电网波形滤波系统及其滤波方法技术方案

本申请涉及智能电网的领域，其具体地公开了一种电网波形滤波系统及其滤波方法，其通过卡尔曼滤波器滤除采集的电压信号的高频扰动，并基于离散快速傅里叶变换提取所述电压信号的各个采样点的频率、幅值和相位，进一步通过上下文编码器模型和卷积神经网络模型来提取出所述各个采样点的电压频谱特征之间的动态关联特征，以及在所述电压信号的图像表征层面的图像域的局部隐含关联特征，这样再对于融合后的解码特征矩阵进行柯西重概率化，以通过围绕最小化信息损失来引入鲁棒性，实现了频率特征和波形特征作为特征局部相当于融合特征的特征整体的聚类性能，从而提高了对作为整体的期望特征的依赖性，进而提高了光伏离并网一体机的采集及控制性能。机的采集及控制性能。机的采集及控制性能。

【技术实现步骤摘要】
电网波形滤波系统及其滤波方法


[0001]本专利技术涉及智能电网的领域，且更为具体地，涉及一种电网波形滤波系 统及其滤波方法。

技术介绍

[0002]能源科技是促使社会发展的重要动力，随着科技的飞速发展，人类社会 对能源的需求迅速增加。相较于水力发电、风力发电和核电，太阳能发电具 有可靠性高、维护费用低、高海拔性能好、资源分布广泛、不受地域限制等 特点。光伏发电系统能够有效地和当地环境结合。因此，光伏发电受到世界 广泛重视。
[0003]无论光伏发电系统采用工作与太阳能模式或是UPS模式，都需要采集 电网电压的频率与幅值。但是，由于电网中掺杂了不可预测的干扰和谐波， 会严重影响光伏离并网一体机的采集及控制性能。因此，期待一种电网电压 信号处理方案以得到高质量稳定而平稳的电压波形。
[0004]深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文 本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、 语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
[0005]深度学习以及神经网络的发展，为电网电压信号的滤波处理提供了新的 解决思路和方案。

技术实现思路

[0006]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种电 网波形滤波系统及其滤波方法，其通过卡尔曼滤波器滤除采集的电压信号的 高频扰动，并基于离散快速傅里叶变换提取所述电压信号的各个采样点的频 率、幅值和相位，进一步通过上下文编码器模型和卷积神经网络模型来提取 出所述各个采样点的电压频谱特征之间的动态关联特征，以及在所述电压信 号的图像表征层面的图像域的局部隐含关联特征，这样再对于融合后的解码 特征矩阵进行柯西重概率化，以通过围绕最小化信息损失来引入鲁棒性，实 现了频率特征和波形特征作为特征局部相当于融合特征的特征整体的聚类 性能，从而提高了对作为整体的期望特征的依赖性，进而提高了光伏离并网 一体机的采集及控制性能。
[0007]根据本申请的一个方面，提供了一种电网波形滤波系统，其包括：
[0008]采样单元，用于以预设采样频率从电网获取电压信号；
[0009]频率分析单元，用于基于离散快速傅里叶变换对所述电压信号进行处理 以提取所述电压信号的各个采样点的频率、幅值和相位；
[0010]上下文语义编码单元，用于将所述电压信号在各个采样点的频率、幅值 和相位通过包含嵌入层的上下文编码器以得到三个特征向量，并将所述三个 特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特 征向量；
[0011]采样点关联编码单元，用于将所述电压信号的各个采样点的波形频谱特 征向量
进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱 特征矩阵；
[0012]波形图编码单元，用于将所述电压信号的波形图通过第二卷积神经网络 以得到图像特征矩阵；
[0013]特征矩阵融合单元，用于融合所述图像特征矩阵和所述波形频谱特征矩 阵以得到解码特征矩阵；
[0014]特征矩阵校正单元，用于对所述解码特征矩阵进行柯西重概率化处理以 得到校正后解码特征矩阵，其中，所述对所述解码特征矩阵进行柯西重概率 化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以 一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行；以及
[0015]解码生成单元，用于将所述校正后解码特征矩阵通过作为滤波生成器的 第三卷积神经网络以得到滤波后电压信号。
[0016]在上述电网波形滤波系统中，所述上下文语义编码单元，进一步用于： 嵌入编码子单元，用于使用所述包含嵌入层的上下文编码器模型的嵌入层分 别将所述电压信号在各个采样点的频率、幅值和相位转化为输入向量以获得 嵌入向量的序列；语义编码子单元，用于使用所述包含嵌入层的上下文编码 器模型的基于转换器的Bert模型对所述嵌入编码子单元获得的所述嵌入向 量的序列进行基于全局掩码结构的全局语义编码以得到所述三个特征向量； 级联子单元，用于将所述语义编码子单元获得的所述三个特征向量进行级联 以生成对应于所述电压信号的各个采样点的所述波形频谱特征向量。
[0017]在上述电网波形滤波系统中，所述采样点关联编码单元，进一步用于： 将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩 阵；使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷 积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最 后一层生成所述波形频谱特征矩阵，其中，所述第一卷积神经网络的第一层 的输入为所述特征矩阵。
[0018]在上述电网波形滤波系统中，所述波形图编码单元，进一步用于：所述 第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维 卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神 经网络的最后一层输出所述图像特征矩阵，其中，所述第二卷积神经网络的 第一层的输入为所述电压信号的波形图。
[0019]在上述电网波形滤波系统中，所述特征矩阵融合单元，进一步用于：以 如下公式融合所述图像特征矩阵和所述波形频谱特征矩阵以得到所述解码 特征矩阵；
[0020]其中，所述公式为：
[0021]M＝αM1+βM2[0022]其中，M为所述解码特征矩阵,M1为所述图像特征矩阵，M2为所述波形 频谱特征矩阵，“+”表示所述图像特征矩阵和所述波形频谱特征矩阵相对 应位置处的元素相加，α和β为用于控制所述解码特征矩阵中所述图像特征矩 阵和所述波形频谱特征矩阵之间的平衡的加权参数。
[0023]在上述电网波形滤波系统中，所述特征矩阵校正单元，进一步用于：以 如下公式对所述解码特征矩阵进行柯西重概率化处理以得到所述校正后解 码特征矩阵；
[0024]其中，所述公式为：
[0025][0026]其中m
i,j
和m
′
i,j
分别是校正前和校正后的所述解码特征矩阵的各个位置 的特征值。
[0027]在上述电网波形滤波系统中，所述解码生成单元，进一步用于：使用所 述作为滤波生成器的第三卷积神经网络以如下公式对所述校正后解码特征 矩阵进行处理以获得所述滤波后电压信号；其中，所述公式为：其中X是所述校正后解码特征矩阵，Y是所述滤波后电压信号，W是权重矩阵， 表示矩阵乘。
[0028]根据本申请的另一方面，一种电网波形滤波系统的滤波方法，其包括：
[0029]以预设采样频率从电网获取电压信号；
[0030]基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信 号的各个采样点的频率、幅值和相位；
[0031]将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上 下文编码器以得到三个特征向量，并将所述三个特征向量进行级联以生成对 应于所述电压信号的各个采样点的波形频谱特征向量；
[0032]将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网波形滤波系统，其特征在于，包括：采样单元，用于以预设采样频率从电网获取电压信号；频率分析单元，用于基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位；上下文语义编码单元，用于将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量，并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量；采样点关联编码单元，用于将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵；波形图编码单元，用于将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵；特征矩阵融合单元，用于融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵；特征矩阵校正单元，用于对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵，其中，所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行；以及解码生成单元，用于将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。2.根据权利要求1所述的电网波形滤波系统，其中，所述上下文语义编码单元，进一步用于：嵌入编码子单元，用于使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述电压信号在各个采样点的频率、幅值和相位转化为输入向量以获得嵌入向量的序列；语义编码子单元，使用所述包含嵌入层的上下文编码器模型的基于转换器的Bert模型对所述嵌入编码子单元获得的所述嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述三个特征向量；级联子单元，用于将所述语义编码子单元获得的所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的所述波形频谱特征向量。3.根据权利要求2所述的电网波形滤波系统，其中，所述采样点关联编码单元，进一步用于：将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵；使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述波形频谱特征矩阵，其中，所述第一卷积神经网络的第一层的输入为所述特征矩阵。4.根据权利要求3所述的电网波形滤波系统，其中，所述波形图编码单元，进一步用于：所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述图像特征矩阵，其中，所述第二卷积神经网络的第一层的输入为所述电压信号的波形图。5.根据权利要求4所述的电网波形滤波系统，其中，所述特征矩阵融合单元，进一步用
于：以如下公式融合所述图像特征矩阵和所述波形频谱特征矩阵以得到所述解码特征矩阵；其中，所述公式为：M＝αM1+βM2其中，M为所述解码特征矩阵,M1为所述图像特征矩阵，M2为所述波形频谱特征矩阵，“+”表示所述图像特征矩阵和所述波形频谱特征矩阵相对应位置处的元素相加，α和β为用于控制所述解码特征矩...

【专利技术属性】
技术研发人员：滕敏亮，江先志，李明华，滕韵娴，潜卫强，雷建峰，林建豪，
申请(专利权)人：浙江腾腾电气有限公司，
类型：发明
国别省市：