[发明专利]基于LSTM的电压暂降扰动分类方法

说明书

本发明属于电能质量分类识别技术领域，公开了一种基于深度学习长短期记忆网络(Long Short‑Term Memory,LSTM)算法的电压暂降扰动分类方法。本方法首先通过数据处理层对电压暂降扰动数据进行处理，然后通过两层LSTM网络提取特征值，再通过全连接层进行特征降维处理，最后采用sigmoid网络层进行分类识别。本发明通过深度学习算法提取电能质量暂降扰动相关特征，克服了复杂电网环境下，基于时域、频域以及变换域等物理特性的分类识别建模方法在适应性、算法效率和准确性方面面临的局限性。使用该模型可以很好地克服传统方法提取步骤繁琐复杂和可能丢失部分信号的原始特征等缺点，并改善了传统的循环神经网络(Recurrent Neural Network,RNN)容易发生梯度爆炸等缺陷，具有较高的电压暂降扰动识别准确率。

技术领域

本发明涉及一种基于LSTM的电压暂降扰动分类方法，属于电能质量分类识别技术领域。

背景技术

电网规模不断扩大，网架结构和负荷类型日趋复杂；具有显著随机性、间歇性和波动性的分布式新能源直接或以微网形式接入配电网；为主动消纳分布式电源而引入的大量非线性电力电子设备应用以及电源和补偿电容器投切等电源与装置、装置与装置之间多种因素相互作用，使得现代电能质量概念成为覆盖诸多主题的复杂领域。

在复杂电网环境下，造成电压暂降扰动的因素增多；扰动之间的关联性增大；扰动在源- 网-荷之间传播与叠加，使异地扰动之间也产生关联。这种纵横交错的关系将时空中多个扰动事件关联到一起，形成复杂暂态电压扰动，致使扰动事件不确定因素增加、分析难度加大。

电压暂降难以避免且危害巨大，电力系统中70％以上的电能质量问题由电压暂降引起。随着智能电网中电力电子设备的多样化应用和工业生产中敏感用电设备的广泛使用，电压暂降带来的影响逐渐受到电工领域的关注。实现电压暂降的准确识别有助于扰动治理方案的及时制定和事故双方责任的明确界定，能够有效降低经济损失并解决相关纠纷。

目前，对电压暂降扰动的分类识别研究已经形成较为成熟的思路。即采取特征提取和信号分类两步骤来实现。其中常见的特征提取方法包括小波变换、短时傅里叶变换、S变换等；常见的信号分类方法包括决策树、支持向量机等。但是，物理模型具有较强的局限性，对扰动变化的复杂性和影响因素多样化适应性不强，难以依据不确定性因素建模。已无法充分适应复杂扰动现象高维、时变、非线性、多物理参量影响所带来的综合挑战，需要根据扰动成因的变化，不断地新建或改进模型。因此，基于物理特性的分析识别建模方法，面对复杂扰动现象的模式识别建模在适应性、算法效率和准确性方面面临挑战。

深度学习是数据驱动的技术，它的核心是利用大量的数据训练模型，通过学习发现规律，完全避免了基于物理特性建模的局限性。

深度学习是典型的数据特征提取技术，分为前馈神经网络(代表性网络模型有深度置信网络DBN，卷积神经网络CNN等)和反馈神经网络(代表性网络模型有循环神经网络RNN)。它和传统的人工神经网络的不同在于分层训练机制，采用无监督逐层训练、多层堆叠，有监督整体微调的结构设计和优化激活函数方法，构建多隐含层的多层感知器，实现逐层数据特征提取，通过组合底层特征形成更加抽象的高层特征，最终揭示数据对象的特征分布。

本文提出了基于LSTM的电压暂降扰动识别模型，该模型首先通过两层LSTM网络得到暂降信号的固有的抽象特征，再通过全连接层进行特征降维处理，最后将其输入到分类器中进行分类识别。使用该模型可以有效的识别电网中产生的电压暂降原因。还克服了传统电压暂降分类识别中人工特征提取，易于丢失信号的部分固有特征的缺陷。此外，该模型还能够适应电网设备的复杂化和用电模式的区域化，只需在实际工程环境下用带标注的历史电压暂降数据对网络进行迭代训练，并在现有模型的基础上通过更多数据对网络进行有监督增量训练，生成的模型便能实现对电压暂降源的高精度识别，同时具有良好的抗噪性能和泛化能力。能够更有效地应用于实际工程。

发明内容