基于S變換和PSO-ELM的牽引系統(tǒng)擾動分類

段文峰

摘要 為了對牽引系統(tǒng)擾動信號進行準確分析，本文提出了一種快速、準確的擾動分類方法。該方法分為兩個階段：特征提取（FE）和決策。在第一階段中，本文使用S變換，可以得到不同頻率擾動的特征提取。在決策階段，通過PSO優(yōu)化極限學習機（ELM），并通過學習訓練對牽引系統(tǒng)擾動信號分類，得到較高的檢測性能和泛化性能。仿真結(jié)果表明，本文的方法提高了牽引系統(tǒng)電能質(zhì)量擾動識別能力且分類準確率高、抗噪性強。

【關(guān)鍵詞】S變換 極限學習機 粒子群算法特征 分類

傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)，支持向量機是常用的決策分析工具，然而這些方法訓練慢，泛化能力弱。ELM是一種覆蓋單層前饋神經(jīng)網(wǎng)絡(luò)，具有優(yōu)良的分類性能，其性能不依賴迭代過程。自從第一次提出，ELM已經(jīng)應(yīng)用于分類和回歸模型以及計算機視覺、生物醫(yī)學信號處理等領(lǐng)域的研究。

1 S變換

1.1 連續(xù)S變換

4 基于S變換與ELM的牽引系統(tǒng)擾動信號分類步驟如下

（1）利用S變換分析得到S變換時頻模矩陣;

（2）從時頻模矩陣提取牽引擾動特征類比、：

（3）以牽引系統(tǒng)擾動類為輸入，通PSO訓練ELM。

5 仿真分析

5.1 S變換對牽引系統(tǒng)擾動的仿真

本文僅以諧波干擾為例說明S變換的特征提取能力。

該信號經(jīng)過S變換的分析結(jié)果如下：

圖l（a）中S變換模矩陣時間幅值平方和均值恒定，可見該牽引系統(tǒng)信號只有諧波信號。這些諧波分量的參數(shù)可從S變換的頻率幅值包絡(luò)l（b）得到。

可見，S變換較好的表征了諧波干擾的特征。

5.2 牽引系統(tǒng)電能質(zhì)量擾動信號分類

本文以牽引系統(tǒng)擾動信號的頻率為依據(jù)，設(shè)置擾動信號如下：低頻（Cl-C4）、中高頻（C5—C8）和復合類擾動信號（C9～Cll）。

在30dB—60dB噪聲下仿真生成20種擾動信號600組，激活函數(shù)為Tanh，交叉因子CR=0.85。

由圖2可見，當N'=13、Gmax=24時，每次迭代的訓練時間增加2.23s，當增加隱含層，訓練時間增加9.77s，故N對時間降低的更明顯。

測試分析后，設(shè)Gmax=30，N'=12。從而確定PSO-ELM參數(shù)，并通過PSO-ELM進行訓練。

通過比較ELM和PSO-ELM分析可知，PSO-ELM在不同噪聲下能較好的辨識牽引系統(tǒng)擾動信號，具有良好的抗噪性和魯棒性。

6 結(jié)束語

本文基于S變換方法，有效提取了牽引系統(tǒng)擾動信號的時頻特征，為了解決傳統(tǒng)ELM的輸入權(quán)值和隱藏層節(jié)點偏置隨機選取的問題，利用指數(shù)分布的改進PSO算法的全局優(yōu)化能力，尋找優(yōu)質(zhì)種群個體，從而提高分類的效率和泛化能力，提高了電能質(zhì)量擾動識別能力。仿真結(jié)果表明，本文的方法提高了牽引系統(tǒng)電能質(zhì)量擾動識別能力且分類準確率高、抗噪性強。

參考文獻

[1]梁宏璞.弓網(wǎng)燃弧電流擾動的HHT（希爾伯特黃變換）分析[J]，城市牽引系統(tǒng)研究，2016，19 （02）：21-26.

[2]王晶晶.基于小波理論的牽引網(wǎng)暫態(tài)信號分析研究[D].同濟大學，2008.

[3]郭莉亞，基于數(shù)學形態(tài)學的牽引供電系統(tǒng)電能質(zhì)量分析[D].西南牽引系統(tǒng)大學，2015.

[4]蘇玉香，基于Hilbert-Huang變換的牽引供電系統(tǒng)電能質(zhì)量檢測方法的研究[D].西南牽引系統(tǒng)大學，2008.