基于GSA的ELM電能質量擾動識別方法研究

李斌　韓曉紅

摘要：ELM是一個單隱層神經網絡，具有良好的泛化和快速學習能力，該算法只需用戶調整隱含層節點個數，但該參數的選擇直接影響了ELM的性能。文章提出一種新的優化方案，該方案使用GSA優化輸入特征子集和隱含層節點數以提高ELM的性能，實驗結果表明：該方法在識別電能質量擾動方面更快、更準確。

關鍵詞：GSA；ELM；小波變換；特征選擇；萬有引力搜索算法；極限學習機 文獻標識碼：A

中圖分類號：TM614 文章編號：1009-2374（2015）29-0015-03 DOI：10.13535/j.cnki.11-4406/n.2015.29.008

1 概述

工業中由于電能質量（Power-Quality，PQ）問題已經造成大量資源的流失，導致PQ問題的主要原因是過多地使用固態開關設備、非線性負載、各種數據處理設備等。這些設備的使用使得PQ信號的相位、頻率和振幅發生了畸變，從而進一步導致過熱、電機故障、諧波失真等問題。傳統上，PQ問題可以通過目測干擾波形，但該方法需要工程師具備一定的專業知識，且需要分析大量數據，因此，有必要開發自動的PQ干擾識別方法。

自動識別方法主要包括兩步：特征提取和模式識別。小波變換（Wavelet Transform，WT）可以用于電力信號擾動檢測和定位。有學者提出基于WT和人工神經網絡（Artificial Neural Network，ANN）的PQ擾動檢測方法。參考文獻[4]使用支持向量機（Support Vector Machine，SVM）實現信號的識別。然而，SVM需要對復雜的二次規劃問題進行求解，涉及高的計算復雜度和時間成本，當數據集較大時，這一缺陷更為明顯。參考文獻[5]使用ANN實現多分類，ANN通過網絡直接把輸入數據映射到不同的類，ANN易于實現，更像人類的思維認知，然而，對于大規模問題，ANN缺乏有效的快速學習算法，且存在隱含層神經元個數的選擇問題。……