[发明专利]基于YOLO算法的电能质量扰动检测方法

说明书

本发明涉及电能质量扰动信号检测技术，具体涉及基于YOLO算法的电能质量扰动检测方法，包括建立电能质量扰动信号数学模型，使用MATLAB实现电能质量扰动信号的构建，遍历扰动信号参数矩阵，生成电能质量扰动样本数据集；将样本集Imagenet输入全卷积神经网络Darknet‑53，经过训练得到网络初始权重参数；设置训练参数；采用多分辨率训练策略，将标记好的电能质量扰动样本数据集输入全卷积神经网络Darknet‑53进行训练，更新网络权重参数，得到电能质量扰动信号检测模型；随机生成电能质量扰动信号，将扰动信号转为二维图像后输入检测模型，得到检测结果。该方法检测精度高，适用范围广，速度满足实时监测，能够准确辨识各类电能质量扰动信号。

技术领域

本发明属于电能质量扰动信号检测技术领域，尤其涉及基于YOLO算法的电能质量扰动检测方法。

背景技术

人们对电能质量重要性的认识伴随着电力系统的发展逐渐加深。早期电力系统中的用电负荷主要由线性负荷组成，因此使用频率偏移和电压偏移来评价电能质量。随着新能源与电力电子技术的大量投入使用，电网内部非线性、不对称性、冲击性的负荷突增，使得电能质量扰动的频率与种类增多，促使着人们越来越重视电能质量问题。

电能质量扰动信号检测的基本思想是，在电能质量扰动发生时，通过分析线路继电保护装置安装处录波所得的电压信号，采用不同的特征提取方法提取扰动特征，再与分类器相结合来解决电能质量扰动识别和分类问题。对电能质量扰动的检测有利于提高电力系统运行的稳定性，保证用电负荷的平稳和安全，改善用电环境，维持用电秩序。目前，行业内的专家和学者对于检测不同类型的电能质量扰动提出了大量的方法，这些检测方法包括：时域仿真法、频域分析法、傅里叶变换(FT)、短时傅里叶变换(FFT)、Prony分析法、人工神经网络、决策树等方法。傅里叶变换(FT)进行采样时需要保证采样频率达到最高信号频率的两倍或以上，且可能造成“频谱混叠”和“频谱泄露”效应；短时傅里叶变换(FFT)不适用于多尺度的分析过程，不适应信号高低频率变换对于时间窗的要求；Prony分析法很少被应用来实时分析信号数据，因为其计算耗时太久，只适合用作离线的电能质量扰动分析方法；人工神经网络然得到了广泛的应用，但也存在着可能陷入局部最优、训练时间较长等缺点；决策树虽然具有可反复使用、易读性好的优点，但其算法本身导致了当训练数据过量或者不足时，容易陷入局部最优或过度拟合。

现有的电能质量扰动检测方法对扰动信号的门槛阈值要求较高，分析参数难以设置恰当，这些因素造成电能质量扰动检测的难度增大，且电能质量扰动信号本身存在着随机性大、种类繁多、持续时间短，特征复杂且边缘容易重叠的问题。

发明内容

本发明的目的是提供一种采用仿真产生的扰动信号样本集训练Darknet-53神经网络，并通过深度学习与无监督训练提取波形特征，完成自适应的扰动识别方法。

为实现上述目的，本发明采用的技术方案是：基于YOLO算法的电能质量扰动检测方法，包括以下步骤：

步骤1：建立电能质量扰动信号数学模型，使用MATLAB实现电能质量扰动信号的构建，遍历扰动信号参数矩阵，生成电能质量扰动样本数据集；

步骤2：将样本集Imagenet输入全卷积神经网络Darknet-53，经过训练得到网络初始权重参数；

步骤3：设置训练参数；

步骤4：采用多分辨率训练策略，将标记好的电能质量扰动样本数据集输入全卷积神经网络Darknet-53进行训练，更新网络权重参数，得到电能质量扰动信号检测模型；

步骤5、随机生成电能质量扰动信号，将扰动信号转为二维图像后输入检测模型，得到检测结果。

在上述的基于YOLO算法的电能质量扰动检测方法中，步骤1的实现包括以下具体步骤：