间(δ，α)下决策类i在属性集b下所对应的下近似集且i为常数且i＝{1,2}，和为样本在粒度空间中相对于某决策类的隶属度，且m指标签集合的维数；和是标签d
j
定义的两类互斥决策类样本集合；[x
i
]
c
是模糊相似关系矩阵r
c
中由样本x
j
产生的模糊相似关系；由以上可知变精度模糊邻域粗糙集的粒度空间大小是由邻域半径δ和变精度系数α共同控制的。10.根据权利要求7所述的电能质量扰动分类方法，其特征在于，所述重要度为：imp(c,b,d)表示重要度，表示在粒度空间(δ，α)下属性集b的依赖度，γ
b
(d)表示依赖度且γ
b
(d)∈(0,1)，b表示属性集，c表示特征，d表示标签，表示在粒度空间(δ，α)下特征集b∪c的依赖度。

技术总结
本发明公开了一种电能质量扰动分类方法，所述电能质量扰动方法包括：S1：利用S变换窗函数提取电能质量扰动信号，得到模时频矩阵；S2：根据所述模时频矩阵中的各行各列的元素，得到初始扰动特征集；S3：根据所述初始扰动特征集，得到多标签扰动特征集；S4：根据所述多标签扰动特征集，利用多粒度特征优化方法，得到各粒度空间对应的最优扰动特征集；S5：根据各粒度空间所对应的最优扰动特征集，得到对应的各基分类器模型；S6：利用加权投票集成策略对所有所述基分类器模型进行集成，得到强分类器模型；S7：根据所述强分类器模型和电能质量扰动数据测试集，得到电能质量扰动分类结果。得到电能质量扰动分类结果。


技术研发人员：胡文曦 阮梓航 肖先勇 汪颖 郑子萱
受保护的技术使用者：四川大学
技术研发日：2021.12.27
技术公布日：2022/4/1