留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

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

doi: 10.6054/j.jscnun.2021052
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.
  • 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
  • 加载中
图(5) / 表(2)
计量
  • 文章访问数:  88
  • HTML全文浏览量:  39
  • PDF下载量:  7
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-03-15
  • 网络出版日期:  2021-09-03
  • 刊出日期:  2021-08-25

目录

    /

    返回文章
    返回