一种电能质量扰动的快速识别方法

技术领域

本发明属于电力系统控制与识别系统领域，具体涉及一种电能质量扰动的快速识别方法。

背景技术

随着新能源发电和各种非线性负载的广泛使用，电力系统中的电能质量扰动事件日益增多。电能质量扰动通常表现为电压或电流的幅值、相位以及频率的突然变化或变形。这些扰动会带来一系列的问题，如电气设备损坏、能耗增加、电磁干扰增强，甚至危害电力系统的安全稳定运行。录波器记录了大量的PQDs数据，靠人工的观察来判断电能质量扰动类型是不现实的。因此，需要研究能够自动判别电能质量扰动类型且高效准确的分类技术。电能质量扰动的自动识别一般分为以下3个步骤：信号分析与特征提取、特征选择、扰动分类。

发明内容

本发明提出一种电能质量扰动的快速识别方法，是一个在电能质量发生扰动时，以最快的速度与精确度识别出电能质量问题种类的系统，为电能质量扰动的识别拓展了思路，更深一步的提高准确性。

本发明采用如下技术方案：

一种电能质量扰动的快速识别方法，包括如下步骤：

(1)将扰动信号进行采样作为输入；

(2)通过卷积神经网络CNN提取特征数据，输入数据序列f与核函数序列g做卷积，其结果为提取到的特征序列T；

对一维的时序信号进行卷积，运算公式为：

式中：T[n]为卷积后的数据序列即特征序列；N为输入数据f(n)的长度；g(n)表示卷积的核函数序列，随机生成，长度等于卷积核的长度L；卷积后的序列长度为NL1；

将电能质量扰动信号样本f传到输入层，其次通过卷积层内的核函数序列g做卷积运算后形成特征序列T，然后经过归一化层对特征序列归一化，再经过激励层对其激活并经过池化层对其冗余部分删除，最后处理后的特征序列T通过连接层输出，并对输出特征进行训练及分类；分类层的计算过程为：

式中，k为类别数，Softmax的输出结果代表输入数据被分类到每个标签的概率；

(3)卷积神经网络CNN采用随机梯度下降法SGD，SGD法具体如下，样本的目标函数为：

式中：θ为初始参数；m表示训练集的记录条数；i表示第i个样本；(x

(4)通过GBDT计算得到各个特征的重要度，利用GBDT进行特征的重要性度量是基于各个特征用于决策树节点分裂的次数和每次分裂后模型的结构增益，累计求和后对所有的树进行平均，特征j的重要度通过该特征在所有树中的重要度的平均值来衡量：

式中，M为决策树的数量，特征j在单棵树中的重要度计算公式为

式中：树的非叶子节点数量为L-1；是与节点v

(5)利用GBDT算法构建扰动分类器，各个样本的特征向量构成输入空间，对应的扰动类别标签构成标记空间；当得到一个新样本的特征向量后，学得的分类器可以对该样本的扰动类别进行预测，进而实现对电能质量扰动的识别。

为了提高电能质量扰动分类准确率，针对扰动信号时序性的特点，采用了基于卷积-梯度提升树的电能质量扰动识别方法。首先，将扰动信号进行采样作为输入。然后，通过卷积神经网络(CNN)提取特征数据，再对提取到的特征数据以并基于梯度提升树对各个特征的重要性进行度量，选取重要特征。最后根据选取的特征集训练和构建梯度提升树，得到扰动分类器，然后对特征数据进行筛选更新。最后，再对输出的特征数据进行学习分类。

本发明的优点与效果为：在录波器记录了大量的扰动数据后，通过卷积神经网络与梯度提升树的复合算法更快速更精准的识别电能质量扰动问题，更快速的解决问题，为电网减少扰动带来的损失，提高收益。

附图说明

图1为卷积神经网络结构图；

图2为卷积-梯度提升树算法的流程图。

具体实施方式

下面结合附图及实施例对本发明做作一步解释。

一种电能质量扰动的快速识别方法，包括如下步骤：

(1)卷积神经网络(CNN)能处理不同维度的信号。本发明的扰动信号属于一维信号，所以用一维CNN。由于本发明的电能质量扰动信号具有时序性，CNN提取到的特征缺少时间依赖性，因此分类准确率可能会比较低。CNN分类网络结构如图1所示。其结构分别为输入层、卷积层、归一化层、激励层、池化层、退出层、全连接层和分类层。

(2)卷积层的目的是为了提取特征，是整个CNN的关键一环。本发明是对一维的时序信号进行卷积，运算公式为

式中：T[n]为卷积后的数据序列即特征序列；N为输入数据f(n)的长度；g(n)表示卷积的核函数序列，随机生成，长度等于卷积核的长度L。卷积后的序列长度为NL1。上述卷积的流程可概括为：输入数据序列f与核函数序列g做卷积，其结果就是提取到的特征序列T。

分类层的计算过程为：

式中，k为类别数。Softmax的输出结果代表输入数据被分类到每个标签的概率。

其分类方案大致如下：首先将电能质量扰动信号样本f传到输入层，其次通过卷积层内的核函数序列g做卷积运算后形成特征序列T，然后经过归一化层对特征序列归一化，再经过激励层对其激活并经过池化层对其冗余部分删除，最后处理后的特征序列T通过连接层输出，并对输出特征进行训练及分类。

(4)本发明CNN方法采用的是随机梯度下降法(SGD)。SGD法具体如下。样本的目标函数为：

式中：θ为初始参数；m表示训练集的记录条数；i表示第i个样本；(x

(5)梯度提升是一种以CART(Classification and Regression Tree)中的回归树作为基学习器的提升算法，通过基学习器的加权组合得到集成学习器。GBDT采用加法模型和前向分步算法实现学习的迭代过程，在每一步中，通过损失函数最小化来确定下一棵决策树。针对每一步的优化问题难以求解的难题，梯度提升方法即利用损失函数的负梯度在当前模型的值，作为提升树的残差近似值，拟合下一棵决策树。GBDT通常具有三种正则化方式，来防止对于训练数据的过拟合。第一种是策略，通过设定学习率来减少每一棵回归树对预测的贡献。第二种是子采样，在拟合一棵新的回归树时，通过无放回的子抽样得到样本集的子集。第三种是对基学习器即CART回归树进行剪枝处理。除此之外，树模型的复杂度也可作为正则项加进优化目标里，进一步提高泛化能力。因此，相比其他分类算法，GBDT的泛化能力通常更强，可获得更高的分类准确率。

GBDT可以计算得到各个特征的重要度，实现特征重要性的排序。因此，在得到原始特征集F1-F53后，可用GBDT进行特征选择，来降低计算复杂度，更有效地实现扰动的分类。利用GBDT进行特征的重要性度量是基于各个特征用于决策树节点分裂的次数和每次分裂后模型的结构增益，累计求和后对所有的树进行平均。特征j的重要度是通过该特征在所有树中的重要度的平均值来衡量：

式中，M为决策树的数量。特征j在单棵树中的重要度计算公式为

式中：树的非叶子节点数量为L-1；是与节点v

(5)利用GBDT算法构建扰动分类器，是一个学习由输入空间到标记空间映射的过程。其中，各个样本的特征向量构成输入空间，对应的扰动类别标签构成标记空间。图2显示了基于梯度提升树的扰动分类器的构建过程。当得到一个新样本的特征向量后，学得的分类器可以对该样本的扰动类别进行预测，进而实现对电能质量扰动的识别。

实施例1

通过仿真数据，与卷积网络和长短期记忆网络对比，表格如下：