[发明专利]基于CNN的自监督电压暂降源辨识方法

说明书

本发明公开了一种基于CNN的自监督电压暂降源辨识方法，包括如下步骤：采集电压暂降数据，对所述电压暂降数据进行预处理；在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使所述CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类；将预处理后的电压暂降数据划分为训练集和测试集，将训练集批量输入所述CNN自监督模型，以训练所述CNN自监督模型的特征提取能力与分类能力；将所述测试集输入训练后的CNN自监督模型，以对所述测试集进行电压暂降源辨识。采用本方法能够准确辨识电压暂降源。

技术领域

本发明涉及电能质量扰动源识别领域，尤其涉及一种基于CNN的自监督电压暂降源辨识方法。

背景技术

随着工业装备、建筑电气自动化及智能化水平越来越高，电压暂降问题对于工商业大用户的生产经营影响也越来越显著，特别是半导体制造、精密仪器加工、汽车制造等大量应用电力电子设备的工业，对电压暂降十分敏感，当电压有效值低于90％持续时间达到1～2周波以上时就会跳闸停运。电压暂降是一种常见的电能质量问题，电动机启动、变压器投切、短路故障等都会引起电压暂降现象，因电压暂降干扰而导致的生产中断和延缓呈明显的上升趋势，由此带来的直接及间接经济损失日趋严重，这对供电质量提出了更高要求。不同暂降源引起的电压波形特征是不同的，准确识别暂降源能有针对性地对当地的电压暂降情况进行分析、补偿和抑制，同时可作为电力供应部门和用户之间协调纠纷的依据，是治理电压暂降问题中必不可少的步骤。

电压暂降源辨识方法作为目前的研究热点，吸引了众多国内外学者参与相关研究。目前电压暂降源识别方法主要包括信息采集、特征提取、样本训练和分类辨识这几个主要步骤，主要针对电压暂降的波形特征展开研究，通过提取合理特征量，对大量样本进行训练进行电压暂降源识别，并获得众多成果。算法基本思想为利用双小波变换、Prony法、S变换等方法将暂降时域特性转变为频域特性，依据人为设定特征项进行特征量提取，再采用神经网络、支持向量机算法等分类模型进行暂降源识别。现有的一些电压暂降源识别方法目前存在的问题有：人工设定特征需建立在对待提取数据有一定理解的基础上，先依靠专家经验选择希望提取的目标特征，再使用各种手段对暂降特征进行针对性的提取，而实际工程中存在大量未知干扰，按照一成不变的专家经验进行特征提取辨识正确率造成影响，可见传统方案的电压暂降源辨识方案存在准确率低的问题。

发明内容

针对以上问题，本发明提出一种基于CNN的自监督电压暂降源辨识方法。

为实现本发明的目的，提供一种基于CNN的自监督电压暂降源辨识方法，包括如下步骤：

S10，采集电压暂降数据，对所述电压暂降数据进行预处理；所述电压暂降数据包括短路故障数据、变压器投切数据及电动机启动引起的电机运行数据；

S20，在自动编码器的基础上构建卷积编码器与卷积解码器，以建立CNN自监督模型，使所述CNN自监督模型采用卷积层与池化层提取特征，采用BP分类网络进行分类；

S30，将预处理后的电压暂降数据划分为训练集和测试集，将训练集批量输入所述CNN自监督模型，以训练所述CNN自监督模型的特征提取能力与分类能力；

S40，将所述测试集输入训练后的CNN自监督模型，以对所述测试集进行电压暂降源辨识。

在其中一个实施例中，所述采集电压暂降数据，对所述电压暂降数据进行预处理包括：

获取所述电动机启动引起的电机运行数据、所述变压器投切数据和所述短路故障数据；所述短路故障数据包括三相短路数据、单相接地数据和两相相间短路数据；

获取所述电机运行数据、所述变压器投切数据和所述短路故障数据分别对应的暂降波形数据；