Processing math: 100%

基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别

赵晨, 李开成, 林寿英, 曾子莹, 林炜鑫

赵晨, 李开成, 林寿英, 曾子莹, 林炜鑫. 基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别[J]. 华南师范大学学报(自然科学版), 2021, 53(4): 8-16. DOI: 10.6054/j.jscnun.2021052
引用本文: 赵晨, 李开成, 林寿英, 曾子莹, 林炜鑫. 基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别[J]. 华南师范大学学报(自然科学版), 2021, 53(4): 8-16. DOI: 10.6054/j.jscnun.2021052
ZHAO Chen, LI Kaicheng, LIN Shouying, ZENG Ziying, LIN Weixin. The Deep Jerk-regularized Extreme Learning Machine for Complex Power Quality Disturbance Classification[J]. Journal of South China Normal University (Natural Science Edition), 2021, 53(4): 8-16. DOI: 10.6054/j.jscnun.2021052
Citation: ZHAO Chen, LI Kaicheng, LIN Shouying, ZENG Ziying, LIN Weixin. The Deep Jerk-regularized Extreme Learning Machine for Complex Power Quality Disturbance Classification[J]. Journal of South China Normal University (Natural Science Edition), 2021, 53(4): 8-16. DOI: 10.6054/j.jscnun.2021052

基于Jerk流形正则化深度极限学习机的电能质量复合扰动识别

基金项目: 

国家自然科学基金项目 52077089

福建省教育厅中青年教师教育科研项目 JT180147

国家级大学生创新创业训练计划项目 202010389021

详细信息
    通讯作者:

    李开成,Email: likaicheng@hust.edu.cn

  • 中图分类号: TM712

The Deep Jerk-regularized Extreme Learning Machine for Complex Power Quality Disturbance Classification

  • 摘要: 为了有效利用电能质量复合扰动识别中存在的大量难以标注的实测样本,提出了一种基于Jerk流形正则化深度极限学习机(DJRELM)的半监督扰动学习方法. 算法通过堆叠嵌入Jerk流形正则化的极限学习机自编码器(JRELM-AE)实现在复合扰动特征自动提取的同时保持数据内部流形结构. 分类层通过阈值预测极限学习机和Jerk正则化半监督极限学习机的结合将多层网络扩展到多标签半监督分类应用. 实验结果表明:该方法在不同噪声环境下的分类准确率均高于几种基于极限学习机的监督学习、半监督学习算法、传统多层极限学习机和深度卷积神经网络,具有理论意义和实用价值.
    Abstract: In order to make full use of a large number of unlabeled measured samples in complex power quality disturbance classification, a semi-supervised disturbance classification method based on the deep Jerk-regularized extreme learning machine (DJRELM) is proposed. The method stacks the Jerk-regularized ELM autoencoder (JRELM-AE) to realize the automatic feature extraction while exploring the intrinsic geometric structure of the unlabeled data. The combination of semi-supervised Jerk-regularized ELM and threshold learning ELM in the classification layer extends the multi-layer network to multi-label semi-supervised learning. Experimental results show that the proposed method outperforms several ELM-based supervised and semi-supervised algorithms as well as the state-of-the-art multi-layer ELM algorithms and deep convolutional neural networks under different noise environments. The new method has both academic and practical value.
  • 随着电子产品对能量密度的需求越来越高,以碳为负极材料的锂离子电池因其比容量较低已很难满足要求. 因此,研发高比能量、高循环稳定性的锂离子电池负极材料成为近几年的研究热点[1]. 锡基氧化物以其高的理论比容量、质量比能量和体积比能量,以及良好的安全性能和较低的嵌锂电位等优点,被认为是替代商业化的石墨类锂离子电池负极材料的理想选择,其研究受到人们的普遍重视[1-3].

    氧化亚锡(Ⅱ)(SnO)和氧化锡(Ⅳ)(SnO2)是2种重要的锡基氧化物[4-5],其理论比容量(SnO,1 270 mAh/g; SnO2,1 490 mAh/g)远高于石墨的理论比容量(372 mAh/g). 但锡基氧化物作为电极材料存在一些固有缺陷,如导电率低、充放电过程中体积变化巨大,导致其倍率稳定性差、首次循环库伦效率低(仅50%左右)、以及循环稳定性能差等缺点,这些都阻碍了其实际应用[6-7]. 锡基氧化物的实际电化学性能取决于其形貌、结构、晶粒尺寸、比表面积等物理性质[8]. 小尺寸或中空结构的纳米SnOx可以抑制嵌脱Li+过程中的巨大体积变化,改善其电化学性能[9-12]. 目前,纳米锡基氧化物的合成方法很多,如溶胶-凝胶法[13-14]、水热法[15-16]等. 在这些合成方法中,由于Sn2+和Sn4+在水中极易水解,发生如下反应:

    SnCl2+H2O=Sn(OH)Cl(s)+HCl,SnCl4+6H2O=H2[Sn(OH)6]+4HCl,

    因此反应体系的酸碱性对SnOx的生成具有重要影响[16]. 基于此,本文采用水热法,以SnCl2·2H2O为锡源,分别控制NaOH的浓度(0、0.075、0.225、0.375、0.450、0.525 mol/L)调控反应体系的碱性,进而调控SnOx材料的形貌结构和尺寸,并对其作为锂离子电池负极材料的电化学性能进行研究,为寻找长寿命、高容量的负极材料提供理论依据和实验数据.

    主要试剂:氯化亚锡二水合物(Tin(Ⅱ) chloride dihydrate,分析纯,Aladdin),氢氧化钠、乙二醇和无水乙醇(分析纯,天津大茂化学试剂厂).

    主要仪器:X-射线粉末衍射仪(Ultima IV,日本理学)、场发射扫描电子显微镜(ZEISS Ultra 55,德国Carl Zeiss)、NEWARE电池测试系统(深圳新威尔电子)和CHI660E电化学工作站(上海辰华).

    首先将12 mmol SnCl2·2H2O溶解在15 mL乙二醇和15 mL水的混合液中,在磁力搅拌下向上述溶液加入一定量的NaOH,继续搅拌0.5 h后转入内衬容积为100 mL的反应釜中,放入恒温箱中,在120 ℃反应12 h. 冷却至室温后,分别用去离子水和无水乙醇洗涤3次,洗至检测不到Cl-,然后在70 ℃下真空干燥16 h即可得到样品. 为表述方便,根据反应条件中NaOH浓度(0、0.075、0.225、0.375、0.450、0.525 mol/L)将最终制备的样品标记为0MNaOH-SnOx、0.075MNaOH-SnOx、0.225MNaOH-SnOx、0.375MNaOH-SnOx、0.450MNaOH-SnOx和0.525MNaOH-SnOx,其中x=1、2或1~2(此时x表示SnO与SnO2的混合物),因此,本文对上述材料用“SnOx”作为统称.

    采用X射线衍射仪测定SnOx的晶体结构,X射线源为Cu靶Kα辐射(λ=0.154 nm),扫描范围为20°~80°. 使用场发射扫描电子显微镜表征SnOx的形貌.

    以溶剂为N-甲基吡咯烷酮(NMP),按SnOx、导电剂(乙炔黑)、粘结剂(PVDF)的质量比为60:20:20,调制成活性物质浆料. 将浆料涂覆于铜箔集流体上,放入真空干燥箱中在100 ℃下干燥12 h,以此电极片为电池负极,金属锂片为对电极,Celgard 2400微孔聚丙烯膜为隔膜,以含1 mol/L LiPF6的DMC、DEC与EC混合溶液(体积比1:1:1)为电解液,在充有高纯氩气的手套箱中装配CR2032型电池.

    采用NEWARE电池测试系统和CHI660E电化学工作站进行电化学性能测试. 循环寿命性能测试的电流密度为0.5 A/g,倍率性能测试的电流密度分别为0.2、0.4、0.8、1.0和2.0 A/g. 电池的电化学阻抗的扫描频率选择0.01 Hz.

    测试不同浓度的NaOH(0、0.075、0.225和0.525 mol/L)条件下合成样品的XRD图谱(图 1),并与标准卡片对比发现: c(NaOH)=0、0.075、0.225 mol/L条件下制备的3个样品的XRD图谱均含SnO2(PDF#41-1445)的衍射峰,归属于(110)、(101)、(211)、(310)、(301)及(321)晶面,三者均为四方晶系金红石相结构的SnO2; 而c(NaOH)=0.525 mol/L条件下制备样品的衍射峰对应于SnO(PDF#85-0423)的(101)、(110)、(002)、(200)、(112)、(211)、(202)、(220)及(301)晶面. 因此,在碱性足够强的条件下,SnCl2水解后再经水热法合成的样品为SnO.

    图  1  不同c(NaOH)制备SnOx样品的XRD图谱
    注:0.375MNaOH-SnOxx为1~2,表示该材料由SnO和SnO2的混合物组成.
    Figure  1.  The XRD patterns of SnOx samples prepared with different c(NaOH)

    当NaOH较少和较多时,分别发生如下反应[15]

    SnCl2( s)+H2O+1/2O2=SnO2( s)+2HCl,SnCl2( s)+2NaOH=SnO(s)+2NaCl+H2O.

    文献[15]的结果表明,当pH>13时即可生成SnO. 而本实验中,合成样品0.525MNaOH-SnO时,反应体系pH约为14. 为了进一步细化SnO2和SnO转化的pH条件,本文进一步制备NaOH浓度为0.375和0.450 mol/L的2个样品,即0.375MNaOH-SnOx(图 1C)和0.450MNaOH-SnO(图 1D). 结果表明: 当c(NaOH) = 0.375 mol/L(pH 9) 时,样品已不再是纯SnO2,有SnO生成,即由SnO和SnO2混合物相组成; 当c(NaOH)=0.450 mol/L(pH 13)时,样品为纯SnO,与0.525MNaOH-SnO的结果一致. 进一步表明,当pH>13时,SnCl2水解生成SnO,与文献[15]的结果相符.

    通过扫描电子显微镜观察0MNaOH-SnO2、0.075MNaOH-SnO2、0.225MNaOH-SnO2和0.525MNaOH-SnO的表面形貌(图 2),发现这4个样品都呈现无规则块状堆积,样品0.075MNaOH-SnO2更接近片状结构,样品0.525MNaOH-SnO是由纳米棒(长度约为100 nm)组装而成的花簇状SnO,且每个花簇尺寸(直径约400 nm)结构较均匀.

    图  2  不同SnOx样品的SEM图
    Figure  2.  The SEM morphology of different SnOx samples

    为了更清晰地了解每个样品的晶粒尺寸,采用谢乐公式计算:

    D=KλBcosθ, (1)

    其中,D为晶粒尺寸,K为谢乐常数(0.89),λ为入射光X-射线波长(Cu Kα射线),θ为衍射角.

    利用Jade 6.0软件计算了样品的晶粒尺寸和应力:样品0MNaOH-SnO2 (17.9 nm, 2.414%)、样品0.075MNaOH-SnO2 (13.5 nm, 2.014%)、样品0.225MNaOH-SnO2 (7.3 nm, 1.420%)、样品0.525MNaOH-SnO(54 nm, 0.150%). 文献表明:小尺寸纳米颗粒能够缩短Li+的扩散路径和缓冲充放电时的体积变化[17], 相互交叉的网状结构有利于缓冲充放电过程中材料体积的过度膨胀.

    分别选取样品0.225MNaOH-SnO2和0.525MNaOH-SnO为例测试其BET比表面积、孔容积和孔隙分布(图 3). 样品0.225MNaOH-SnO2和0.525MNaOH-SnO的氮气吸脱附等温线均属于IV型吸附等温线[18],比表面积分别为68.64和34.98 m2/g. 从孔隙分布可看出,样品0.225MNaOH-SnO2的孔隙直径主要分布在3.62 nm,孔容积为0.043 cm3/g. 而样品0.525MNaOH-SnO出现了2个尺寸的孔隙直径(3.99和15.40 nm),其中较大的孔隙直径为片-片堆积形成的缝隙,孔容积为0.066 cm3/g. 样品0.225MNaOH-SnO2的比表面积大于0.525MNaOH-SnO,归因于0.225MNaOH-SnO2的小尺寸,而SnO样品较大的孔容积与其相互交叉的花簇状结构有关. 大的比表面积、大的孔容积以及交叉的网状结构均有利于Li+的脱嵌.

    图  3  不同SnOx样品的BET图
    Figure  3.  The BET plots of different SnOx samples

    以0.225MNaOH-SnO2为SnO2负极材料,并与样品0.525MNaOH-SnO对比,研究纳米SnOx的电化学性能.

    在SnO2的循环伏安曲线(图 4A)中,首次循环曲线分别在E=1.74、1.11和0.12 V处出现3个还原峰,分别对应于由Sn4+还原为Sn2+、由Sn2+还原为Sn以及形成LixSn (x < 4.4)合金的反应[18-19],其中E=1.11 V的还原峰在之后的循环中消失,说明该还原峰对应于不可逆反应(即SEI膜的生成). 而在首次循环曲线中,有3个氧化峰,分别对应LixSn脱合金过程生成单质Sn的反应(E=0.54 V)、Sn氧化为SnO (E=1.23 V)以及SnO氧化为SnO2(E=2.54 V)的反应. 第2、3次循环Sn2+还原为Sn的E左移至0.82 V,表明SEI膜的生成降低了其还原电势; 在E=0.50和0.15 V的还原峰分别对应于LixSn的合金化过程. 第2、3次循环的氧化峰与第1次循环峰位和峰电流几乎重合,表明反应的可逆性良好[20]. 由图 4B可见,SnO首次循环还原曲线上在E=0.82和0.13 V的2个峰分别对应于SnO还原为Sn以及生成LixSn合金的反应,其中E=0.82 V的峰位还包括生成SEI膜的反应. 在首次循环氧化过程中,在E=0.54~0.80 V范围出现4个氧化峰,分别对应地LixSn合金的分步脱锂反应; E=1.26 V的氧化峰对应Sn氧化为Sn2+的反应. 在第2、3次循环的还原峰电位向右移至0.98 V,接下来的LixSn合金化反应电位均有右移现象,表明其首次循环反应不可逆程度较大. 第2、3次循环的CV曲线重合性好,说明其后续充放电过程中材料能保持相对较稳定的结构.

    图  4  0.225MNaOH-SnO2和0.525MNaOH-SnO的循环伏安曲线
    Figure  4.  The CV curves of 0.225MNaOH-SnO2 and 0.525MNaOH-SnO

    图 5AB分别给出了SnO2和SnO在第1、2、5、10次循环的充放电曲线. 对于样品0.225MNaOH-SnO2和0.525MNaOH-SnO,其首次循环充电/放电容量分别为1 104/1 757和1 059/1 590 mAh/g,首次循环库伦效率分别为62.8%和66.6%,表明SnOx的首次循环充放电不可逆程度都很大. 在0.225MNaOH-SnO2的首次循环充放电曲线上,出现3个拐点:第一个拐点在E≈1.50 V处,表明开始发生Sn4+还原为Sn2+的反应; 第二个拐点在E≈1.10 V处,对应Sn2+还原为Sn的反应; 第3个拐点在E≈0.50 V处,开始发生LixSn合金反应,对应的放电容量分别约为300 (嵌入约2个Li+)、700 (嵌入2个Li+,伴随SEI膜的生成)和800 mAh/g(嵌入约4.4个Li+). 0.225MNaOH-SnO2的首次循环充电曲线分别在0.5、1.2、2.5 V出现3个拐点,分别对应LixSn脱合金生成Sn、Sn氧化为SnO及SnO氧化为SnO2的反应,对应的充电容量分别约为700、250和140 mAh/g. 结果表明:合金/脱合金过程的可逆性较好,而两步氧化/还原反应可逆性较差,这也是金属氧化物负极材料共有的缺点. 0.525MNaOH-SnO的首次循环充放电曲线(图 5B)表现出类似现象,和CV曲线的充放电机理分析结果一致. 另外,图 5AB表明前10次循环SnO2的循环稳定性优于SnO.

    图  5  充放电曲线
    Figure  5.  The charge and discharge curves

    图 6AB进一步给出0.225MNaOH-SnO2、0.525MNaOH-SnO样品在不同循环次数的微分容量曲线,其峰位与CV曲线基本一致,进一步证实SnOx作为锂离子电池负极材料的脱嵌机理.

    图  6  微分容量曲线
    Figure  6.  The differential capacity-potential curves

    图 7给出了4个样品在0.5 A/g电流密度下的充放电循环寿命,样品0MNaOH-SnO2、0.075MNaOH-SnO2、0.225MNaOH-SnO2的循环容量和稳定性相近,其中0.225MNaOH-SnO2的容量最高、稳定性最好. 3个SnO2样品在前50次循环均表现出明显的容量衰减,之后保持稳定. 循环500次后,0.225MNaOH-SnO2的充电/放电容量保持在286/291 mAh/g,高于样品0MNaOH-SnO2 (87/88 mAh/g)和0.075MNaOH-SnO2 (140/142 mAh/g). 在相同电流密度下,样品0.525MNaOH-SnO直到第100次循环其容量才趋于稳定,200次循环之后容量反而升高,到第500次的充电/放电容量保持在315/321 mAh/g.

    图  7  不同SnOx样品的循环性能
    Figure  7.  The cycle performance of different SnOx samples

    图 8为0.225MNaOH-SnO2和0.525MNaOH-SnO的倍率性能,电流密度从0.1 A/g依次提高到2.0 A/g,SnO表现出优于SnO2的倍率性能,尤其在高电流密度1.0和2.0 A/g下各循环10次后,SnO的充电/放电容量分别为601/603和548/560 mAh/g,远高于SnO2样品的381/402和348/352 mAh/g. 但是当电流密度回调到较低的0.2 A/g时,样品0.525MNaOH-SnO并没有表现出较高的充电/放电容量,反而低于0.225MNaOH-SnO2(681/700 mAh/g). 另外,0.525MNaOH-SnO在第100次循环时放电容量仅为135 mAh/g,之后才显著升高,而倍率测试显示其在120次循环后放电容量仍保留464 mAh/g. 分析原因:由于该材料的活化以及稳定的SEI膜的形成需要较长的循环周期,而在倍率稳定性测试中,在经过大电流的多次充放电之后,样品0.525MNaOH-SnO的SEI膜提前完成活化.

    图  8  不同SnOx样品的倍率性能
    Figure  8.  The rate performance of different SnOx samples

    SnOx样品的循环容量和稳定性的差异与其颗粒尺寸密切相关,0.225MNaOH-SnO2的颗粒尺寸最小,小颗粒缩短了Li+的传输距离,提高了其导电性. 而0.525MNaOH-SnO无论是循环寿命还是倍率性能,都表现出较稳定的结果. 由图 7可知,虽然SnO的理论容量低于SnO2,但500次循环后,其容量反而超过了SnO2,这归因于SnO花簇状结构可以缓冲材料在脱嵌Li+过程中体积的过度膨胀,有利于维持材料的结构稳定性,因此表现出最高的循环容量和优异的大倍率充放电稳定性能.

    本文SnO2和SnO的循环容量和倍率稳定性都远远优于目前报道的大部分纯SnOx的结果. CHEN等[12]采用水热法合成纯SnO2纳米球,在80 mA/g电流密度下充放电仅50次时,容量降至150 mAh/g. 在倍率性能测试中,240 mA/g电流密度下的容量仅218 mAh/g,当电流密度提高到400 mA/g,容量几乎为0. SUN等[21]报道了3种不同形貌的SnO2锂离子电池负极材料,在0.1 A/g电流密度下循环,网状SnO2容量最高,第60次循环时容量保持在855 mAh/g,高于SnO2纳米颗粒(350 mAh/g)和纳米粉末(251 mAh/g). 在倍率性能测试中,网状SnO2在1.0、2.0、5.0 A/g电流密度下,放电容量分别为736、636、506 mAh/g,高于SnO2纳米颗粒(427、258、134 mAh/g)以及粉末状SnO2(173、74、36 mAh/g). 表明网状材料具有较优异的储锂电化学性能. JIANG等[22]报道了块状SnO和二维2D-SnO纳米片,并对比了其作为锂离子电池负极材料的性能. 即使在低电流密度(0.05 A/g)下充放电,100次循环后两者的容量都衰减严重(仅为322.9和157.7 mAh/g). 倍率性能表明,在0.5和1.0 A/g电流密度下充放电,SnO纳米片容量分别为545.3和473.6 mAh/g,块状SnO仅为165.4和104.7 mAh/g, 远低于本文结果. 因此,调控SnOx的形貌和尺寸是提高其电化学性能的关键因素.

    图 9AB给出了0.225MNaOH-SnO2和0.525MNaOH-SnO电池循环前后的阻抗谱. 阻抗谱由位于中高频区的半圆和低频区的直线组成,对应的阻抗模拟等效电路如图 9C所示. 半圆直径表示电极材料的SEI膜阻抗(RSEI)和内部电荷转移电阻(Rct),直线的斜率表示电极材料内部Li+的扩散速率,通常斜率越大,扩散速率越高[23]. 由模拟数据可知:循环前,样品0.525MNaOH-SnO的电阻(Rct=137.31 Ω、RSEI=288.42 Ω)和0.225MNaOH-SnO2的电阻(Rct=986.96 Ω、RSEI=175 kΩ)都很大,可能与其电池未完全活化有关. 循环后,0.225MNaOH-SnO2(Rct=24.02 Ω、RSEI=45.68 Ω)和0.525MNaOH-SnO (Rct=14.4 Ω、RSEI=39.39 Ω)都表现出较小的阻抗,说明经过充放电循环,电极材料表面形成结构完善的SEI膜,有利于Li+的传输. 样品0.525MNaOH-SnO的电阻无论循环前后都小于0.225MNaOH-SnO2的电阻,该结果表明:锡基氧化物材料内部及表面形貌(小颗粒和交叉网状结构)的调控有利于提高材料的导电性.

    图  9  0.225MNaOH-SnO2和0.525MNaOH-SnO电池循环前后的交流阻抗图
    Figure  9.  The EIS curves of 0.225MNaOH-SnO2 and 0.525MNaOH-SnO before and after cycling

    采用简单的SnCl2水解水热法,利用NaOH调控碱性强弱制备了不同形貌结构的锡基氧化物SnO2和SnO,并探究其储锂性能. 结果表明:当控制体系pH < 13时,生成SnO2; 当pH>13时,生成花簇状SnO. 随着pH的增加,生成的SnO2颗粒越小,材料作为锂离子电池负极时的循环性能和倍率性能越稳定. 花簇状的SnO因其网状结构可以缓冲充放电过程中材料的过度收缩与膨胀,因此具有优异的循环稳定性、高的比容量和倍率稳定性.

  • 图  1   极限学习机自编码器的模型结构

    Figure  1.   The model structure of ELM-AE

    图  2   DJRELM模型结构图

    Figure  2.   The structure of DJRELM model

    图  3   Fluke 6105A硬件采集平台

    Figure  3.   The Fluke 6105A platform of hardware sampling

    图  4   不同数量初始已标注样本下的评价结果

    Figure  4.   The result of evaluation with respect to different numbers of labeled data

    图  5   不同数量未标注样本下的评价结果

    Figure  5.   The results of evaluation with respect to different numbers of unlabeled data

    表  1   不同噪声条件下算法的评价结果

    Table  1   The results of evaluating algorithms under different SNR values

    算法 SNR/dB 评价指标 运行时间/s
    汉明损失 排位损失 一类错误 覆盖率 平均精度 训练时间 测试时间
    DJRELM 20 0.105 8 0.045 6 0.045 3 1.856 8 0.939 0 54.93 0.44
    RDPEML 0.216 2 0.156 4 0.166 4 2.700 9 0.824 4 0.49 0.17
    SSELM 0.231 0 0.170 1 0.209 8 2.765 1 0.799 6 9.97 0.18
    ML-ELM 0.122 4 0.051 9 0.062 1 1.906 0 0.932 4 10.42 0.38
    SDELM 0.114 2 0.050 7 0.057 4 1.895 7 0.935 4 41.18 0.37
    DCNN 0.125 6 0.052 9 0.072 8 1.892 3 0.926 8 715.07 33.66
    DJRELM 30 0.100 5 0.042 4 0.046 4 1.836 2 0.946 0 60.72 0.42
    RDPEML 0.195 9 0.130 3 0.120 4 2.555 7 0.853 4 0.56 0.19
    SSELM 0.203 2 0.136 9 0.145 1 2.584 7 0.838 4 8.89 0.19
    ML-ELM 0.113 7 0.043 1 0.051 9 1.843 8 0.941 0 10.50 0.42
    SDELM 0.112 8 0.042 8 0.050 5 1.842 4 0.942 2 21.41 0.34
    DCNN 0.128 9 0.051 4 0.056 2 1.919 1 0.934 7 717.40 32.82
    DJRELM 40 0.098 6 0.047 3 0.052 8 1.866 1 0.943 2 34.80 0.36
    RDPEML 0.180 5 0.116 2 0.111 5 2.429 4 0.869 1 0.55 0.18
    SSELM 0.194 8 0.125 6 0.131 5 2.540 9 0.846 9 19.12 0.18
    ML-ELM 0.120 1 0.047 8 0.051 9 1.882 1 0.938 9 9.78 0.38
    SDELM 0.114 2 0.047 6 0.052 2 1.872 8 0.940 6 47.60 0.45
    DCNN 0.120 2 0.049 5 0.049 8 1.894 0 0.936 5 720.48 32.30
    DJRELM 50 0.100 2 0.045 1 0.037 9 1.876 6 0.946 3 52.73 0.38
    RDPEML 0.188 0 0.123 4 0.110 6 2.523 4 0.864 8 0.50 0.17
    SSELM 0.195 6 0.131 0 0.131 1 2.562 6 0.848 1 13.02 0.19
    ML-ELM 0.112 2 0.048 1 0.052 3 1.930 8 0.938 0 10.74 0.51
    SDELM 0.112 6 0.046 6 0.043 6 1.929 4 0.941 1 34.80 0.42
    DCNN 0.120 0 0.051 9 0.053 9 1.937 0 0.935 5 747.22 34.33
    下载: 导出CSV

    表  2   不同流形正则化深度ELM评价结果

    Table  2   The results of evaluating deep ELM algorithms with different manifold regularizations

    SNR/dB 评价指标 流形正则化
    Laplacian Hessian Jerk
    20 汉明损失 0.113 7 0.110 4 0.105 8
    排位损失 0.049 3 0.047 1 0.045 6
    一类错误 0.055 9 0.052 7 0.045 3
    覆盖率 1.891 5 1.875 7 1.856 8
    平均精度 0.934 8 0.934 7 0.939 0
    30 汉明损失 0.108 9 0.105 2 0.100 5
    排位损失 0.042 8 0.042 6 0.042 4
    一类错误 0.049 1 0.047 7 0.046 4
    覆盖率 1.841 3 1.838 1 1.836 2
    平均精度 0.942 8 0.943 9 0.946 0
    40 汉明损失 0.108 7 0.102 4 0.098 6
    排位损失 0.047 5 0.047 4 0.047 3
    一类错误 0.049 2 0.047 0 0.046 4
    覆盖率 1.868 7 1.862 6 1.859 6
    平均精度 0.941 8 0.942 5 0.943 2
    50 汉明损失 0.110 3 0.107 9 0.100 2
    排位损失 0.046 0 0.045 5 0.045 1
    一类错误 0.040 1 0.039 2 0.037 9
    覆盖率 1.898 7 1.894 9 1.876 6
    平均精度 0.942 4 0.942 9 0.946 3
    下载: 导出CSV
  • [1] 杨新法, 苏剑, 吕志鹏, 等. 微电网技术综述[J]. 中国电机工程学报, 2014, 34(1): 57-70. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201401008.htm

    YANG X F, SU J, LLÜ Z P, et al. Overview on micro-grid technology[J]. Proceedings of the Chinese Society for Electrical Engineering, 2014, 34(1): 57-70. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201401008.htm

    [2] 黄建明, 瞿合祚, 李晓明. 基于短时傅里叶变换及其谱峭度的电能质量混合扰动分类[J]. 电网技术, 2016, 40(10): 3184-3191. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201610036.htm

    HUANG J M, QU H Z, LI X M. Classification for hybrid power quality disturbance based on STFT and its spectral kurtosis[J]. Power System Technology, 2016, 40(10): 3184-3191. https://www.cnki.com.cn/Article/CJFDTOTAL-DWJS201610036.htm

    [3] 王仁明, 汪宏阳, 张赟宁, 等. 基于分段改进S变换和随机森林的复合电能质量扰动识别方法[J]. 电力系统保护与控制, 2020, 48(7): 19-28. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW202007003.htm

    WANG R M, WANG H Y, ZHANG Y N, et al. Composite power quality disturbance recognition based on segmented modified S-transform and random forest[J]. Power System Protection and Control, 2020, 48(7): 19-28. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW202007003.htm

    [4] 郑戍华, 张宁宁, 王向周. 基于提升小波和Hilbert变换的暂态电能质量检测[J]. 北京理工大学学报, 2019, 39(2): 162-168. https://www.cnki.com.cn/Article/CJFDTOTAL-BJLG201902009.htm

    ZHENG S H, ZHANG N N, WANG X Z. A lifting wavelet and Hilbert transform fusion method for transient power quality detection[J]. Transactions of Beijing Institute of Technology, 2019, 39(2): 162-168. https://www.cnki.com.cn/Article/CJFDTOTAL-BJLG201902009.htm

    [5] 徐艳春, 高永康, 李振兴, 等. 基于VMD初始化S变换的混合动力系统电能质量扰动检测与分类[J]. 中国电机工程学报, 2019, 39(16): 4786-4798. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201916014.htm

    XU Y C, GAO Y K, LI Z X, et al. Power quality disturbance detection and classification of hybrid power system based on VMD initialization S-transform[J]. Proceedings of the Chinese Society for Electrical Engineering, 2019, 39(16): 4786-4798. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201916014.htm

    [6] 唐小煜, 黄进波, 冯洁文, 等. 基于U-net和YOLOv4的绝缘子图像分割与缺陷检测[J]. 华南师范大学学报(自然科学版), 2020, 52(6): 15-21. doi: 10.6054/j.jscnun.2020088

    TANG X Y, HUANG J B, FENG J W, et al. Image segmentation and defect detection of insulators based on U-net and YOLOv4[J]. Journal of South China Normal University(Natural Science Edition), 2020, 52(6): 15-21. doi: 10.6054/j.jscnun.2020088

    [7] 王维博, 张斌, 曾文入, 等. 基于特征融合一维卷积神经网络的电能质量扰动分类[J]. 电力系统保护与控制, 2020, 48(6): 53-60. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW202006007.htm

    WANG W B, ZHANG B, ZENG W R, et al. Power quality disturbance classification of one-dimensional convolutional neural networks based on feature fusion[J]. Power System Protection and Control, 2020, 48(6): 53-60. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW202006007.htm

    [8] 陈伟, 何家欢, 裴喜平. 基于相空间重构和卷积神经网络的电能质量扰动分类[J]. 电力系统保护与控制, 2018, 46(14): 87-93. doi: 10.7667/PSPC171080

    CHEN W, HE J H, PEI X P. Classification for power quality disturbance based on phase-space reconstruction and convolution neural network[J]. Power System Protection and Control, 2018, 46(14): 87-93. doi: 10.7667/PSPC171080

    [9] 曹梦舟, 张艳. 基于卷积-长短期记忆网络的电能质量扰动分类[J]. 电力系统保护与控制, 2020, 48(2): 86-92. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW202002011.htm

    CAO M Z, ZHANG Y. Classification for power quality disturbances based on CNN-LSTM network[J]. Power System Protection and Control, 2020, 48(2): 86-92. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW202002011.htm

    [10] 许立武, 李开成, 罗奕, 等. 基于不完全S变换与梯度提升树的电能质量复合扰动识别[J]. 电力系统保护与控制, 2019, 47(6): 24-31. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW201906004.htm

    XU L W, LI K C, LUO Y, et al. Classification of complex power quality disturbances based on incomplete S-transform and gradient boosting decision tree[J]. Power System Protection and Control, 2019, 47(6): 24-31. https://www.cnki.com.cn/Article/CJFDTOTAL-JDQW201906004.htm

    [11] 陈晓静, 李开成, 肖剑, 等. 一种实时电能质量扰动分类方法[J]. 电工技术学报, 2017, 32(3): 45-55. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS201703006.htm

    CHEN X J, LI K C, XIAO J, et al. A method of real-time power quality disturbance classification[J]. Transactionsof China Electrotechnical Society, 2017, 32(3): 45-55. https://www.cnki.com.cn/Article/CJFDTOTAL-DGJS201703006.htm

    [12] 张巧革, 刘志刚, 朱玲, 等. 基于多标签Rank-WSVM的复合电能质量扰动分类[J]. 中国电机工程学报, 2013, 33(28): 114-120. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201328016.htm

    ZHANG Q G, LIU Z G, ZHU L, et al. Recognition of multiple power quality disturbances using multi-label wavelet support vector machine[J]. Proceedings of the Chinese Society for Electrical Engineering, 2013, 33(28): 114-120. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201328016.htm

    [13] 周雒维, 管春, 卢伟国. 多标签分类法在电能质量复合扰动分类中的应用[J]. 中国电机工程学报, 2011, 31(4): 45-50. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201104009.htm

    ZHOU L W, GUAN C, LU W G. Application of multi-label classification method to categorization of multiple power quality disturbances[J]. Proceedings of the Chinese Society for Electrical Engineering, 2011, 31(4): 45-50. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDC201104009.htm

    [14]

    HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: theory and applications[J]. Neuro-computing, 2006, 70: 489-501.

    [15]

    KASUN L L C, ZHOU H, HUANG G B, et al. Representational learning with extreme learning machine for big data[J]. IEEE Intelligent Systems, 2013, 28(6): 31-34.

    [16]

    YADAV R K, ABHISHEK V, et al. Regularization on a rapidly varying manifold[J]. International Journal of Machine Learning and Cybernetics, 2020, 11(3): 1571-1590. doi: 10.1007/s13042-019-01059-5

    [17]

    ZHAO C, LI K C, LI Y Z, et al. Novel method based on variational mode decomposition and a random discriminative projection extreme learning machine for multiple power quality disturbance recognition[J]. IEEE Transactions on Industrial Informatics, 2019, 15(5): 2915-2926. doi: 10.1109/TII.2018.2871253

    [18]

    HUANG G, SONG S J, GUPTA J, et al. Semi-supervised and unsupervised extreme learning machines[J]. IEEE Transactions on Cybernetics, 2014, 44(12): 2405-2417. doi: 10.1109/TCYB.2014.2307349

    [19]

    GU Y, CHEN Y, LIU J, et al. Semi-supervised deep extreme learning machine for WiFi based localization[J]. Neurocomputing, 2015, 166(20): 282-293. http://www.sciencedirect.com/science/article/pii/S092523121500418X

    [20]

    SUN K, ZHANG J, ZHANG C, et al. Generalized extreme learning machine autoencoder and a new deep neural network[J]. Neurocomputing, 2016, 230(22): 374-381. http://www.sciencedirect.com/science/article/pii/S092523121631503X

  • 期刊类型引用(3)

    1. 曹伟强,王忠强,张国栋,章海霞,侯莹. 高性能Ni-Cu-S电极材料在超级电容器中的应用. 华南师范大学学报(自然科学版). 2023(04): 28-35 . 百度学术
    2. 庄强强,王保峰,吴宝柱,汪浩立,吴茜凯. 高性能长循环锌离子电池双金属氧化物ZnMnO_3正极材料. 华南师范大学学报(自然科学版). 2022(01): 30-35 . 百度学术
    3. 徐常蒙,孙洪冉,李海昌,韩晓蕾,王晓君,何燕,刘治明. Bi/Bi_2O_3复合碳纳米纤维的制备及其储锂性能研究. 华南师范大学学报(自然科学版). 2022(03): 34-42 . 百度学术

    其他类型引用(2)

图(5)  /  表(2)
计量
  • 文章访问数: 
  • HTML全文浏览量: 
  • PDF下载量: 
  • 被引次数: 5
出版历程
  • 收稿日期:  2021-03-14
  • 网络出版日期:  2021-09-02
  • 刊出日期:  2021-08-24

目录

/

返回文章
返回