一种基于改进生成对抗网络的电压暂降事件类型辨识方法技术

本发明专利技术公开了一种基于改进生成对抗网络的电压暂降事件类型辨识方法，所述方法包括：将获取的暂降三相电压数据转换为基于空间矢量的二维轨迹曲线，得到不同暂降类型的SPM轨迹；基于预设的辨识模型获取改进后的辨识模型，并将不同暂降类型的SPM轨迹输入到改进后的辨识模型中，获取生成样本；利用所生成的样本特性与真实样本特性及分布一致的数据，来实现数据增强；本发明专利技术在保证暂降事件类型辨识正确率的同时，能够有效减少类型辨识所需的训练数据量，且在不同的实际数据场景下依然可以保持较高的辨识正确率，应用价值和前景巨大。应用价值和前景巨大。应用价值和前景巨大。

【技术实现步骤摘要】
一种基于改进生成对抗网络的电压暂降事件类型辨识方法


[0001]本专利技术涉及一种基于改进生成对抗网络的电压暂降事件类型辨识方法，属于电压暂降辨 识


技术介绍

[0002]随着智能制造业的不断发展，电网中敏感用户(半导体生产、精密仪器加工等企业)的 数量不断增多，电压暂降对电网及用户造成的影响越来越严重。为缓解电压暂降对负荷侧尤 其是含有敏感负荷的重点用户带来的影响，我国多个省级电力公司已在各自服务范围内铺设 了大量的电压暂降监测装置，旨在为暂降事件的详细分析提供必要的数据支撑。
[0003]准确识别电压暂降事件类型，确定暂降事件主成因是解决暂降问题的基础。电压暂降主 要可分为随机性暂降和计划性暂降两类，其中，随机性暂降为短路(单相短路，两相短路及三 相短路)故障引起的暂降，而计划性暂降则是由人为操作而导致的暂降，包括大型感应电机启 动及变压器投切两种情况。
[0004]目前，针对电压暂降类型识别的思路主要有两种，一种是基于人工提取特征，构建暂降 样本特征矩阵，利用特征数据训练分类模型以实现暂降类型的辨识；另一种则是采用特征自 提取网络代替基于人工经验的信号处理分析，通过损失计算来不断的驱动特征自提取网络参 数的调整，提高网络对样本的自适应能力，从而减少特征提取误差对最终暂降类型辨识结果 的影响。
[0005]然而在实际情况中，暂降样本的分布具有极大的不平衡性(单相故障暂降的占比远高于其 他类型)，并且不同季节、不同地区的暂降事件分布特性也有较大差别。这些方法虽很好的避 免了人工特征提取的误差，简化了样本的特征提取过程，但对于模型的训练需要大量的样本 数据做支撑，当样本数量分布不平衡或较少时，特征自提取网络无法对各个类型特征进行充 分的学习，暂降类型辨识的准确率也就无法得到保证。

技术实现思路

[0006]本专利技术的目的在于针对以上问题，本专利技术提出一种基于改进生成对抗网络的电压暂降事 件类型辨识方法，在判别器内融合CBAM模块来改善判断模型的特征自提取能力，从而提高 整个AC
‑
GAN网络的性能。
[0007]一种基于改进生成对抗网络的电压暂降事件类型辨识方法，所述方法包括：
[0008]将获取的暂降三相电压数据转换为基于空间矢量的二维轨迹曲线，得到不同暂降类型的 SPM轨迹；
[0009]将不同暂降类型的SPM轨迹输入到预先建立的辨识模型中，得到电压暂降事件的类型， 其中辨识模型中融入CBAM注意力模块。
[0010]进一步地，将获取的暂降三相电压数据转换为二维轨迹曲线的方法包括如下步骤：
[0011]获取三相瞬时电压数据，并通过计算转换为二维SPM波形轨迹，计算公式如下：
[0012][0013]式中V
a
,V
b
,V
c
分别为三相电压瞬时采样数据，V
spm
表示经过空间矢量变化后的电压值；α 为运算子，α＝1∠120
°
。
[0014]进一步地，所述辨识模型包括生成器G和判别器D，辨识模型的建立包括在生成器G中 添加了生成样本的标签信息，用于指导生成器G的训练，同时增加样本多类型分类功能，在 判断样本“真假”的基础上实现多类型样本分类；
[0015]在判别器D中融合注意力模块，用于聚焦各类暂降SPM轨迹中的细节特征。
[0016]进一步地，所述注意力模块包括通道注意力和空间注意力两部分网络，利用平均池化和 最大池化聚合全通道信息，产生两个不同的空间特征描述Favg,Fmax，然后分别经过包含一 个MLP，将结果加权后得到每个通道的参数分布权值。
[0017]进一步地，通道的参数分布权值计算公式为：
[0018]M
C
(F)＝σ(MLP(avgPool(F))+MLP(MaxPool(F)))
[0019]式中F表示输入卷积特征，式中σ表示sigmoid函数，最大池化结果和平均池化结果的 MLP处理参数共享。
[0020]进一步地，将通道注意力输出结果作为空间注意力的输入，对每个通道的特征矩阵中每 个位置的数据做最大池化和平均池化，然后对两个池化后的结果进行卷积降维聚合，最后通 过sigmoid函数得到空间注意力特征，则特征计算表达式为：
[0021][0022]式中，f表示降维卷积计算，采用7
×
7的卷积核降维卷积计算，通过补0的方式使得卷积 前、后的特征矩阵大小不变。
[0023]进一步地，在训练过程中辨识模型的损失函数由两部分组成，一是对“真假”数据源判断的 损失L
S
，二是标签类别判断的损失L
C
，表达式为：
[0024][0025]其中P(C＝c|X
real
)和P(C＝c|X
fake
)分别表示对真实样本和生成样本数据标签判断正确的概 率生成器G在训练过程中优化目标函数为：
[0026]maxL(G)＝max(E[logP(C＝c|X
fake
)]‑
E[logP(S＝fake|X
fake
)])
[0027]这里将“真假”数据源判断优化方向作取反处理，与标签判断一致；
[0028]对于判别器G训练过程中则是对“真、假”数据源和标签类型判断的共同优化，因此对应 的目标函数为：
[0029]maxL(D)＝max(L
S
+L
C
)
[0030]样本源和样本标签判断的结果均由判断器D输出，判断器D的性能决定着改进后的辨识 模型的总体性能。
[0031]进一步地，所述电压暂降事件的类型包括六类，分别为：单相故障(C1)、两相故障(C2)、 三相故障(C3)、复合故障(C4)、感应电机启动(C5)和变压器投切(C6)。
[0032]与现有技术相比，本专利技术所达到的有益效果：本专利技术提出了基于SPM的暂降电压数
据转 换方法，将暂降样本数据统一规整为SPM二维轨迹图片，在有效的区别了不同类型暂降特征 的同时，减少了类型辨识所需分析的数据量。
[0033]本专利技术所提出的模型中判别器的特征提取网络中融合了CBAM模块，相比于传统模型， 改进模型能够更准确的抓取到每个暂降样本的特征，从而提高了整个模型对暂降样本类型的 辨识能力。在不同的实际数据场景下，依然能够保持全暂降类型93％以上的辨识正确率。
附图说明
[0034]图1是本专利技术融合了注意力模型的改进的辨识模型网络架构；
[0035]图2是本专利技术江苏某地区暂降事件实测电压RMS波形；
[0036]图3是本专利技术电压暂降事件的SPM轨迹；
[0037]图4是本专利技术通道注意力示意图；
[0038]图5是本专利技术空间注意力示意图；
[0039]图6是本专利技术判别器损失函数迭代结果；
[0040]图7是本专利技术判别器分类正本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进生成对抗网络的电压暂降事件类型辨识方法，其特征在于，所述方法包括：将获取的暂降三相电压数据转换为基于空间矢量的二维轨迹曲线，得到不同暂降类型的SPM轨迹；将不同暂降类型的SPM轨迹输入到预先建立的辨识模型中，得到电压暂降事件的类型，其中辨识模型中融入CBAM注意力模块。2.根据权利要求1所述的基于改进生成对抗网络的电压暂降事件类型辨识方法，其特征在于，将获取的暂降三相电压数据转换为二维轨迹曲线的方法包括如下步骤：获取三相瞬时电压数据，并通过计算转换为二维SPM波形轨迹，计算公式如下：式中V
a
,V
b
,V
c
分别为三相电压瞬时采样数据，V
spm
表示经过空间矢量变化后的电压值；α为运算子，α＝1∠120
°
。3.根据权利要求1所述的基于改进生成对抗网络的电压暂降事件类型辨识方法，其特征在于，所述辨识模型包括生成器G和判别器D，辨识模型的建立包括在生成器G中添加了生成样本的标签信息，用于指导生成器G的训练，同时增加样本多类型分类功能，在判断样本“真假”的基础上实现多类型样本分类；在判别器D中融合注意力模块，用于聚焦各类暂降SPM轨迹中的细节特征。4.根据权利要求3所述的基于改进生成对抗网络的电压暂降事件类型辨识方法，其特征在于，所述注意力模块包括通道注意力和空间注意力两部分网络，利用平均池化和最大池化聚合全通道信息，产生两个不同的空间特征描述Favg,Fmax，然后分别经过包含一个MLP，将结果加权后得到每个通道的参数分布权值。5.根据权利要求4所述的基于改进生成对抗网络的电压暂降事件类型辨识方法，其特征在于，通道的参数分布权值计算公式为：M
C
(F)＝σ(MLP(avgPool(F))+MLP(MaxPool(F)))式中F表示输入卷积特征，式中σ表示sigmoid函数，最大池化结果和平均池化结...

【专利技术属性】
技术研发人员：陈文藻，曹晓锋，王宁，缪炜，金炀，何志超，潘晓，
申请(专利权)人：江阴长仪集团有限公司，
类型：发明
国别省市：