本發(fā)明涉及電能質(zhì)量干擾信號(hào)類型檢測(cè)，具體而言，涉及一種電能質(zhì)量干擾信號(hào)類型檢測(cè)方法、電能質(zhì)量干擾信號(hào)類型檢測(cè)裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、在電能質(zhì)量干擾信號(hào)類型檢測(cè)中，由于電能質(zhì)量干擾信號(hào)本身存在噪聲的干擾，會(huì)降低電能質(zhì)量干擾信號(hào)的類型檢測(cè)的準(zhǔn)確性，還可能導(dǎo)致改進(jìn)措施的針對(duì)性不強(qiáng)，進(jìn)而對(duì)電力系統(tǒng)的穩(wěn)定運(yùn)行造成潛在威脅。

2、目前，針對(duì)上述問(wèn)題，暫無(wú)解決方案。

技術(shù)實(shí)現(xiàn)思路

1、本技術(shù)的主要目的在于提供一種電能質(zhì)量干擾信號(hào)類型檢測(cè)方法、電能質(zhì)量干擾信號(hào)類型檢測(cè)裝置、計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)和計(jì)算機(jī)程序產(chǎn)品，以至少解決現(xiàn)有技術(shù)中電能質(zhì)量干擾信號(hào)本身存在噪聲的干擾降低電能質(zhì)量干擾信號(hào)的類型檢測(cè)的準(zhǔn)確性的問(wèn)題。

2、為了實(shí)現(xiàn)上述目的，根據(jù)本技術(shù)的一個(gè)方面，提供了一種電能質(zhì)量干擾信號(hào)類型檢測(cè)方法，所述方法包括：采用vmd算法對(duì)電能質(zhì)量干擾信號(hào)進(jìn)行分解，得到目標(biāo)本征模態(tài)數(shù)據(jù)，所述目標(biāo)本征模態(tài)數(shù)據(jù)包括：多個(gè)本征模態(tài)分量和各所述本征模態(tài)分量的中心頻率；從所述多個(gè)本征模態(tài)分量中提取出多個(gè)去噪本征模態(tài)分量，所述去噪本征模態(tài)分量為滿足預(yù)定條件的所述本征模態(tài)分量，所述預(yù)定條件為所述中心頻率小于或者等于預(yù)定頻率；對(duì)所述去噪本征模態(tài)分量進(jìn)行重構(gòu)，得到去噪電能質(zhì)量干擾信號(hào)；根據(jù)所述去噪電能質(zhì)量干擾信號(hào)，確定所述電能質(zhì)量干擾信號(hào)的類型。

3、可選地，采用vmd算法對(duì)電能質(zhì)量干擾信號(hào)進(jìn)行分解，得到目標(biāo)本征模態(tài)數(shù)據(jù)，包括：第一分解步驟，在分解模態(tài)數(shù)為m的情況下，采用所述vmd算法對(duì)所述電能質(zhì)量干擾信號(hào)進(jìn)行分解，得到第m個(gè)備選本征模態(tài)數(shù)據(jù)，所述第m個(gè)備選本征模態(tài)數(shù)據(jù)包括：m個(gè)所述本征模態(tài)分量和個(gè)所述本征模態(tài)分量的所述中心頻率，m為整數(shù)，m的初始值為2；第二分解步驟，在所述分解模態(tài)數(shù)為m+1的情況下，采用所述vmd算法對(duì)所述電能質(zhì)量干擾信號(hào)進(jìn)行分解，得到第m+1個(gè)備選本征模態(tài)數(shù)據(jù)，所述第m+1個(gè)備選本征模態(tài)數(shù)據(jù)包括：m+1個(gè)所述本征模態(tài)分量和各所述本征模態(tài)分量的所述中心頻率；第一確定步驟，根據(jù)所述第m個(gè)備選本征模態(tài)數(shù)據(jù)、所述第m+1個(gè)備選本征模態(tài)數(shù)據(jù)和確定能量收斂因子，其中，δmm+1為所述能量收斂因子，s為所述電能質(zhì)量干擾信號(hào)，um為所述第m個(gè)備選本征模態(tài)數(shù)據(jù)中的第m個(gè)所述本征模態(tài)分量，um+1為所述第m+1個(gè)備選本征模態(tài)數(shù)據(jù)中的第m+1個(gè)所述本征模態(tài)分量，為s的2-范數(shù)的平方，為um的2-范數(shù)的平方，為um+1的2-范數(shù)的平方；第一重復(fù)步驟，依次增大m的值，重復(fù)所述第一分解步驟、所述第二分解步驟和所述確定步驟，直至所述能量收斂因子小于或者等于預(yù)定值；第二確定步驟，在所述能量收斂因子小于所述預(yù)定值的情況下，確定所述第m個(gè)備選本征模態(tài)數(shù)據(jù)為所述目標(biāo)本征模態(tài)數(shù)據(jù)。

4、可選地，根據(jù)所述去噪電能質(zhì)量干擾信號(hào)，確定所述電能質(zhì)量干擾信號(hào)的類型，包括：將所述去噪電能質(zhì)量干擾信號(hào)輸入類型識(shí)別模型，得到所述電能質(zhì)量干擾信號(hào)的所述類型，所述類型識(shí)別模型為采用多組訓(xùn)練數(shù)據(jù)訓(xùn)練分類結(jié)構(gòu)得到的，每組所述訓(xùn)練數(shù)據(jù)均至少包括歷史時(shí)段獲取的：所述電能質(zhì)量干擾信號(hào)、所述電能質(zhì)量干擾信號(hào)的類型，所述分類結(jié)構(gòu)由多個(gè)支持向量機(jī)構(gòu)成。

5、可選地，所述分類結(jié)構(gòu)由n所述支持向量機(jī)構(gòu)成，將所述去噪電能質(zhì)量干擾信號(hào)輸入類型識(shí)別模型，得到所述電能質(zhì)量干擾信號(hào)的所述類型，包括：輸入步驟，將所述去噪電能質(zhì)量干擾信號(hào)輸入第n個(gè)所述支持向量機(jī)，得到分類結(jié)果，所述分類結(jié)果為所述電能質(zhì)量干擾信號(hào)的所述類型為第n個(gè)所述支持向量機(jī)對(duì)應(yīng)的所述類型或者所述電能質(zhì)量干擾信號(hào)的所述類型不為第n個(gè)所述支持向量機(jī)對(duì)應(yīng)的所述類型，一個(gè)所述支持向量機(jī)對(duì)應(yīng)于一種所述類型，n為正整數(shù)，n的初始值為1，且n≤n；第二重復(fù)步驟，依次增大n的值，重復(fù)所述輸入步驟至少一次，直至所述分類結(jié)果為第n個(gè)所述支持向量機(jī)對(duì)應(yīng)的所述類型或者n大于n；第三確定步驟，在所述分類結(jié)果為第n個(gè)所述支持向量機(jī)對(duì)應(yīng)的所述類型的情況下，確定第n個(gè)所述支持向量機(jī)對(duì)應(yīng)的所述類型為所述電能質(zhì)量干擾信號(hào)的所述類型，在n大于n且所述分類結(jié)果不為第n個(gè)所述支持向量機(jī)對(duì)應(yīng)的所述類型的情況下，確定非識(shí)別類型為所述電能質(zhì)量干擾信號(hào)的所述類型，所述非識(shí)別類型為所有的所述支持向量機(jī)對(duì)應(yīng)的所述類型之外的一種所述類型。

6、可選地，在將所述去噪電能質(zhì)量干擾信號(hào)輸入類型識(shí)別模型，得到所述電能質(zhì)量干擾信號(hào)的所述類型之前，所述方法還包括：優(yōu)化步驟，以目標(biāo)支持向量機(jī)的分類準(zhǔn)確率最大為目標(biāo)，采用igwo算法優(yōu)化所述目標(biāo)支持向量機(jī)的參數(shù)，所述參數(shù)包括：懲罰因子和核函數(shù)參數(shù)，所述目標(biāo)支持向量機(jī)為所述分類結(jié)構(gòu)中的一個(gè)所述支持向量機(jī)；第三重復(fù)步驟，重復(fù)所述優(yōu)化步驟，直至完成所述分類結(jié)構(gòu)中的所有的所述支持向量機(jī)的優(yōu)化工作。

7、可選地，優(yōu)化步驟，以目標(biāo)支持向量機(jī)的分類準(zhǔn)確率最大為目標(biāo)，采用igwo算法優(yōu)化所述目標(biāo)支持向量機(jī)的參數(shù)，包括：獲取步驟，獲取數(shù)據(jù)集，并將所述數(shù)據(jù)集按照a:b的比例隨機(jī)分為訓(xùn)練集和驗(yàn)證集，所述數(shù)據(jù)集、所述訓(xùn)練集和所述驗(yàn)證集均包括多組所述訓(xùn)練數(shù)據(jù)；初始化步驟，初始化灰狼種群的規(guī)模、所述灰狼種群中的灰狼的位置、所述灰狼的位置的尋優(yōu)區(qū)間和最大迭代次數(shù)，一個(gè)所述灰狼的位置包含所述參數(shù)的一種取值；訓(xùn)練確定步驟，在所述目標(biāo)支持向量機(jī)的參數(shù)的取值分別為各所述灰狼的位置的情況下，采用所述訓(xùn)練集訓(xùn)練所述目標(biāo)支持向量機(jī)，并基于所述驗(yàn)證集和訓(xùn)練后的所述目標(biāo)支持向量機(jī)，確定各所述灰狼的適應(yīng)度值，所述適應(yīng)度值為在所述目標(biāo)支持向量機(jī)的參數(shù)的取值為所述灰狼的位置的情況下所述目標(biāo)支持向量機(jī)的分類準(zhǔn)確率；第四確定步驟，按照所述灰狼的所述適應(yīng)度值從大到小的順序，將所述灰狼種群中所述適應(yīng)度值前三名的所述灰狼分別確定為第一等級(jí)的所述灰狼、第二等級(jí)的所述灰狼和第三等級(jí)的所述灰狼；更新步驟，根據(jù)和更新各低等級(jí)的灰狼的位置，其中，a＝2a·r1-a，c＝2·r2，為在第t次迭代過(guò)程中所述第一等級(jí)的所述灰狼的位置，為在第t次迭代過(guò)程中所述第二等級(jí)的所述灰狼的位置，為在第t次迭代過(guò)程中所述第三等級(jí)的所述灰狼的位置，為在第t次迭代過(guò)程中第i個(gè)所述低等級(jí)的所述灰狼的位置，為在第t+1次迭代過(guò)程中第i個(gè)所述低等級(jí)的所述灰狼的位置，r1、r2和r3均為位于[0,1]內(nèi)的隨機(jī)數(shù)，所述低等級(jí)的所述灰狼為所述灰狼種群中除所述第一等級(jí)的所述灰狼、所述第二等級(jí)的所述灰狼和所述第三等級(jí)的所述灰狼之外的所述灰狼；第四重復(fù)步驟，依次增大t的取值，重復(fù)所述訓(xùn)練確定步驟、所述第四確定步驟和所述更新步驟，直至t的取值等于或者大于最大迭代次數(shù)結(jié)束，并輸出最佳位置，所述最佳位置為所述灰狼種群中所述適應(yīng)度值最大的所述灰狼的位置。

8、可選地，所述類型至少包括：正常、暫態(tài)上升、暫態(tài)下降、中斷、脈沖、諧波。

9、根據(jù)本技術(shù)的另一方面，提供了一種電能質(zhì)量干擾信號(hào)類型檢測(cè)裝置，所述裝置包括：分解單元，用于采用vmd算法對(duì)電能質(zhì)量干擾信號(hào)進(jìn)行分解，得到目標(biāo)本征模態(tài)數(shù)據(jù)，所述目標(biāo)本征模態(tài)數(shù)據(jù)包括：多個(gè)本征模態(tài)分量和各所述本征模態(tài)分量的中心頻率；提取單元，用于從所述多個(gè)本征模態(tài)分量中提取出多個(gè)去噪本征模態(tài)分量，所述去噪本征模態(tài)分量為滿足預(yù)定條件的所述本征模態(tài)分量，所述預(yù)定條件為所述中心頻率小于或者等于預(yù)定頻率；重構(gòu)單元，用于對(duì)所述去噪本征模態(tài)分量進(jìn)行重構(gòu)，得到去噪電能質(zhì)量干擾信號(hào)；確定單元，用于根據(jù)所述去噪電能質(zhì)量干擾信號(hào)，確定所述電能質(zhì)量干擾信號(hào)的類型。

10、根據(jù)本技術(shù)的再一方面，提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)包括存儲(chǔ)的程序，其中，在所述程序運(yùn)行時(shí)控制所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)所在設(shè)備執(zhí)行任意一種所述的電能質(zhì)量干擾信號(hào)類型檢測(cè)方法。

11、根據(jù)本技術(shù)的又一方面，提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)任意一種所述的電能質(zhì)量干擾信號(hào)類型檢測(cè)方法。

12、應(yīng)用本技術(shù)的技術(shù)方案，采用vmd算法對(duì)電能質(zhì)量干擾信號(hào)進(jìn)行去噪處理，得到去噪電能質(zhì)量干擾信號(hào)，采用去噪電能質(zhì)量干擾信號(hào)，確定所述電能質(zhì)量干擾信號(hào)的類型，從而解決了現(xiàn)有技術(shù)中電能質(zhì)量干擾信號(hào)本身存在噪聲的干擾降低電能質(zhì)量干擾信號(hào)的類型檢測(cè)的準(zhǔn)確性的問(wèn)題。