[发明专利]将注意力机制与深度学习融合的电压暂降扰动源定位方法

说明书

本发明公开了一种将注意力机制与深度学习融合的电压暂降扰动源定位方法，可以直接从原始的监测数据中自主学习由电动机启动、变压器投切、短路故障(含单相短路故障、两相短路故障、三相短路故障)原因引起的电压暂降所对应的特征信息，能够最大程度上保证了电压暂降信息的完整性，避免了繁琐手工特征提取过程，提高了电压暂降扰动源的定位准确率。

技术领域

本发明属于电能质量分析与检测方法技术领域，涉及一种将注意力机制与深度学习融合的电压暂降扰动源定位方法。

背景技术

随着敏感负荷越来越多地接入到电网中，电压暂降的已成为一种最突出的电能质量问题。电压暂降不仅会带来严重的经济损失还可能造成一定的社会影响。因此，准确定位电压暂降扰动源，是进行事件责任划分及采取有效应对措施的重要手段和前提基础，具有重要的理论价值和现实意义。

目前，关于电压暂降扰动源定位问题的一种研究主要采用的是基于物理模型的方法，即通过建立数学模型，分析电压、电流信号在电压暂降发生前与发生后的电压、电流、功率或阻抗的变化量，进而根据变化量的幅值大小和方向进行电压暂降扰动源的定位。这类方法主要有扰动功率法、扰动能量法、扰动有功电流法、阻抗实部法等，其存在以下共性问题：

(1)仅实现了对电压暂降扰动源的上下游的定位，根本无法定位电压暂降扰动源在整体电网中的具体位置；

(2)仅适用于单辐射网络，无法实现网络结构复杂的电网中电压暂降扰动源定位。

关于电压暂降扰动源定位问题的另一种研究主要采用的是基于浅层学习的方法，即通过对整体电网中多个监测装置测量得到的电压、电流信号进行变换或重构后提取信号特征量，进而基于分类、优化等数学算法实现电压暂降源的定位。这类方法主要存在如下缺点：

(1)选取哪些特征量及选取方法均须深入理解信号特性或者依据专家先验知识去尝试，且定位准确率严重依赖于人工事先设计的扰动特征量；

(2)针对由电动机启动和变压器投切引起的电压暂降，单纯提取它们的幅值与频率特征已经不能很好地对它们进行反映，导致定位准确率低。

发明内容

本发明的目的是提供一种将注意力机制与深度学习融合的电压暂降扰动源定位方法，解决了现有定位方法中存在的定位准确率低，且根本无法对由电动机启动和变压器投切引起的电压暂降源进行精准定位的缺点问题。

本发明所采用的技术方案是，一种将注意力机制与深度学习融合的电压暂降扰动源定位方法，具体包括如下步骤：

步骤1，针对待检测的电力系统网络，对网络中的支路进行编号，在每条支路发生电动机启动、变压器投切、短路故障原因引起的各类电压暂降时，获得监测数据；

步骤2，计算经步骤1采集到数据的电压均方根值，若只要存在任意一个监测数据的电压均方根值下降至额定值的90％～10％，则将其保留，构成一组电压暂降数据样本；否则将其从经步骤1采集到的数据中踢除；

步骤3，将经步骤2处理后得到的每组电压暂降数据样本，依次分别标注其所对应的支路编号；

步骤4，将经步骤3标注后的数据样本分为训练集和测试集，采用随机抽样的方式，抽取其中80％的数据样本作为训练集，其余20％的数据样本作为测试集；

步骤5，构建注意力机制与独立循环神经网络融合的模型结构；

步骤6，将经步骤5构建完成的注意力机制与独立循环神经网络融合模型进行训练；

步骤7，对步骤6训练后的模型进行过拟合判断，获取泛化性好的注意力机制与独立循环神经网络融合模型；

步骤8，使用经步骤7所得的注意力机制与独立循环神经网络融合模型进行电压暂降扰动源定位，输入数据为步骤1所得的监测数据，输出数据为步骤1中的电压暂降扰动源所处的网络支路编号。