基于S变换和PSO-ELM的牵引系统扰动分类

段文峰

摘要 为了对牵引系统扰动信号进行准确分析，本文提出了一种快速、准确的扰动分类方法。该方法分为两个阶段：特征提取（FE）和决策。在第一阶段中，本文使用S变换，可以得到不同频率扰动的特征提取。在决策阶段，通过PSO优化极限学习机（ELM），并通过学习训练对牵引系统扰动信号分类，得到较高的检测性能和泛化性能。仿真结果表明，本文的方法提高了牵引系统电能质量扰动识别能力且分类准确率高、抗噪性强。

【关键词】S变换 极限学习机 粒子群算法特征 分类

传统人工神经网络，支持向量机是常用的决策分析工具，然而这些方法训练慢，泛化能力弱。ELM是一种覆盖单层前馈神经网络，具有优良的分类性能，其性能不依赖迭代过程。自从第一次提出，ELM已经应用于分类和回归模型以及计算机视觉、生物医学信号处理等领域的研究。

1 S变换

1.1 连续S变换

4 基于S变换与ELM的牵引系统扰动信号分类步骤如下

（1）利用S变换分析得到S变换时频模矩阵;

（2）从时频模矩阵提取牵引扰动特征类比、：

（3）以牵引系统扰动类为输入，通PSO训练ELM。

5 仿真分析

5.1 S变换对牵引系统扰动的仿真

本文仅以谐波干扰为例说明S变换的特征提取能力。

该信号经过S变换的分析结果如下：

图l（a）中S变换模矩阵时间幅值平方和均值恒定，可见该牵引系统信号只有谐波信号。这些谐波分量的参数可从S变换的频率幅值包络l（b）得到。

可见，S变换较好的表征了谐波干扰的特征。

5.2 牵引系统电能质量扰动信号分类

本文以牵引系统扰动信号的频率为依据，设置扰动信号如下：低频（Cl-C4）、中高频（C5—C8）和复合类扰动信号（C9～Cll）。

在30dB—60dB噪声下仿真生成20種扰动信号600组，激活函数为Tanh，交叉因子CR=0.85。

由图2可见，当N'=13、Gmax=24时，每次迭代的训练时间增加2.23s，当增加隐含层，训练时间增加9.77s，故N对时间降低的更明显。

测试分析后，设Gmax=30，N'=12。从而确定PSO-ELM参数，并通过PSO-ELM进行训练。

通过比较ELM和PSO-ELM分析可知，PSO-ELM在不同噪声下能较好的辨识牵引系统扰动信号，具有良好的抗噪性和鲁棒性。

6 结束语

本文基于S变换方法，有效提取了牵引系统扰动信号的时频特征，为了解决传统ELM的输入权值和隐藏层节点偏置随机选取的问题，利用指数分布的改进PSO算法的全局优化能力，寻找优质种群个体，从而提高分类的效率和泛化能力，提高了电能质量扰动识别能力。仿真结果表明，本文的方法提高了牵引系统电能质量扰动识别能力且分类准确率高、抗噪性强。

参考文献

[1]梁宏璞.弓网燃弧电流扰动的HHT（希尔伯特黄变换）分析[J]，城市牵引系统研究，2016，19 （02）：21-26.

[2]王晶晶.基于小波理论的牵引网暂态信号分析研究[D].同济大学，2008.

[3]郭莉亚，基于数学形态学的牵引供电系统电能质量分析[D].西南牵引系统大学，2015.

[4]苏玉香，基于Hilbert-Huang变换的牵引供电系统电能质量检测方法的研究[D].西南牵引系统大学，2008.