基于改进深度学习算法的井下电能质量扰动识别系统

技术领域

本发明涉及电能质量领域，尤其是涉及基于改进深度学习算法的井下电能质量扰动识别系统。

背景技术

电能凭借其安全、环保、便利、经济等优点广泛应用在照明、动力、制造、通讯等各个领域，已成为推动科技发展、社会进步的动力源，近几年，越来越多新型电气设如直流换电站、FACTS装置等的大量使用，以及大量冲击性、非线性、波动性负荷如电气化铁路、电弧炉等投产运营，造成了电网中电能质量的日益恶化。

由于电能质量扰动的产生机理不同，使得扰动信号的时域特征有差异，电能质量扰动可分为两类，即稳态扰动问题和暂态扰动问题，其中，稳态扰动的主要特征为波形畸变，如电压波动、切痕、谐波等；暂态扰动的特征表现在频谱变化和持续时间，如中断、暂升、暂降以及振荡暂态等，电能质量扰动会给电力系统带来严重的危害，不但会增加线损，还会导致继电保护系统动作失常，出现拒动或误动，甚至波及整个区域电网，导致大规模停电事故，造成经济损失甚至人员伤亡。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供基于改进深度学习算法的井下电能质量扰动识别系统。

本发明的目的可以通过以下技术方案来实现：包括如下步骤：S1、通过互感器收集数据并采用采样板卡获取包括电压暂升信号、电压暂降信号、电压中断信号、谐波信号、电压尖峰信号、电压切痕信号、闪变信号、振荡暂态信号和脉冲暂态信号在内的九种单一扰动信号以及复合电能质量扰动信号，采集卡通过工业标准的RS-485通讯接口和MODBUS通讯协议组网，数据上传上位机；S2、在上位机中，结合迁移学习与深度学习，确定预训练深度卷积神经网络模型Alex Net的最佳特征层，冻结参数，进行模型迁移；S3、在上位机中，模型迁移后，采用SVM代替S2中迁移后的模型的Softmax函数作为分类器，并将预训练深度卷积神经网络模型Alex Net的前5层进行迁移学习，将学习到的特征输入到SVM分类器中进行分类，获取模型中新的全连接层；S4、在上位机中，SVM后，利用步骤S1中的单一扰动信号和复合电能质量扰动信号对步骤S3的最新模型的参数进行微调，完成模型的训练和电能质量扰动信号识别。

优选的，所述复合电能质量扰动信号由单一扰动经叠加产生，具体叠加内容包括：a)、根据性质对各扰动信号进行分类，其中第一类包括电压暂升信号、电压暂降信号、电压中断信号，第二类包括振荡暂态信号和脉冲信号，第三类包括电压尖峰信号、电压切痕信号，第四类包括谐波信号，第五类包括闪变信号；b)、对隶属于不同类别的扰动信号进行混合叠加。

有益效果：现有技术相比，本发明具有避免部分信号丢失，提高训练效率、提高分类准确率等优点。

附图说明

图1为基于改进深度学习算法的井下电能质量扰动识别系统示意图；

图2为基于改进的深度学习算法示意图；

图3为本发明实施例中Alex Net模型结构图；

图4为本发明实施例中单一井下电能质量扰动识别训练过程图；

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

如图1所示，本发明涉及基于改进深度学习算法的井下电能质量扰动识别系统，包括如下步骤：

S1、通过互感器收集数据并采用最现代的微处理器及数字信号处理技术获取包括电压暂升信号、电压暂降信号、电压中断信号、谐波信号、电压尖峰信号、电压切痕信号、闪变信号、振荡暂态信号和脉冲暂态信号在内的九种单一扰动信号以及复合电能质量扰动信号；

S2、将迁移学习与深度学习相结合，通过逐层迁移学习确定预训练深度卷积神经网络模型Alex Net的最佳特征层，冻结原模型中卷积层和池化层参数，进行模型迁移；

S3、采用SVM代替S2中迁移后的模型的Softmax函数作为分类器，并将预训练深度卷积神经网络模型Alex Net的前5层进行迁移学习，将学习到的特征输入到SVM分类器中进行分类，获取模型中新的全连接层，实现的深度卷积神经网络模型Alex Net的结构如图2所示，Alex Net模型具有8层结构，包括5个卷积层和3个全连接层，其中每一层又具有不同功能的子层，上述中的Alex Net模型迁移的是预训练Alex Net模型的前7层网络，冻结参数，为获取最佳分类效果的特征层，本发明通过确定迁移学习模型的最佳特征层来对模型进行改进。

优选地，选取第五层卷积层作为深度卷积神经网络模型Alex Net的最佳特征层。

S4、用电能质量扰动信号对迁移后的模型参数进行微调，将迁移后的模型参数中的类别数调为电能质量扰动的种类数，其他参数为神经网络的自调整，完成训练和识别。

本实施例采用实测电能质量扰动数据对本发明方法进行验证，电能质量扰动仿真信号上分别叠加信噪比为20db、30db、40db和50db的高斯白噪声，识别电能质量扰动信号的识别精度取10次识别准确率的均值。

基于Alex Net的不足，本发明利用在Image Net图像数据集上预训练的模型通过微调使其适应于电能质量复合扰动信号的识别问题，引入迁移学习，冻结原模型中卷积层和池化层参数，替换最后一层全连接层，用SVM替换原模型中的Softmax函数作为分类器。为寻找模型的最佳特征层，对模型进行逐层迁移。