[发明专利]一种基于深度学习的电能质量混合扰动分析方法

说明书

本发明公开了一种基于深度学习的电能质量混合扰动分析方法。使用本发明能够有效对电能质量混合扰动进行分类，且有较强的鲁棒性。本发明首先通过调整高斯窗函数衰减速率来改变S变换的时间分辨率与频率分辨率，更能体现不同类别电质量信号的特点，增大不同类别电质量信号的区分力度；然后构建基于LSTM的深度学习模型，对电质量信号进行分类，其中，在构建的深度学习模型中，首先采用多层感知机对数据进行预处理，对数据进行初步的分析与特征的提取，然后利用对序列数据有着更强分析能力的LSTM人工神经网络，更适合对电质量信号进行语义分割；最后，采用池化层和多层感知机对LSTM的语义分割进行有监督的分类，有利于提升模型的分类能力。

技术领域

本发明涉及电力电子技术领域，具体涉及一种基于深度学习的电能质量混合扰动分析方法，适用于多扰动混合信号的电能质量分类方法以及基于LSTM网络的深度学习分类模型搭建。

背景技术

工业信息社会的迅速发展也使得配电网的网络结构复杂度错综复杂，用户用电类型和需求急剧增加，随之而来对配电网状态估计以及电能质量治理工作的效率和精度也有了更高要求，进行配电网状态估计的前提就是对电能质量扰动信号的精确区分。

传统的电能质量分析方法主要是对扰动信号的特征提取和分类识别两部分组成，由于电力系统的信号在发生电能质量扰动时，往往伴随着大量非稳态信号，所以提取特征时要兼顾时频域信息。随着人们对信号处理的认识，STFT(短时傅里叶变换)、WT(小波变换)、S变换、HHT(希尔伯特变换)以及dq变换等都能够完成复杂扰动信号特征提取的要求，研究领域也由初期的单一扰动信号识别逐步转入符合扰动信号的分类识别。传统的电能质量干扰分类方法多基于上述信号处理方法进行时频域特征提取，再得到原电能质量干扰信号的极值、方差、香农熵等作为扰动信号的特征，最后采用SVM(支持向量机)或人工神经网络(ANN)的方法来进行特征分类。而这两种特征分类方法都存在着不足，人工神经网络容易陷入局部最优后停止训练，而不能达到全局最优解；SVM方法对样本进行训练的过程中，需要充足的数据同时，还不能缺少某些特定数据，如信号残缺则会导致其识别率较差，此外在解决多分类问题时，SVM的识别效果也非常不理想。此前有文献中将电能质量分析与深度学习领域中受限波尔兹曼机(RBM)相结合，虽有效地解决了对电能质量符合扰动信号的分类识别，但处理多类型混合扰动信号中，是由稀疏表示方法先对混合信号进行分离，再去对单一扰动信号进行分别处理，对于多类型混合扰动信号的分类有一定的局限性。

发明内容

有鉴于此，本发明提供了一种基于深度学习的电能质量混合扰动分析方法，能够有效对电能质量混合扰动进行分类，且有较强的鲁棒性。

本发明的基于深度学习的电能质量混合扰动分析方法，包括如下步骤：

步骤1，建立电能质量混合干扰信号训练集，其中，干扰信号包含各类幅值变化较快的电能质量干扰、各类频率变化较快的电能质量干扰以及混合电能质量干扰；

步骤2，采用改进型S变换对步骤1训练集中各训练数据进行特征提取，得到训练数据对应的二维特征矩阵；其中，改进型S变换为在传统S变换中的高斯窗函数上增加一个调节因子λ；其中，对于仅包含幅值变化较快的电能质量干扰的训练数据，λ>1；对于仅包含频率变化较快的电能质量干扰的训练数据，0<λ<1；对于包含混合电能质量干扰的训练数据，λ＝1；

步骤3，构建深度学习模型并利用步骤2得到的二维特征矩阵进行训练，得到训练后的深度学习模型；

其中，深度学习训练模型包括输入层、LSTM网络、池化层和多层感知机；

其中，输入层为包含Dense层的多层感知机，对步骤2的二维特征矩阵进行预处理，其中，预处理包括降维处理、归一化处理以及特征提取；

LSTM网络为双LSTM结构，对输入层预处理后的结果进行语义分割；

池化层对LSTM网络的语义分割结果进行降维；