基于GSA的ELM电能质量扰动识别方法研究

李斌　韩晓红

摘要：ELM是一个单隐层神经网络，具有良好的泛化和快速学习能力，该算法只需用户调整隐含层节点个数，但该参数的选择直接影响了ELM的性能。文章提出一种新的优化方案，该方案使用GSA优化输入特征子集和隐含层节点数以提高ELM的性能，实验结果表明：该方法在识别电能质量扰动方面更快、更准确。

关键词：GSA；ELM；小波变换；特征选择；万有引力搜索算法；极限学习机 文献标识码：A

中图分类号：TM614 文章编号：1009-2374（2015）29-0015-03 DOI：10.13535/j.cnki.11-4406/n.2015.29.008

1 概述

工业中由于电能质量（Power-Quality，PQ）问题已经造成大量资源的流失，导致PQ问题的主要原因是过多地使用固态开关设备、非线性负载、各种数据处理设备等。这些设备的使用使得PQ信号的相位、频率和振幅发生了畸变，从而进一步导致过热、电机故障、谐波失真等问题。传统上，PQ问题可以通过目测干扰波形，但该方法需要工程师具备一定的专业知识，且需要分析大量数据，因此，有必要开发自动的PQ干扰识别方法。

自动识别方法主要包括两步：特征提取和模式识别。小波变换（Wavelet Transform，WT）可以用于电力信号扰动检测和定位。有学者提出基于WT和人工神经网络（Artificial Neural Network，ANN）的PQ扰动检测方法。参考文献[4]使用支持向量机（Support Vector Machine，SVM）实现信号的识别。然而，SVM需要对复杂的二次规划问题进行求解，涉及高的计算复杂度和时间成本，当数据集较大时，这一缺陷更为明显。参考文献[5]使用ANN实现多分类，ANN通过网络直接把输入数据映射到不同的类，ANN易于实现，更像人类的思维认知，然而，对于大规模问题，ANN缺乏有效的快速学习算法，且存在隐含层神经元个数的选择问题。

极限学习机（Extreme Learning Machine，ELM）是一种新的学习算法，它是一种单隐层前馈神经网络学习算法。相比传统的基于梯度的学习算法，ELM学习速度快，且泛化性能好，同时避免了传统学习方法面临的问题。本文使用ELM进行PQ扰动信号识别，相比其他方法，ELM的优点是用户只需调整隐含层节点数目，但最佳隐含层节点数目的选择可以提高其性能。万有引力搜索算法（Gravitational Search Algorithm，GSA）是一种新的群体优化算法，相比其他优化算法，它具有跳出局部最优解的能力，且易于实现，本文通过GSA优化ELM参数以获得较高的分类精度，同时使用GSA对小波变换后PQ扰动信号进行特征提取，以完成对电能质量扰动信号的识别。

2 方法

基于GSA的ELM电能质量扰动分类系统首先通过GSA检测最佳特征子集，接着使用GSA估计最佳隐含层节点数，以达到自动优化ELM分类器的准确性。图1为基于GSA的ELM优化分类框架。

图1 GSA-ELM分类框架

给定训练集{Xi，Yi}，隐含层节点输出函数为G（W，B，X），Lmax为最大隐含层节点数。

步骤1：通过GSA算法选择最佳输入特征数量（N）和隐含层节点数（L）。

步骤2：随机分配隐含节点的参数（Wi，Bi），i=1，2，……，L。

步骤3：计算隐含层的输出矩阵YH。

步骤4：计算输出权值，是隐含层输出矩阵的广义Moore–Penrose逆矩阵。

2.1 编码

为了有效地利用GSA优化ELM，使用二进制编码表示粒子。表1显示了使用的二进制粒子表示，每个粒子由两部分组成：第一部分包含特征子集f，f选自d个输入特征；第二部分包含隐含层神经元个数。由于位置向量的第一部分用于实现特征选择任务，每个元素为“0”（特征丢弃）或“1”（特征选择）。代表特征值，表示隐含层神经元个数，nc为隐含层神经元的位数。实验使用7位编码方案表示隐含层神经元，13位表示特征值。

表1 籽子表示

2.2 适应度函数

GSA基于适应度函数值评估每一个候选解pi的优劣。适应度函数使用分类精度和特征数作为评估标准。具有较高的分类精度和少的特征数目的粒子具有高的适应度值。式（1）为定义的适应度函数，适应度函数有两个预定义的权重wA和wF，wA代表ELM分类精度acci的权值；wF代表所选择的特征的权值。

（1）

fj为“1”表示第j个特征被选择，“0”表示没被选中，nF是总的特征数。分类的准确性（acc）表示正确分类的百分比，acc通过公式（2）计算，其中cc表示正确分类的数目，uc表示错误分类的数目。

（2）

2.3 GSA-ELM系统

基于GSA的特征选择和ELM参数优化系统描述如下（如图2所示）：

步骤1：随机初始化S个粒子的位置及速度矢量vi（i=1，2，…，S）。

步骤2：使用每个粒子pi∈Rd+1（i=1，2，…，S）中的特征子集和隐含层神经元数、训练ELM分类器，并计算相应的适应度函数值fitnessi。

步骤3：更新G（t）、worst（t）、best（t）、，i=1，2，…，S。

步骤4：计算不同方向的合力，计算加速度和速度。

步骤5：使用。

步骤6：使用每个候选粒子pi（i=1，2，…，S），训练ELM分类器，计算相应的适应度函数fitnessi。

步骤7：如果最大迭代次数尚未达到，返回到步骤2，否则转到步骤8。

步骤8：选择群中最佳位置，通过映射的特征子集培训ELM分类器，使用映射的隐层神经元数目建模。

步骤9：使用训练好的ELM分类器对电能质量扰动信号进行分类。

图2 基于GSA的特征选择和ELM参数优化流程图

3 实验

本节实验评估提出的GSA-ELM分类系统的性能。使用MATLAB 2013a作为开发平台，实验硬件环境是Intel（R）Core（TM）i5-4440CPU@3.10GHz，3.09GHz 8.00GB内存，操作系统是Microsoft Windows 8。

3.1 数据描述

实验使用9类（C1-C9）不同的PQ干扰事件，数据描述如下：C1表示电压暂降，C2表示电压暂升，C3表示电压中断，C4表示谐波，C5表示频率波动，C6表示振荡暂态，C7表示间谐波，C8表示脉冲暂态，C9表示电压缺口。在MATLAB使用不同参数值的参数化模型产生这9类电能质量信号。

实际中，每个扰动事件的特性会有很大的差异。为了模拟实际，生成100种不同的事件。50个事件用于培训，通过随机变化各种参数生成另外50个事件，用于测试事件的所属类别，使用深度、角度、开始时间和持续时间用于改变事件的不同种类。深度指一个信号的幅度变化，角度代表信号的相移，开始时间是事件开始的时间，持续时间指事件的扰动时间。

根据IEEE，实验中的上述参数在不同的情况下有所变化，对这些样本进行小波变换，分解信号到第十三级。

3.2 基于特征选择和参数优化的扰动分类

GSA算法的种群大小设置为20，隐含层神经元的搜索范围是0～127。准确率权值wA调整到95%，特征集的权值wF设置为5%。表2给出了在特定的迭代下给定神经元个数，获得的最优特征数目和ELM隐含层神经元的数目。

为了评估该方法的有效性和可行性，比较ELM和GSA-ELM的分类准确率，比较结果列于表3。从表3可见，使用基于特征选择和参数优化方法的GSA-ELM分类性能超过ELM的分类性能。

表4给出每个类的精度比较结果，从表4可以看出，使用基于GSA-ELM分类方法，有4种扰动（C1，C5，C6，C7）获得了百分之百的分类精度，使用ELM方法，有2种扰动（C2，C4）获得了百分之百的分类精度。

4 结语

本文提出基于GSA的ELM电能质量扰动识别方法，通过GSA检测可用的最佳特征子集和优化的ELM参数，提高ELM分类器的分类性能。该方法对于提高具有分类能力的PQ监测设备的性能具有巨大的潜力。从所获得的实验结果可以看出，提出的方法可以应用于电能质量扰动信号分类，且该方法的分类能力优于传统的分类方法。

参考文献

[1] W.-M.Lin，C.-H.Wu，C.-H.Lin，F.-S.Cheng.Detection and classification of mul-tiple power-quality disturbances with wavelet multiclass SVM[J].IEEE Trans.Power Deliv，2008，23（4）.

[2] H.Eris ti，Y.Demir.Automatic classification of power quality events and dis-turbances using wavelet transform and support vector machines[J].IET Gener.Transm.Distrib，2012，6（10）.

[3] A.M.Gaouda，M.M.A.Salama，M.K.Sultan，A.Y.Chikhani.Power quality detec-tion and classification using wavelet-multiresolution signal decomposition[J].IEEE Trans.Power Deliv，1999，14（4）.

[4] C.Cortes，V.Vapnik.Support vector networks[J].Mach.Learn，1995，（20）.

[5] R.Zhang，G.-B.Huang，N.Sundararajan，P.Saratchandran.Multicategory classi-fication using an extreme learning machine for microarray gene expressioncancer diagnosis[J].IEEE/ACM Trans.Comput.Biol.Bioinform，2007，4（3）.

[6] W.Li，C.Chen，H.Su，Q.Du.Local binary patterns and extreme learning machinefor hyperspectral imagery classification[J].IEEE Trans.Geosci.Remote Sens，2015，53（7）.

[7] G.-B.Huang，C.-K.Siew.Extreme learning machine：RBF network case，in：Proceedings of the Eighth International Conference on Control，Automation，Robotics and Vision（ICARCV 2004）[J].Kunming，China，2004，（2）.

[8] Y.Bazi，N.Alajlan，F.Melgani，H.AlHichri，S.Malek，R.R.Yager.Differential evo-lution extreme learning machine for the classification of hyperspectral images[J].IEEE Trans.Geosci.Remote Sens.Lett，2014，11（6）.

[9] E.Rashedi，H.Nezamabadi-pour，S.Saryazdi.GSA：a gravitational search algorithm[J].Inform.Sci，2009，179.

[10] E.Rashedi，H.Nezamabadi-Pour，S.Saryazdi.BGSA：binary gravitational search algorithm[J].Nat.Comput，2010，9.

[11] A.M.Gargoom，N.Ertugrul，W.L.Soong.Investigation of effective automaticrecognition systems of power-quality events[J].IEEE Trans.Power Deliv，2007，22（4）.

基金项目：山西省自然科学基金资助项目（2014011021-1）。

作者简介：李斌（1985-），男，供职于国网宁夏电力公司信息通信公司。

（责任编辑：周 琼）