基于时域特征峭度和神经网络的电能质量扰动识别方法技术

本发明专利技术公开了一种基于时域特征峭度和神经网络的电能质量扰动识别方法，解决了现有技术的不足，包括针对有源配电网中电能质量扰动建立扰动数学模型得到样本数据，样本数据用于特征提取与神经网络训练；采用经验小波变换对样本数据进行分解得到经验小波分量，对分解得到的经验小波分量进行时域特征峭度分析，得到有效特征片段，最后利用神经网络进行识别分类

【技术实现步骤摘要】
基于时域特征峭度和神经网络的电能质量扰动识别方法


[0001]本专利技术涉及电力系统控制与识别系统领域，尤其是指基于时域特征峭度和神经网络的电能质量扰动识别方法
。

技术介绍

[0002]在现代电力系统中，随着电力电子技术的成熟，和电力系统的复杂化，电力电子设备在电力系统中的使用日趋广泛，大量具有非线性和冲击性的负载也逐渐增加，导致电网中逐渐出现诸如谐波
、
电压振荡
、
电压暂升等电能质量扰动问题，上述问题很大程度上影响着电网安全，因此需要相应的识别手段实现精准判别
。
[0003]目前针对电能质量扰动的检测方法主要分为特征提取和扰动识别2部分：特征提取的主要思想是通过信号处理等数学方法对原始扰动信号在频域或时域的表征进行分析，进而提取出具有代表性的特征向量
。
扰动识别方面，多数是利用机器学习的方法
。
目前基于特征选择方面应用较多的方法有基于群体的遗传算法
、
粒子群优化
、
蚁群优化算法等群体智能算法
。
文献基于蚁群算法通过对信息素的合理配置得到高容错性的分类定位方法，但应用面较窄
。
文献通过粒子群算法对小波提取出的特征向量进行动态筛选，准确度提高，但是设计结构复杂
。
传统
BP
神经网络具有更强的自适应度，但收敛结果较慢，且不适用于处理长时间序列问题
。
因此需要一种新型的电能质量扰动识别方法
。

技术实现思路

[0004]本专利技术的目的是克服现有技术中的电能质量扰动种类繁多，并且在实际情况中常存在复合扰动的情况，识别难度较大缺点，提供一种基于时域特征峭度和神经网络的电能质量扰动识别方法
。
[0005]本专利技术的目的是通过下述技术方案予以实现：基于时域特征峭度和神经网络的电能质量扰动识别方法，包括：针对有源配电网中电能质量扰动建立扰动数学模型得到样本数据，样本数据用于特征提取与神经网络训练；采用经验小波变换对样本数据进行分解得到经验小波分量，对分解得到的经验小波分量进行时域特征峭度分析，得到有效特征片段，最后利用神经网络进行识别分类
。
[0006]作为优选，所述的建立扰动数学模型具体为：对若干种扰动信号进行仿真建模分析，正常状态的电压基波频率
fa
＝
50Hz
，周期
Ta
＝
0.02s
，幅值为
220V
；设定采样频率
fs
＝
10kHz
，按照电能质量扰动数学模型建立扰动信号源，其中，针对每种扰动类型，乘以
500
组1～
1.5
间的随机系数，得到样本数据
。
[0007]作为优选，所述的采用经验小波变换对样本数据进行分解得到经验小波分量具体为：在傅里叶频谱的基础上，对样本数据进行自适应分隔；在获取频域信息后，通过确定极大值的方式，实现对信号模态的分解，从而实现经验小波变换：首先将频谱范围归一化到
[0,
π
]上，并将其分割为
k
个连续的小段频谱；其次，依据
Meyer
小波构造尺度函数
φ
i
(
ω
)
和
经验小波函数
Ψ
i
(
ω
)
，计算逼近系数和细节系数，得到重构信号表达式；最后得到经验小波变换的各个模态分量
EWF。
[0008]作为优选，采用经验小波变换对样本数据进行分解得到经验小波分量的具体公式为：为：式中，
ω
i
为分隔的信号频谱边界，
α
(
γ
,
ω
i
)
＝
β
((1/2
γω
i
)(|
ω
|
‑
(1
‑
γ
)
ω
i
))。
γ
保证两个连续的变换不存在重叠，
β
(x)
为满足上式变换的多项式，如下式所示：
β
(x)
＝
35x4‑
84x5+70x6‑
20x7重构信号的表达式为：其中，为逼近系数，为细节系数；逼近系数由经验小波函数与原始信号
f(t)
内积产生，细节系数由经验尺度函数与原始信号内积产生，以暂升扰动为例：
f(t)
＝
(1+
κ
(u(t2)
‑
u(t1)))sin(
ω
t)
则：则：由此可得
EWT
的各个模态分量
EWF
为：
[0009]作为优选，所述的对分解得到的经验小波分量进行时域特征峭度分析具体为：设整端离散信号长度为
M
，取长度为
N
的时间窗，计算特征向量的时间窗片段中的峭度值；得到长度为
M/N
的一段峭度序列后，通过比较峭度值的变换程度，设定阈值确定扰动的起止时间；取各特征向量的共同区间，使得各段特征向量的长度一致及保留最丰富的特征信息；将原始信号分解为
EWF
分量并进行有效片段提取后后，设信号序列
f(n)
在各个频
段上的分量为
EWF
j
(n)
，由公式得到小波能量，在求取相对能量值后，计算得到小波能量熵；时域信息片段化处理，考虑各个周期内的特征信息呈现相似性的特征，为了最大化体现单周期内的特征量，对原始信号做时域上的分段处理，设拆分为
k
个子序列，对每个子序列进行经验小波分解，并且计算各自的能量熵，得到一个周期内的能量熵序列
{Entropy(k)}。
[0010]作为优选，所述的神经网络为
LSTM
神经网络，利用神经网络进行识别分类具体为：利用
LSTM
神经网络，设定能量熵长度为
40
，由于经验小波分解将原始信号分为6组，故最终的训练信号为
6*40
的特征矩阵，代表
40
个6维的列特征向量，作为神经网络的训练对象，通过扰动数学模型建立的训练集，得到最终的神经网络分类器，神经网络分类器对电能质量扰动进行识别分类
。
[0011]本专利技术的有益效果是：
1、
本专利技术将通过经验小波变换，自适应的实现
PQ
扰动信号的频谱分解
。
通过对分解后的时域信号加窗的方式，计算时间窗内的峭度值从而判断扰动的起止位置，提取有效特征信息，降低特征向量的冗余，一定程度上避免由于数据冗余造成的模型复杂度高和训练时间长的问题...

【技术保护点】

【技术特征摘要】
1.
基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，包括：针对有源配电网中电能质量扰动建立扰动数学模型得到样本数据，样本数据用于特征提取与神经网络训练；采用经验小波变换对样本数据进行分解得到经验小波分量，对分解得到的经验小波分量进行时域特征峭度分析，得到有效特征片段，最后利用神经网络进行识别分类
。2.
根据权利要求1所述的基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，所述的建立扰动数学模型具体为：对若干种扰动信号进行仿真建模分析，正常状态的电压基波频率
fa
＝
50Hz
，周期
Ta
＝
0.02s
，幅值为
220V
；设定采样频率
fs
＝
10kHz
，按照电能质量扰动数学模型建立扰动信号源，其中，针对每种扰动类型，乘以
500
组1～
1.5
间的随机系数，得到样本数据
。3.
根据权利要求2所述的基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，所述的采用经验小波变换对样本数据进行分解得到经验小波分量具体为：在傅里叶频谱的基础上，对样本数据进行自适应分隔；在获取频域信息后，通过确定极大值的方式，实现对信号模态的分解，从而实现经验小波变换：首先将频谱范围归一化到
[0,
π
]
上，并将其分割为
k
个连续的小段频谱；其次，依据
Meyer
小波构造尺度函数
φ
i
(
ω
)
和经验小波函数
Ψ
i
(
ω
)
，计算逼近系数和细节系数，得到重构信号表达式；最后得到经验小波变换的各个模态分量
EWF。4.
根据权利要求3所述的基于时域特征峭度和神经网络的电能质量扰动识别方法，其特征是，采用经验小波变换对样本数据进行分解得到经验小波分量的具体公式为：特征是，采用经验小波变换对样本数据进行分解得到经验小波分量的具体公式为：式中，
ω
i
为分隔的信号频谱边界，
α
(
γ
,
ω
i
)
＝
β
((1/2
γω
i
)(|
ω
|
‑
(1
‑
γ
)
ω
...

【专利技术属性】
技术研发人员：张驰，曾晓，余才阳，郭锋，杨坚，朱敏捷，赵一园，陈翔，朱逸芝，罗啸远，徐旭，洪道鉴，周丹阳，姜朝明，高翔，于杰，
申请(专利权)人：国网浙江省电力有限公司台州供电公司，
类型：发明
国别省市：