一种电能质量扰动识别分类方法

技术领域

本发明涉及一种电能质量扰动识别分类方法。属于电能质量扰动信号识别领域。

背景技术

随着电力系统的发展、电源接入形式多样化、负荷种类的增加，电网中的电能质量问题越来越突出。因此，准确、快速地对电能质量扰动信号识别，是保障电网稳定、安全、高效运行的前提。

目前，国内外学者针对电能质量扰动信号识别分类进行了深入研究，通过对现有电能质量扰动信号识别方法的研究可知，各种识别方法通常可分为两个步骤：特征提取和特征分类。特征提取是使用不同的时域、频域信号分析方法提取能反映不同扰动信号的判别信息，特征分类是通过训练不同的分类器实现对扰动信号特征的识别。方法主要有：傅里叶变换、小波变换、S变换、希尔伯特黄变换、相空间重构等。利用小波变换将原始扰动信号分解到各个频带，分别计算各个频带的能量值和小波系数熵，将二者及基波频带扰动过程的均方根作为特征值输入到改进神经树进行分类，分类准确率较高，但所选扰动均为单一扰动信号。利用稀疏自动编码器对原始扰动信号进行无监督特征学习，自动提取数据特征的稀疏特征表达，随后使用Softmax分类器进行训练，得到各种扰动信号的分类准确率，解决了传统神经网络中权值初始随机性的缺点，但编码过程复杂。

发明内容

本发明是为了解决现有对电能质量扰动信号识别的方法不能在保证识别准确率高的同时提到识别效率的问题，现提出一种电能质量扰动识别分类方法。

一种电能质量扰动识别分类方法，包括：

步骤一、获取观测信号，基于压缩感知理论，把观测信号恢复为原始扰动信号，使用正交匹配追踪算法对原始信号进行压缩重构，得到重构信号及其对应的稀疏向量；

步骤二、建立扰动信号识别模型，将重构信号和稀疏向量输入深度卷积神经网络进行迭代训练，得到训练后的扰动信号识别模型，将待识别的扰动信号输入至扰动信号识别模型中，实现电能质量扰动信号的分类。

有益效果

本发明提出一种基于压缩感知理论和卷积神经网络的电能质量扰动信号识别分类方法，该方法通过离散傅里叶变换、高斯矩阵获取原始扰动信号的稀疏向量，利用正交匹配追踪算法重构扰动信号，将原始扰动信号和稀疏向量输入卷积神经网络分类模型；由实施例结果可知，可充分降低现有识别方法所需处理的扰动信号的数据量，实现了以较少的数据量表达扰动信号的特征信息，对有、无噪声情况下的14种单一、复合扰动信号具有很高的识别率，表明了方法具有采样数据少、特征提取方便、高识别率和较好的噪声鲁棒性的特点。

使用卷积神经网络对扰动信号经压缩感知生成的稀疏向量进行学习，可以有效地提取扰动的特征。在不同的噪声情况下，将原始数据和稀疏向量分别作为网络的输入，由实验结果可知，该方法能获得较高的识别率，具有良好的抗噪能力。

附图说明

图1为电能质量扰动信号压缩感知流程图。

具体实施方式

具体实施方式一：结合图1-具体说明本实施方式，本实施方式一种电能质量扰动识别分类方法，包括以下步骤：

步骤一、基于压缩感知理论的电能质量扰动信号压缩与重构：

压缩感知理论：该理论指出如果信号是稀疏的，则可以在远低于Nyquist采样频率条件下重构。即：如果一维信号X

Y＝φψS＝ΘS

其中，Θ＝φψ，表示感知矩阵；φ表示测量矩阵；S

其中，||S||

电能质量扰动信号并非直接符合稀疏性，但是可以通过某种变换得到稀疏性的效果，即找到一种稀疏变换基ψ＝[ψ

其中S＝[S

测量矩阵是一个M×N的矩阵，设计测量矩阵的目的是获取原始信号X的M个测量值，使观测信号Y中的M个值可以有效地保留原始信号X中的信息。测量矩阵的优劣直接关系到原始信号的恢复效果，选用高斯随机矩阵作为扰动信号的测量矩阵。

重构算法就是把采集到的观测值Y

步骤二、基于卷积神经网络的电能质量扰动信号分类：

将压缩重构后的电能质量扰动信号作为训练数据输入深度神经网络进行迭代训练，得到训练后的扰动信号识别网络；所述网络由卷积层、池化层、Dropout层和全连接层等组成。卷积层通过卷积操作实现对输入层的特征提取。池化层对卷积层生成的特征图进行压缩，简化网络计算复杂度和提取主要特征，实现对特征图的降维。卷积层与池化层的堆叠组成深层的神经网络结构，实现对输入数据特征的组合和局部不变。卷积层做卷积运算时，需要将卷积核放在输入数据上，二者的中心位置需要重合。依次计算卷积核与其对应位置数据值的积并求和，最后计算得到的是特征图中该位置的值，进一步对电能质量扰动信号进行分类识别：

由下式可知，如果X

所述的卷积神经网络可以为SVM支持向量机，GA—PNN网络或一维卷积神经网络(1D-CNN)。

实施例

采用MATLAB生成电能质量扰动信号，正常信号和每类扰动信号各生成1 000个随机样本。每类扰动分别叠加信噪比(SNR)为30dB的噪声信号。每类扰动选取800个样本作为训练集，200个样本作为测试集。再通过压缩感知理论计算每个扰动信号的稀疏向量，形成基于稀疏向量的样本集。将原始信号和对应的稀疏向量数据作为一维卷积神经网络的输入，运行并训练搭建好的网络分类模型。为了评估网络的分类性能，绘制训练损失曲线和识别率曲线。原始数据对应的识别率经过约10代的训练，快速上升并保持在一个较高的数值，此后网络参数不断进行微调，识别率趋于稳定，大约为99％；稀疏向量对应的识别率则由一个较低的初始值缓慢上升，经过50次迭代训练后，保持在一个较高的数值。

不同的噪声强度下，各类电能质量扰动信号的分类准确率结果如表1所示。其中，A为原始数据，B为稀疏向量。

表1 不同信噪比下扰动信号的分类准确率

由表1可以看出：本方法在不同的噪声强度下对扰动分类的总体准确率均较高，多种扰动在不同噪声情况下均可达到较高的识别率，说明该方法具有较好的抗噪性能。但是稀疏向量较原始数据输入的识别率有所下降，这是因为重构过程中产生了重构误差，导致了扰动信号中信息的丢失。