基于包络线和多标签RBF的复合电能质量扰动分类

基于包络线和多标签RBF的复合电能质量扰动分类朱玲，刘志刚，高松，张巧革(西南交通大学电气工程学院，四川成都 610031)Email：zhuling198910@．摘要：本文提出了一种基于包络线和多标签RBF神经网络的复合电能质量扰动分类方法。

首先，对常见的七种电能质量扰动及其组合而成的复合扰动求取包络线，提取上下包络线长，上下包络线最大值、最小值，上下包络线在[-0.9,0.9]范围内的数量作为特征向量；再采用多标签RBF神经网络对该电能质量复合扰动类型进行分类。

仿真实验表明，在不同的噪声条件下，ML-RBF可以有效分类识别电能质量复合扰动。

关键字：复合扰动；多标签分类；包络线； ML-RBFRecognition of Multiple Power Quality DisturbancesUsing Envelopes and Multi-Label RBF Neural NetworksZHU Ling ，LIU Zhi-gang，Gao Song，Zhang Qiao-ge(School of Electrical Engineering, Southwest Jiaotong University, Chengdu 610031, China)Abstract：Multi-label RBF (ML-RBF) is proposed and applied to the recognition of multiple power quality disturbances in this paper. Firstly, eight characteristic quantities are extracted as eigenvectors by calculating the envelope of all of the common power quality disturbances and their compound ones .And then, the type of multiple power quality disturbances is predicted through the ML-RBF. The simulation results show that the eigenvectors extracted by envelopes is effective and ML-RBF proposed in this paper can effectively recognize the multiple power quality disturbances and their compound ones under different noise conditions.KEY WORDS: multiple disturbances; multi-label classification; envelopes; ML-RBF1引言随着智能电网的发展，电力电子及其非线性设备的广泛应用，电力系统的电能质量扰动问题越来越受到人们的关注。

目前对于单一扰动的研究，已经有比较成熟思路和方法，主要分为特征提取和分类器这两个步骤。

然而，在实际的电力系统中，往往存在的是复合扰动，针对复合扰动的研究是电能质量问题的难点。

目前，常用的解决复合扰动问题的方法有：将复合扰动看成多个2分类的问题[1]、构建动态SVM (Support Vector Machine) 分类决策树[2]、多标签分类[3,4]等。

文献[1]将复合扰动分类问题分解为多个复合扰动的目基金项目：国家自然科学基金(U1134205，51007074)；中央高校基本科研业务费专项资金资助项目（SWJTU11CX141）。

Supported by National Natural Science Foundation of China (U1134205, 51007074); The Fundamental Research Funds for the Central Universities (SWJTU11CX141). 的。

但这种方法忽略了标签之间的相关性，致使对于相互影响的多种扰动问题分类结果不佳。

文献[2]就是利用Mercer 核的聚类方法进行聚类分析来构建动态的SVM (Support Vector Machine) 分类决策树，实现分类标签的自动增长和扰动类型的自动识别。

但利用这一方法随着复合扰动种类的增加，分类标签就会几何倍数的增长，分类器复杂度和计算量将不能接受。

文献[3,4]分别提出了k-近邻贝叶斯多标签分类法和基于C聚类排位的RBF多标签神经网络分类法，并引入到复合电能质量分类中，实验结果证实了方法的适用性和有效性，为电能质量复合扰动的研究提供了新的思路。

多标签RBF神经网络（Multi-Label RBF neural networks，ML-RBF）是考虑两类标签之间相互作用，对相关和无关标签进行排序的分类方法。

本文在前人研究的基础上，采用幅值包络线提取特征量与多标签RBF 神经网络结合并将其应用到复合电能质量分类中。

C‐403C ‐4032电能质量复合扰动常见的电能质量单一扰动有以下7种：电压暂降、暂升、短时中断、脉冲暂态、振荡暂态、谐波、闪变（标签分别为C1~C7）。

复合扰动是指包含两种（含两种）以上单一扰动的电能质量扰动形式，定义以下两种电能质量复合扰动：双重扰动、多重扰动。

本文研究的复合扰动组成原则如下：1) 以上7种单一扰动按照扰动定义和特点可分成4大类：C1、C2、C3为第一类扰动(类型Class1)，C4、C5为第二类扰动(类型Class2)，C6和C7各自为一类扰动(类型Class3和类型Class4)，每一类中的两种扰动不可能同时出现，不同类别中的扰动可能同时出现；2) 双重扰动：Class1~ Class4中的扰动两两随机组合，共计17种，如电压暂降和脉冲(C1和C4)，谐波和闪变(C6和C7)等；3) 多重扰动包括三重扰动和四重扰动两种，组成方式与双重扰动类似，其中三重扰动共计17种，如暂升、脉冲和谐波同时存在的情况，四重扰动共计6种，如暂降、脉冲、谐波和闪变同时存在。

3 多标签分类3.1 基于排位法的多标签分类方法设d R χ⊆是定义在d 维的特征空间上的样本空间，{}12,,,q y y y y =K 是含有q 个标签的标签集合。

对于任意样本i x χ∈是一个d 维的特征量{}12,,T i i id x x x K ，均有i Y y ⊂为i x 所贴有的所有真实标签的集合。

对于给定的一个m 维的训练集合(){},|1i i x Y i m =≤≤D ，多标签分类的目标是根据训练集D 构建一个多标签分类器:2y h χ→，该分类器可以对位置样本进行贴有标签集合的预测。

基于排位策略的多标签分类方法是目前解决多标签分类问题的主流方法。

其主要思想是根据训练集合性质构造一个二元实函数:f χ×→R y ，对于i x χ∈的样本，按照所贴标签的排位函数(,)i f x ⋅值进行排位，标签排位越靠前越有可能是样本i x 所贴有的标签，较为有效的排位函数一般要满足如下条件12(,)(,)i i f x y f x y > (1)式中，对任意1,2y y ∈y ，1i y Y ∈，2i y Y ∉。

可以根据(,)f ⋅⋅构造一个排位函数(,)rank f ⋅⋅，使得当满足式(1)条件时，12(,)(,)rank i rank i f x y f x y <。

这样就容易得到一个显式的多标签分类器()h ⋅，其定义式如下{}()|(,)(),i j rank i j i j h x y f x y t x y y =>∈ (2)其中，()t ⋅为阈值函数。

3.2多标签分类的评价指标为了更好地区别不同多标签分类的效果差异，使得对分类器的评价具有较好的均衡性和全面性，对于测试样本集合(){},|1i i T x Y i n =≤≤，学者们定义了如下几个评价指标[3,4]：1)汉明损失 (Hamming Loss)。

111()()n HL i i i f h h x Y n Q==Δ∑ (3)式中，n 为测试样本数，Q 为标签集中所有标签数，Δ表示两个集合的对称差。

汉明损失指测试样本的全体误分率，考虑了预测数据中错误的标签和丢失的标签这两种因素，其值与多分类器()f 相关，越小越好。

2)排位损失 (Ranking Loss)。

11()n iRL i i iD f f n Y Y ==∑ (4)式中，i D 表示错判的标签集合， i Y 为i Y 的补集。

排位损失指样本标签排列次序的平均错误，其值越小越好。

3)一类错误 (One-Error)。

argmax 11(){(,)}nOE i j i i f f f x y Y n==∉∑ (5)式中，argmax (,)i j f x y 表示使得(,)i j f x y 最大的属于标签集合y ；表达式{}⋅表示若{}⋅的判定式“ ”成立则{}1⋅=，否则{}0⋅=。

一类错误估算多标签预测结果排位序列中最靠前的标签不是正确标签的概率，其值越小越好。

4)覆盖率 (Coverage)。

C ‐40311()max (,)1j inC rank i j y Y i f f f x y n ∈==−∑ (7)覆盖率指平均需要将标签序列下降多少可以覆盖样本对应的所有标签，其值越小越好。

5)平均精度 (Average Precision)。

111()(,)j in iAP irank i j i y Y L f f n Y f x y =∈=∑∑(8)式中，,,,{|(,)(,),}i rank i rank i i L y f X y f X y y Y =≤∉为预测正确的标签样本集合，平均精度指分类器预测样本的多标签是正确标签的平均比，其值越大越好。

4仿真分析4.1特征提取对电能质量信号进行差分，求取包络线。

因扰动情况不同，差分包络线长度各异，故选取上下包络线长度为其中两个特征量。

同时，暂升、暂降、脉冲等扰动情况下，故障时间段内信号的幅值不同，取上下包络线的最大最小值为特征量。

最后，针对谐波、振荡暂态、电压波动情况，当故障发生时，其电压幅值均会出现波动，只是波动的情况有差异。

因此对上下包络线幅值进行统计，分别统计包络线值在-0.9到+0.9的个数，将其作为两个特征量。

故一共选取八个特征量：上下包络线长，上下包络线最大值，上下包络线最小值，上下包络线在[-0.9,0.9]范围内的数量。