基于压缩感知和深度学习的电能质量扰动识别研究
发布时间：2021-11-02 23:25
随着社会经济的发展,高精度的电力电子设备被广泛使用,用户对电能质量的要求越来越高。然而,非线性、冲击性负荷的使用,以及大量风能、太阳能等新能源的并网,使得电网污染严重,导致各种电能质量扰动。各种电能质量扰动将严重影响电气设备的正常使用,甚至直接威胁到了电网的安全运行。因此,为了改善和提高电能质量,必须消除电网中的各种扰动信号,快速而准确的检测出电网中各种扰动的类型并分类是实现电能质量问题改善的前提条件。基于此,本文通过卷积神经网络（CNN）和卷积-双向长短记忆（CNN-BiLSTM）两种深度学习模型对电能质量扰动进行识别;并以压缩感知理论替代传统奈奎斯特采样获取电能质量扰动信号后,结合深度学习方法实现扰动分类。开展的具体工作如下。（1）基于CNN的电能质量扰动识别。将深度学习中的CNN应用到电能质量扰动识别中。通过Tensorflow平台搭建CNN网络模型,产生批量的不同信噪比情况下的扰动信号,转化为灰度图后,分别通过CNN模型得到分类结果。实验结果表明CNN用于扰动分类有很好的准确率和一定的抗噪性。（2）基于CNN-BiLSTM的电能质量扰动识别。通过Tensorflow平台搭建CN...
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２．１４电压暂降灰度图??
?第２章电能质量扰动概述???将２．２节中的另外１１种信号按照相同方法转化为灰度图，如图２．１５－２．２５??所示。原始扰动信号每个点数据只与前后数据有关联，转化为灰度图后，每个??点数据与其周围的点全部建立了联系，可以更好的找到数据的特征信息。最重??要的是，可以从图像角度出发，通过图像处理的方法来对扰动信号进行分析。??ｉｌｌ?１１１１?ｉｌｌ??图２．１５标准信号?图２．１６电压暂升?图２．１７短时中断??圓Ｗｆｆｌ圓??图２．１８谐波?图２．１９电压闪变?图２．２０脉冲??ｉｌｌ?＾?ｆｌ??图２．２１暂态振荡?图２．２２谐波＋电压暂降?图２．２３谐波＋电压暂升??８??
?第２章电能质量扰动概述???将２．２节中的另外１１种信号按照相同方法转化为灰度图，如图２．１５－２．２５??所示。原始扰动信号每个点数据只与前后数据有关联，转化为灰度图后，每个??点数据与其周围的点全部建立了联系，可以更好的找到数据的特征信息。最重??要的是，可以从图像角度出发，通过图像处理的方法来对扰动信号进行分析。??ｉｌｌ?１１１１?ｉｌｌ??图２．１５标准信号?图２．１６电压暂升?图２．１７短时中断??圓Ｗｆｆｌ圓??图２．１８谐波?图２．１９电压闪变?图２．２０脉冲??ｉｌｌ?＾?ｆｌ??图２．２１暂态振荡?图２．２２谐波＋电压暂降?图２．２３谐波＋电压暂升??８??
【参考文献】：
期刊论文
[1]基于卷积神经网络和随机森林的三相电压暂降分类[J]. 刘佳翰,陈克绪,马建,徐春华,吴建华. 电力系统保护与控制. 2019(20)
[2]微电网并网环境下电能质量分析与研究综述[J]. 王耿耿,孟高军,孙玉坤,刘海涛. 电器与能效管理技术. 2019(15)
[3]多尺度稀疏电能质量扰动识别方法[J]. 朱云芳,吴志宇,高岩,侯怡爽,刘正杰. 西南交通大学学报. 2020(01)
[4]基于压缩感知的电能质量压缩采样重构算法[J]. 张锐,吴庭宇. 数据采集与处理. 2019(02)
[5]深度信念网络在电能质量复合扰动识别中的应用[J]. 陈伟,何家欢,裴喜平. 电力系统及其自动化学报. 2018(09)
[6]基于相空间重构和卷积神经网络的电能质量扰动分类[J]. 陈伟,何家欢,裴喜平. 电力系统保护与控制. 2018(14)
[7]基于卷积神经网络的电能质量扰动分类[J]. 瞿合祚,李晓明,陈陈,何乐. 武汉大学学报(工学版). 2018(06)
[8]电能质量 讲座 第七讲 与分布式电源并网有关的电能质量标准和规范[J]. 田源,朱永强,夏瑞华,韩民晓. 电器与能效管理技术. 2018(03)
[9]电能质量扰动分析中广义S变换算法的改进与实现[J]. 刘军,黄纯,江亚群,朱彩虹. 电力系统及其自动化学报. 2017(03)
[10]一种新的电能质量扰动信号压缩感知识别方法[J]. 曹思扬,戴朝华,朱云芳,陈维荣. 电力系统保护与控制. 2017(03)
博士论文
[1]有害气体检测的无线传感网空洞修补及数据传输技术研究[D]. 吴琼.哈尔滨理工大学 2019
[2]基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[D]. 林蕾.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[3]复杂电能质量扰动事件的分类方法研究[D]. 罗奕.华中科技大学 2018
[4]复合非平稳电能质量扰动检测研究[D]. 陈晓静.华中科技大学 2018
[5]基于S变换和神经网络的电能质量扰动检测与分类算法研究[D]. 王慧慧.天津大学 2017
[6]稀疏模拟信号压缩采样与重构算法研究[D]. 赵贻玖.电子科技大学 2012
[7]电能质量扰动在线监测方法研究[D]. 黄文清.湖南大学 2007
硕士论文
[1]基于深度学习的稀疏化电能质量扰动识别方法研究[D]. 吴志宇.西南交通大学 2019
[2]基于S变换的电能质量扰动识别算法研究[D]. 周祖宁.哈尔滨工业大学 2017
[3]基于S变换的电能质量扰动分类问题研究[D]. 贾长杰.华中科技大学 2017
本文编号：3472580
【文章来源】：南昌大学江西省 211工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图２．１４电压暂降灰度图??
?第２章电能质量扰动概述???将２．２节中的另外１１种信号按照相同方法转化为灰度图，如图２．１５－２．２５??所示。原始扰动信号每个点数据只与前后数据有关联，转化为灰度图后，每个??点数据与其周围的点全部建立了联系，可以更好的找到数据的特征信息。最重??要的是，可以从图像角度出发，通过图像处理的方法来对扰动信号进行分析。??ｉｌｌ?１１１１?ｉｌｌ??图２．１５标准信号?图２．１６电压暂升?图２．１７短时中断??圓Ｗｆｆｌ圓??图２．１８谐波?图２．１９电压闪变?图２．２０脉冲??ｉｌｌ?＾?ｆｌ??图２．２１暂态振荡?图２．２２谐波＋电压暂降?图２．２３谐波＋电压暂升??８??
?第２章电能质量扰动概述???将２．２节中的另外１１种信号按照相同方法转化为灰度图，如图２．１５－２．２５??所示。原始扰动信号每个点数据只与前后数据有关联，转化为灰度图后，每个??点数据与其周围的点全部建立了联系，可以更好的找到数据的特征信息。最重??要的是，可以从图像角度出发，通过图像处理的方法来对扰动信号进行分析。??ｉｌｌ?１１１１?ｉｌｌ??图２．１５标准信号?图２．１６电压暂升?图２．１７短时中断??圓Ｗｆｆｌ圓??图２．１８谐波?图２．１９电压闪变?图２．２０脉冲??ｉｌｌ?＾?ｆｌ??图２．２１暂态振荡?图２．２２谐波＋电压暂降?图２．２３谐波＋电压暂升??８??
【参考文献】：
期刊论文
[1]基于卷积神经网络和随机森林的三相电压暂降分类[J]. 刘佳翰,陈克绪,马建,徐春华,吴建华. 电力系统保护与控制. 2019(20)
[2]微电网并网环境下电能质量分析与研究综述[J]. 王耿耿,孟高军,孙玉坤,刘海涛. 电器与能效管理技术. 2019(15)
[3]多尺度稀疏电能质量扰动识别方法[J]. 朱云芳,吴志宇,高岩,侯怡爽,刘正杰. 西南交通大学学报. 2020(01)
[4]基于压缩感知的电能质量压缩采样重构算法[J]. 张锐,吴庭宇. 数据采集与处理. 2019(02)
[5]深度信念网络在电能质量复合扰动识别中的应用[J]. 陈伟,何家欢,裴喜平. 电力系统及其自动化学报. 2018(09)
[6]基于相空间重构和卷积神经网络的电能质量扰动分类[J]. 陈伟,何家欢,裴喜平. 电力系统保护与控制. 2018(14)
[7]基于卷积神经网络的电能质量扰动分类[J]. 瞿合祚,李晓明,陈陈,何乐. 武汉大学学报(工学版). 2018(06)
[8]电能质量 讲座 第七讲 与分布式电源并网有关的电能质量标准和规范[J]. 田源,朱永强,夏瑞华,韩民晓. 电器与能效管理技术. 2018(03)
[9]电能质量扰动分析中广义S变换算法的改进与实现[J]. 刘军,黄纯,江亚群,朱彩虹. 电力系统及其自动化学报. 2017(03)
[10]一种新的电能质量扰动信号压缩感知识别方法[J]. 曹思扬,戴朝华,朱云芳,陈维荣. 电力系统保护与控制. 2017(03)
博士论文
[1]有害气体检测的无线传感网空洞修补及数据传输技术研究[D]. 吴琼.哈尔滨理工大学 2019
[2]基于循环神经网络模型的遥感影像时间序列分类及变化检测方法研究[D]. 林蕾.中国科学院大学(中国科学院遥感与数字地球研究所) 2018
[3]复杂电能质量扰动事件的分类方法研究[D]. 罗奕.华中科技大学 2018
[4]复合非平稳电能质量扰动检测研究[D]. 陈晓静.华中科技大学 2018
[5]基于S变换和神经网络的电能质量扰动检测与分类算法研究[D]. 王慧慧.天津大学 2017
[6]稀疏模拟信号压缩采样与重构算法研究[D]. 赵贻玖.电子科技大学 2012
[7]电能质量扰动在线监测方法研究[D]. 黄文清.湖南大学 2007
硕士论文
[1]基于深度学习的稀疏化电能质量扰动识别方法研究[D]. 吴志宇.西南交通大学 2019
[2]基于S变换的电能质量扰动识别算法研究[D]. 周祖宁.哈尔滨工业大学 2017
[3]基于S变换的电能质量扰动分类问题研究[D]. 贾长杰.华中科技大学 2017
本文编号：3472580
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3472580.html
