37、电力系统信号识别与回声状态网络设计

电力系统信号识别与回声状态网络设计

1. 胶囊网络用于分解电力系统信号识别

1.1 图像融合技术

在信号处理中，小波分析在分析信号变化和捕捉图像特征方面比傅里叶变换更准确。傅里叶变换由仅依赖频率的正弦部分组成，而小波在时间和频率（平移和尺度）上具有局部性。连续小波变换（CWT）的定义如下：
[
(W_{g}f)(t, s) = |s|^{\frac{1}{2}} \int_{R} f(\sigma)g(s(t - \sigma))d(\sigma)
]
当对CWT进行采样时，自然就得到了离散小波变换（DWT）。基于高通滤波的DWT将图像分解为低频和高频分量，通过抽取或非抽取算法进一步生成包含代表其独特特征的频率分量的低级别子图像，然后将这些低级别子图像融合在一起，形成具有组合特征的新图像。

以冰箱的三个信号图像（(I_{rms})、Watt和PF）为例，可以使用Matlab R2015a中的wavemenu（小波工具箱）或Python中的PyWavelets软件包将它们融合在一起。融合后的图像包含了每个原始图像的所有显著特征，该融合图像将作为Capsnet的唯一输入。

另一种方法是直接融合(I_{rms})、Watt和PF信号（信息融合），这种方法能实现每个电器特征的最佳原始信号表示，然后对融合后的信号进行时间序列到图像的转换。

1.2 CapsNet结构

基本的Capsnet结构如下：
- 第一个卷积层（ReLU Conv1）：有256个大小为(9×9)、步长为1的卷积核。
- 第二个卷积层：同样有256个大小为(9×9)、步长为2的卷积核。