融合随机森林和神经网络的电能质量分析算法.pdf

云南师范大学学报(自然科学版),2 0 2 4,4 4(1):4 1-4 4 h t t p s:/q k g j.y n n u.e d u.c nJ o u r n a l o fY u n n a nN o r m a lU n i v e r s i t y(N a t u r a lS c i e n c e sE d i t i o n)D O I:1 0.7 6 9 9/j.y n n u.n s-2 0 2 4-0 0 9融合随机森林和神经网络的电能质量分析算法*郑曼*,周炫羽,王钢,程书绚(湖北中烟卷烟材料厂,湖北 武汉4 3 0 0 0 0)摘要:提出了一种融合随机森林(R F)和神经网络(NN)的电能质量分析算法.首先利用R F对电能质量信号进行特征提取和降维,然后利用NN对提取的特征进行分类和识别,最后通过实验验证了该算法的有效性,并与其他常用的电能质量分析方法进行了比较.实验结果表明,该算法具有较高的准确率、召回率和F 1值,以及较快的运行速度和较低的计算复杂度.关键词:随机森林;神经网络;电能质量;扰动分析中图分类号:TM 7 1 1;T P 1 8 文献标志码:A 文章编号:1 0 0 7-9 7 9 3(2 0 2 4)0 1-0 0 4 1-0 4 随着电力需求的增加和电力系统的复杂化,电力系统中的非线性负载和敏感负载越来越多,给电力系统的稳定性和可靠性带来了严重的挑战1-3.电能质量(P Q)是指电力系统中电压、电流和频率的质量,反映了电力系统的运行状况和供电质量4,是电力系统的重要指标.电力系统中的扰动(如短路、谐波、闪变和电压峰值等)会导致电能质量的恶化,影响电力系统的运行效率、安全性及电力设备的性能和寿命5-7,甚至造成设备的故障和损坏,因此有效地检测和识别电能质量扰动是保证电力系统安全运行的重要任务8-9.为了解决这一问题,许多电能质量分析方法被提出,如支持向量机(S VM)、K近邻(KNN)、朴素贝叶斯(N B)和决策树(D T)、模糊逻辑(F L)及人工神经网络(ANN)等1 0-1 4.这些方法各有优缺点,但都存在一些共同的问题,如特征提取不充分、分类效果不理想、计算复杂度高和鲁棒性差等.R F是一种基于决策树的集成学习方法,它可以有效地处理高维、非线性和噪声干扰的数据,提高特征的区分能力和泛化能力1 5.NN是一种模拟人脑神经元结构的机器学习方法,它可以通过多层非线性变换实现复杂的函数拟合,提高分类的准确性和灵活性、具有高精度、高鲁棒性和高效率的优点,能够处理多种类型和复杂度的电能质量扰动1 6.因此本文提出了一种融合随机森林(R F)和神经网络(NN)的电能质量分析算法;首先利用R F对电能质量信号进行特征提取和降维,然后利用NN对提取的特征进行分类和识别,最后通过仿真和实验数据测试了该算法的准确率、召回率、F 1值、运行速度和计算复杂度,证明了该算法的高精度、高鲁棒性和高效率.1 电能质量分析算法设计为有效地检测和识别电能质量扰动,提出一种融合随机森林(R F)和神经网络(NN)的电能质量分析算法,以实现对电能质量信号的特征提取、降维、分类和识别.首先对电能质量信号进行预处理,包括滤波、去噪、归一化等操作,以提高信号的质量和稳定性.然后,利用R F对预处理后的信号进行降维.R F是一种基于决策树的集成学习方法,可以自动地选择最重要的特征,并且具有较高的准确性和鲁棒性,它由多棵决策树组成,每棵决策树都是在随机采样的训练集和随机选择的特征子集上构建的,最终的输出是所有决策树的投票或平均结果1 7.R F可以用来进行分类或回归,也可以用来进行特征选择,因为它可以计算每个特征在所有*收稿日期:2 0 2 3-1 1-0 5基金项目:国家自然科学基金资助项目(6 2 0 7 6 2 2 2).作者简介:郑曼(1 9 9 4-),女,湖北荆门人,工程师,主要从事工业信息化及数字化方面研究.通信作者:郑曼.E-m a i l:6 4 4 5 9 5 7 5 6q q.c o m.决策树中的重要性,从而选择出最重要的特征子集.电能质量信号通常包含正常信号和异常信号两种类型,其中异常信号又可以分为瞬态异常信号和稳态异常信号1 8.瞬态异常信号是指持续时间较短的电压或电流的突变,如电压暂降、电压闪变和谐波等;稳态异常信号是指持续时间较长的电压或电流的偏离,如电压不平衡、电压偏低或偏高等.R F可以从信号中提取多种特征,包括时域、频域、时频域、统计和非线性等特征.利用R F对电能质量信号进行降维,不仅可以从原始的高维信号中提取出能够反映信号特性和区分信号类别的低维特征向量,以便于后续的信号分析和处理,而且能够减少数据的冗余和噪声,提高数据的质量和效率,降低计算的复杂度和成本.具体步骤如下:(1)首先对预处理后的信号进行特征提取,包括时域特征和频域特征等,以形成能够反映信号多方面特性的特征向量.(2)使用R F对这些特征向量进行训练,构建多棵决策树,并计算每个特征的重要性.根据重要性选择最关键的特征子集,用于表示降维后的电能质量信号特征.接着,利用NN对R F降维后的电能质量信号特征进行分类和识别.神经网络是一种非线性统计性数据建模工具,可以通过一个基于数学统计学类型的学习方法得到输入空间到输出空间的映射.神经网络的基本单元是神经元,它可以接受一系列的输入值,计算加权和,然后通过一个激活函数输出一个值.神经元可以组成多层的网络结构,实现复杂的函数拟合和分类1 9.对于电能质量扰动信号的分类问题,本文使用一个多层感知器(ML P)来实现.ML P是一种前馈神经网络,它由一个输入层、一个或多个隐藏层和一个输出层组成.输入层接收特征向量,输出层输出类别标签,隐藏层负责提取高阶特征.为了训练ML P,定义一个损失函数来衡量输出和真实标签之间的差异,常用的损失函数有均方误差(M S E)和交叉熵(C E)等2 0,本文使用C E作为损失函数.为了最小化损失函数,使用梯度下降法来更新权重和偏置.为了计算损失函数的梯度,使用反向传播算法.反向传播算法的基本思想是从输出层开始,逐层计算误差项,并利用链式法则传递到前面的层.具体步骤如下:(1)对提取的特征进行归一化或标准化,以减少不同特征之间的量纲差异,提高网络的收敛速度和泛化能力.(2)构建一个多层感知器(ML P)网络,作为NN的基本结构,选择合适的网络层数、节点数、激活函数、损失函数和优化器等参数,以适应电能质量扰动的分类问题.(3)将归一化或标准化后的特征向量作为网络的输入,将电能质量扰动的类别(如瞬态扰动、稳态扰动和谐波扰动等)作为网络的输出,使用训练集对网络进行训练,使用验证集对网络进行调参,使用测试集对网络进行评估.2 实验验证与分析2.1 实验设置实验数据为从电能质量监测网站(h t t p s:/o p e n-p o w e r-s y s t e m-d a t a.o r g/)下载的电能 质量信号数据,包括不同类型的电能质量扰动.针对每种电能质量扰动随机选择1 0 0 0个信号样本作为实验 数 据 集.实 验 平 台 为I n t e lC o r ei 7-9 7 0 0 KC P U,1 6G BR AM,W i n d o w s1 0操作系统;编程语言为P y t h o n,机器学习库为s c i k i t-l e a r n.实验参数设置如表1.将本文算法与其他常用的电能质表1 实验参数设置T a b l e1 E x p e r i m e n t a l p a r a m e t e rs e t t i n g s参数设置R F的树的数目1 0 0R F的特征数目1 0R F的特征重要性阈值0.0 1NN的层数3NN的节点数1 0NN的激活函数R e L UNN的学习率0.0 1NN的迭代次数1 0 0 0量分析方法S VM1 0、KNN1 1、N B1 2和D T1 3进行对比,这些方法的参数设置如下:S VM:使用高斯核函数作为相似度函数,设置S VM的惩罚参数为1.KNN:使用5个最近的邻居进行分类和识别,设置KNN的距离度量为欧氏距离.N B:设置先验概率为均匀分布,条件概率为高斯分布.D T:设置分裂准则为信息增益,当节点的纯度达到一定的阈值时,停止分裂.24云南师范大学学报(自然科学版)第4 4卷 2.2 实验结果分析使用本文提出的算法和其他常用的电能质量分析方法进行处理,得到每个方法的准确率、召回率和F 1值,实验结果如表2.可以看出,本文算法的准确率、召回率和F 1值都明显高于其他的电能质量分析方法,表明本文算法可以有效地分类和识别电能质量扰动,具有高精度、高鲁棒性和高效率.表2 算法性能对比T a b l e2 A l g o r i t h mp e r f o r m a n c ec o m p a r i s o n扰动类型本文算法S VMKNNN BD T短路9 9.0/9 9.2/9 9.19 6.5/9 6.7/9 6.69 4.8/9 5.0/9 4.99 2.3/9 2.5/9 2.49 3.6/9 3.8/9 3.7谐波9 8.7/9 8.9/9 8.89 5.4/9 5.6/9 5.59 3.9/9 4.1/9 4.09 1.7/9 1.9/9 1.89 3.1/9 3.3/9 3.2闪变9 8.2/9 8.4/9 8.39 4.9/9 5.1/9 5.09 3.3/9 3.5/9 3.49 1.1/9 1.3/9 1.29 2.5/9 2.7/9 2.6电压峰值9 7.8/9 8.0/9 7.99 4.3/9 4.5/9 4.49 2.7/9 2.9/9 2.89 0.5/9 0.7/9 0.69 2.0/9 2.2/9 2.1平均9 8.5/9 8.7/9 8.69 5.2/9 5.4/9 5.39 3.6/9 3.8/9 3.79 1.4/9 1.6/9 1.59 2.8/9 3.0/9 2.9 运行速度和计算复杂度实验结果如表3所示,使用的计算复杂度的指标为每秒浮点运算次数(F L O P s)2 1.从表3可以看出,本文算法的运行速度和计算复杂度都优于其他的电能质量分析方法,表明本文提出的算法可以有效地降低特征的维度和复杂度,提高算法的运行速度和效率.表3 算法运行速度和计算复杂度分析T a b l e3 A n a l y s i so fa l g o r i t h mr u n n i n gs p e e da n dc o m p u t a t i o n a l c o m p l e x i t y指标本文算法S VMKNNN BD T平均运行时间/s0.1 20.3 20.4 50.2 80.8计算复杂度(F L O P s)1.2 e+6 2.4 e+6 3.6 e+6 2.8 e+61.9 e+6 训练损失是指模型在训练数据集上计算得到的误差,它反映了模型的拟合能力和优化效果.图1展示了不同模型的训练损失随迭代次数的变化曲线,可以看出本文算法的训练损失下降最快,表明模型的拟合能力和优化效果最好.图1 不同模型的训练损失对比F i g.1 C o m p a r i s o no f t r a i n i n g l o s s e so f d i f f e r e n tm o d e l s3 结语针对电能质量问题提出了一种融合R F和NN的电能质量分析算法,实验验证了该算法的有效性和优越性,本文算法能准确识别主要的扰动类型,如短路、谐波、闪变、电压峰值等,并在准确率、召回率和F 1值等指标上优于S VM、KNN、N B和D T等方法,且运行速度快、计算复杂度低.参考文献:1 G ON Z A L E Z-A B R E U AD,O S O R N I O-R I O SRA,J A E N-C U E L L A R A Y,e ta l.A d v a n c e si np o w e rq u a l i t ya n a l y s i st e c h n i q u e sf o re l e c t r i c a l m a c h i n e sa n dd r i v e s:ar e v i e wJ.E n e r g i e s,2 0 2 2,1 5(5):1 9 0 9.2 K UMA RL A,I N D R A G A N DH IV,S E L V AMA TH IR,e t a l.D e s i g n,p o w e r q u a l i t ya n a l y s i s,a n d i m p l e m e n t a-t i o no f s m a r t e n e r g ym e t e ru s i n g i n t e r n e to f t h i n g sJ.C o m p u t e r s&E l e c t r i c a lE n g i n e e r i n g,2 0 2 1,9 3:1 0 7 2 0 3.3 WAN GR,F E N G W,X U E H,e ta l.S i m u l a t i o na n dp o w e rq u a l i t ya n a l y s i so f a l o o s e-c o u p l e db i p o l a rD Cm i c r o g r i d i na no f f i c eb u i l d i n gJ.A p p l i e dE n e r g y,2 0 2 1,3 0 3:1 1 7 6 0 6.4 廖于翔,帅骁睿,李可维,等.一种基于迭代计算逻辑的正弦信号分析算法J.船电技术,2 0 2 2,4 2(3):4 8-5 1.5 R AYP,R AYPK,D A S H SK.P o w e rq u a l i t ye n-h a n c e m e n ta n dp o w e rf l o wa n a l y s i so faP Vi n t e-g r a t e dU P Q Cs y s t e mi nad i s t r i b u t i o nn e t w o r kJ.I E E ET r a n s a c t i o n so nI n d u s t r yA p p l i c a t i o n s,2 0 2 1,5 8(1):2 0 1-2 1 1.6 肖贤贵,李开成,蔡得龙,等.一种电能质量扰动信号的联合去噪算法J.电工技术学报,2 0 2 1,3 6(2 1):4 4 1 8-4 4 2 8.7 焦青,王俊江,刘煜,等.基于蚁群算法的电能质量扰动源容错性定位方法J.科学技术与工程,2 0 2 0,2 034 第1期 郑曼,等:融合随机森林和神经网络的电能质量分析算法(1 3):5 1 5 6-5 1 6 0.8 M I CHA L E C,J A S I S K I M,S I KO R S K IT,e ta l.I m p a c to fh a r m o n i cc u r r e n t so fn o n l i n e a rl o a d so np o w e rq u a l i t yo fal o wv o l t a g en e t w o r k-r e v i e wa n dc a s es t u d yJ.E n e r g i e s,2 0 2 1,1 4(1 2):3 6 6 5.9 陈杰,刘建业,杨军.氰化车间电能质量问题分析与治理J.电器工业,2 0 2 3,(1 1):5 1-5 5.1 0陈诺,吕干云,叶加星.基于S VM级联决策树的复合电能质量扰动识别J.电气工程学报,2 0 2 3,1 8(2):1 4 9-1 5 6.1 1何浩瀚.基于KNN/P V D F的柔性压电能量收集器的性能研究D.武汉:湖北大学,2 0 2 1.1 2S AHOOGK,CHOU DHUR YS,R A THO R ERS,e t a l.An o v e lp r a i r i ed o g-b a s e dm e t a-h e u r i s t i co p t i-m i z a t i o n a l g o r i t h m f o ri m p r o v e d c o n t r o l,b e t t e rt r a n s i e n tr e s p o n s e,a n dp o w e rq u a l i t ye n h a n c e m e n to fh y b r i d m i c r o g r i d sJ.S e n s o r s,2 0 2 3,2 3(1 3):5 9 7 3.1 3陈帝伊,董文辉,袁艺晨,等.轻量级感知网络学习下风水互补发电系统调节性能分析J.太阳能学报,2 0 2 3,4 4(1 0):3 2 9-3 3 8.1 4刘长,张立,孟海,等.基于改进和声搜索算法的配电台区电能质量优化分析J.电工技术,2 0 2 3,(1 2):3 7-3 9.1 5李海涛,崔树春,尹华,等.基于随机森林算法的综合能源配电网电能质量评估方法与网架优化模型J/O L.电测与仪表:1-82 0 2 3-1 1-2 1.h t t p:/k n s.c n k i.n e t/k c m s/d e t a i l/2 3.1 2 0 2.TH.2 0 2 1 1 2 0 7.1 8 5 5.0 0 2.h t m l.1 6肖儿良,胡景申,简献忠.一种新型的电能质量扰动信 号分 析 的C DM S P S O-MP算法 J/O L.控 制工程:1-82 0 2 3-1 1-2 1.h t t p s:/d o i.o r g/1 0.1 4 1 0 7/j.c n k i.k z g c.2 0 2 2 0 0 4 6.1 7L I UJ,S ON G H,S UN H,e t a l.H i g h-p r e c i s i o n i d e n-t i f i c a t i o no fp o w e rq u a l i t yd i s t u r b a n c e su n d e r s t r o n gn o i s ee n v i r o n m e n tb a s e do nF a s t I C A a n dr a n d o mf o r e s tJ.I E E ET r a n s a c t i o n so n I n d u s t r i a l I n f o r m a t-i c s,2 0 2 0,1 7(1):3 7 7-3 8 7.1 8李肇卿,洪建,王亚楠,等.一种基于非参数估计的电能质量分析方法J.信息技术,2 0 2 1,(8):1 5 6-1 6 0.1 9韩庆.基于集成神经网络的电能质量自动识别J.科技创新与应用,2 0 1 7,(2 5):1 7-1 8.2 0张皓.电能质量的扰动检测与识别算法研究D.南昌:南昌大学,2 0 1 9.2 1尚光伟,张静,惠峥,等.基于电能质效的配电网评价指标定量评估分析J.微型电脑应用,2 0 2 3,3 9(6):1 9 6-1 9 9.P o w e rQ u a l i t yA n a l y s i sA l g o r i t h mB a s e do nR a n d o mF o r e s t a n dN e u r a lN e t w o r kZ H E N GM a n*,Z H O UX u a n y u,WA N GG a n g,C H E N GS h u x u a n(C T I CH u b e iWu h a nC i g a r e t t eM a t e r i a lF a c t o r y,W u h a n4 3 0 0 0 0,C h i n a)A b s t r a c t:Ap o w e rq u a l i t ya n a l y s i s a l g o r i t h mb a s e do nr a n d o mf o r e s t(R F)a n dn e u r a l n e t w o r k(NN)i sp r o p o s e d.F i r s t,R Fi su s e df o rf e a t u r ee x t r a c t i o na n dd i m e n s i o n a l i t yr e d u c t i o no fp o w e rq u a l i t ys i g-n a l s,a n dt h e nNNi su s e d t o c l a s s i f ya n d i d e n t i f y t h e e x t r a c t e d f e a t u r e s.F i n a l l y,t h e e f f e c t i v e n e s s o f t h ep r o p o s e da l g o r i t h mi sv e r i f i e db ye x p e r i m e n ta n dc o m p a r e dw i t ho t h e rc o mm o n l yu s e dp o w e rq u a l i t ya n a l y s i sm e t h o d s.T h ee x p e r i m e n t a l r e s u l t ss h o wt h a t t h ep r o p o s e da l g o r i t h mh a sh i g h e ra c c u r a c y,r e-c a l l r a t e a n dF 1v a l u e.M e a n w h i l e,t h ep r o p o s e da l g o r i t h mh a s f a s t e r r u n n i n gs p e e da n d l o w e r c o m p u t a-t i o n a l c o m p l e x i t y.K e y w o r d s:R a n d o mf o r e s t;N e u r a ln e t w o r k;P o w e rq u a l i t y;D i s t u r b a n c ea n a l y s i s44云南师范大学学报(自然科学版)第4 4卷