专利汇可以提供基于多重熵值特征提取的电力电子变换器非线性识别方法专利检索,专利查询,专利分析的服务。并且本 发明 提供基于多重熵值特征提取的电 力 电子 变换器非线性识别方法。该方法主要基于集合经验模态分解、希尔伯特变换和最小二乘 支持向量机 。依次对原 信号 x(t)求取其 功率谱 熵、对EEMD分解后筛选获得的有效IMF分量R-IMF求取EMD 能量 熵以及对R-IMF进行Hilbert变换后求取包含在原信号内的时频信息——时 频谱 熵。将上述多重熵作为同一类的不同特征信息输入到LS-SVM模型中,经过该模型训练,对于电力电子变换器中的一些非线性现象的识别具有很高的精确度。,下面是基于多重熵值特征提取的电力电子变换器非线性识别方法专利的具体信息内容。
1.一种基于多重熵值特征提取的电力电子变换器非线性识别方法,其特征在于:包括以下步骤:
步骤一:获取电子电力变换器不同非线性行为下的状态变量信息,一部分用作训练样本,另一部分用作测试样本;
步骤二:对获取的信息进行集合经验模态分解(EEMD,Ensemble Empirical Mode Decomposition)分解得到m个本征模态函数(IMF,intrinsic mode function)分量,根据pearson皮尔逊相关系数法设定阈值去除伪IMF分量,所述伪IMF分量应包括直流分量;筛选后的l个IMF分量重构后与原信号的相关程度近似为1;根据希尔伯特(Hilbert)变换的原理,将l个IMF分量的矩阵进行Hilbert变换,得到包含每一个时频域窗口下的幅值矩阵即频率尺度×时间尺度的二维矩阵,绘制出相应的时频谱图;
步骤三:根据香农(Claude E.Shannon)信息熵理论,求取包含状态变量信息的不同熵值,提取数据特征,将每个训练样本的熵值作为特征向量矩阵的一列,每一行代表一个样本,形成特征向量矩阵;
步骤四:根据最小二乘支持向量机(LS-SVM,Least Squares-Support Vector Machine)的原理,采用十字交叉验证的方法对归一化的参数进行优化后,将测试样本构建的特征向量矩阵放入LS-SVM模型中进行训练,获得样本的识别率。
2.根据权利要求1所述的基于多重熵值特征提取的电力电子变换器非线性识别方法,其特征在于,步骤二具体包括:对EEMD分解得到的m个IMF分量,设定阈值筛选出IMF分量,通过公式(1)所示的Pearson相关系数法进行筛选:
式中,IMF(j,i)表示第j个IMF分量的第i个离散值,Qj表示第j个IMF分量与原信号的相关程度,包含的原信号频率成分越多该系数越大;x(i)对应长度为N的离散时间序列{x(i)|i=1,...,N}的第i个值;对Qj设定阈值0.05,筛选出l个R-IMF分量c1,c2,…,cl。
3.根据权利要求1所述的基于多重熵值特征提取的电力电子变换器非线性识别方法,其特征在于:在步骤三中,所述的提取数据特征为应用多重熵值对电力电子变换器非线性现象进行特征提取,具体包括以下步骤:
(1)计算原信号功率谱熵,对原信号x(t)离散化后得到长度为N的离散时间序列{x(i)|i=1,...,N}进行快速离散傅里叶变换,求取相应的功率谱熵;
1)求功率谱估计函数:
式中,X(f)为原信号x(t)的快速离散傅里叶变换;x(i)表示长度为N的离散时间序列{x(i)|i=1,...,N}的第i个值;NFFT表示需要做DFT运算的点数,等于N或者2的幂次,当NFFT
式中,Sx(k)表示第k个频率段具有的能量,频率段宽度Δf表示频域的精度;
3)功率谱熵可以定义为:
式中,
(2)计算EMD能量熵,
1)计算每个频率分量的能量
2)对于能量特征向量T=[E1,E2,…,El],求取EMD能量熵(Energy Entropy)式中, 表示第j个频率分量的能量占所有频率能量的比重,其中j=1,
2,...,l;
(3)计算Hilbert时频谱熵,对步骤二中经Pearson相关系数法筛选后的R-IMF分量进行Hilbert变换,计算时频谱熵,公式如下:
式中,Hj(t)表示第j个R-IMF分量序列对应的希尔伯特变换,j=1,2,...,l;τ表示积分变量;
将Hj(t)中的时间t离散化后可以得到{Hj(i)|i=1,...,N},将频率区间划分为N个部分,将{Hj(i)|j=1,2,...,l}分别对应到相应地频率部分中去,而后统计为H(f,t)(H(f,t)表示一定f和t的时频域内的幅值,f表示频率比例,t表示时间,求解时频谱熵具体步骤为:
1)将时频空间分为NA(NA=N2)个等面积的小区域;
2
2)在每个小区域内进行Hilbert变换,求取每个小时频域内的能量wn=H(f,t);
3)计算Hilbert时频谱熵(Time-frequency Entropy):
式中,
4.根据权利要求1所述的基于多重熵值特征提取的电力电子变换器非线性识别方法,其特征在于:在步骤四中,
将步骤三得到不同系统参数下的系统状态对应的三种熵值HSE、HEMD-EE、HHT-TFE作为特征向量矩阵的第1列X1、第2列X2和第3列X3;对不同状态设置对应的标记,作为特征向量矩阵的第4列,输出因变量Y,表示不同状态,之后,将特征向量放入LS-SVM中训练,优化参数后后得到LS-SVM模型和计算基于该模型的识别率P。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
直升机式航空时间域SHEPWM探测信号分段控制方法 | 2020-05-08 | 986 |
一种微电网有源电力滤波器动态性能优化控制方法 | 2020-05-08 | 1001 |
一种基于频域分析的机械磨损程度标定方法及系统 | 2020-05-08 | 589 |
用于FACTS装置的电力保护方法、设备 | 2020-05-08 | 313 |
残余直流分量的测量装置 | 2020-05-11 | 342 |
模拟量采集控制方法和装置、模拟量采集系统 | 2020-05-11 | 527 |
图像形成装置和感光体寿命监视方法 | 2020-05-08 | 903 |
并网逆变器模型预测功率直流分量控制方法 | 2020-05-11 | 812 |
图像处理方法、终端及存储介质 | 2020-05-08 | 436 |
一种基于自感应取能的不停电安装物联网采集终端 | 2020-05-08 | 363 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。