基于深度学习的电力信号分类算法研究

发布时间：2022-02-09 19:18

　　随着低碳环保的概念推广普及,电力消费者对绿色电能的质量要求也逐渐提高。在复杂的大型工业电力系统的运行过程中,由于电压电流信号易受严重干扰,使得监测设备难以分析大量实测电能质量扰动数据。此外,非侵入式电力负荷识别技术能够获取电力消费用户的设备运行条件信息（例如何种设备在运行及其运行状态）,这些信息对于电力需求预测及估计十分有利,而目前的非侵入式电力负荷识别技术仍有提升空间。为此,本文旨在研究电能质量扰动识别与电力负荷类型识别,研究内容如下:（1）电压暂降类型识别。由于电能质量扰动种类繁多,本文只选取电压暂降识别作为研究内容之一。特征提取是电能质量扰动识别的关键步骤,然而传统的数学变换与浅层神经网络相结合的方法无法自动提取特征。为此,提出了一种基于卷积神经网络（CNN）和随机森林（RF）的混合模型来对三相电压暂降数据进行自动特征提取及分类。首先,将三相电压暂降数据转换为空间相量模型（SPM）;其次,利用CNN对SPM进行特征提取;最后将RF应用于分类。为了加快CNN训练速度并缓解过拟合,本文引入了Dropout、学习率指数衰减和自适应矩估计权值更新算法。实验结果表明,与其他分类方法相比,所... 

【文章来源】：南昌大学江西省211工程院校

【文章页数】：60 页

【学位级别】：硕士

【部分图文】：

三相电压暂降分类算法流程图

第 2 章 基于卷积神经网络与随机森林的电压暂降分类( )( ( ))( )( )( ( ) ( ))Δ Δ2 , 2, , ,Δ Δ2 , 2, , ,Δ Δ2 , 2, , ,Δ Δ2 , 2, , ,1 , Δ-1 0, 0Δ-1, Δ-1 0, 0,Δ-1, 0, 01 , 1 0, 0I i R i I i R iI i R i I i R iI i R i I i R iI i R i I i R ix y + + + + V V V VV V V VV V V VV V V V(2.4)其中，x和 y 分别表示矩阵 S 中元素对应的行和列；R ,iV 和I ,iV 分别表示向量RV 和IV 的第i 个元素值，i 0, n 1 ； 表示向上取整， 表示取绝对值， s ( x, y )的取值范围为 0,1 。图2.2 展示了 Cc 型三相电压暂降的时域波形和复平面的可视化 SPM 灰度图。图左侧反映了三相电压幅度值随时间(周波数)变化的情况；图右侧，实数和虚数轴的坐标值分别对应等式(2.4)中的x和 y 。

第 2 章 基于卷积神经网络与随机森林的电压暂降分类其中t 为更新后的权值；t 1 为更新前的权值；α为初始学习率，大小为 0.001；tm 为偏置矫正后的一阶矩估计，tn 为偏置矫正后的二阶矩估计， 为大小为-810的常数。CNN 的特征提取能力较浅层神经网络强，但将 CNN 提取的所有特征用于全连接层进行分类并不是最佳选择，因为特征向量中的部分冗余特征会降低模型的泛化性能[40-41]。本文将 CNN 最后一层全连接层将替换为 RF，当基于 CNN 的特征提取器完成训练时，第六层全连接层输出的特征向量将作为新的训练数据集传递给 RF 进行学习和分类。

【参考文献】：
期刊论文
[1]基于多标签随机森林的电能质量复合扰动分类方法[J]. 瞿合祚,刘恒,李晓明,黄建明.  电力系统保护与控制. 2017(11)
[2]基于广义S变换和PSO-ELM的电能质量扰动信号识别[J]. 杨万清,姜学朴,刘冰.  电力电容器与无功补偿. 2017(02)
[3]分布式光伏电站接入低压配电网系统暂态电压稳定性研究[J]. 李升,姜程程,赵之瑜,李子瑜.  电力系统保护与控制. 2017(08)
[4]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)
[5]基于配电网的复合电压暂降源分类与识别新方法[J]. 李夏林,刘雅娟,朱武.  电力系统保护与控制. 2017(02)
[6]基于dq变换与小波多分辨率分析的电力系统暂态复合扰动信号检测方法[J]. 曹玲芝,李振杰.  电力系统保护与控制. 2016(21)
[7]一种电能质量扰动监测与识别新方法[J]. 曹健,林涛,徐遐龄,刘林.  中国电机工程学报. 2011(31)
[8]基于Hilbert变换和dq变换的电压暂降检测新方法[J]. 袁帅,佟为明.  高电压技术. 2009(05)
[9]利用广义形态滤波与差分熵的电能质量扰动检测[J]. 赵静,何正友,钱清泉.  中国电机工程学报. 2009(07)
[10]基于Dyn测度的电压暂降检测方法[J]. 刘应梅,白晓民,王文平,易俗.  电力系统自动化. 2004(02)



本文编号：3617514