[發(fā)明專利]基于雙向長短期記憶的復雜電能質(zhì)量擾動分析方法

有效

• 申請?zhí)枺?/td>: 201810198781.8
• 申請日: 2018-03-12
• 公開（公告）號: CN108562811B
• 公開（公告）日: 2020-05-22
• 發(fā)明（設計）人: 鄧亞平;王璐;賈顥;同向前
• 申請（專利權）人: 西安理工大學
• 主分類號: G01R31/00
• 分類號: G01R31/00;G06N3/04
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 羅磊

本發(fā)明公開了基于雙向長短期記憶的復雜電能質(zhì)量擾動分析方法，具體為：采集待檢測的電力系統(tǒng)中電壓或電流信號若干或者利用數(shù)學模型獲得7類基本PQD及其不同組合構成的復雜PQD的總樣本；樣本標注并轉化為序列形式，然后樣本分為訓練集和測試集；構建雙向長短期記憶神經(jīng)網(wǎng)絡模型并進行訓練；然后進行過擬合判斷，如出現(xiàn)過擬合現(xiàn)象則調(diào)整超參數(shù)，然后重新訓練，如此循環(huán)，直至未出現(xiàn)過擬合；使用再次訓練好的神經(jīng)網(wǎng)絡模型進行PQD判斷，輸入數(shù)據(jù)為信號序列數(shù)據(jù)，輸出數(shù)據(jù)為序列中每一個數(shù)據(jù)所對應的電能類型。本發(fā)明解決了現(xiàn)有技術中存在的識別準確率低、實現(xiàn)過程復雜、實時性差，無法對擾動起止時刻進行精準確定位的缺點問題。

技術領域

本發(fā)明屬于電能質(zhì)量分析與檢測方法技術領域，涉及一種基于雙向長短期記憶的復雜電能質(zhì)量擾動分析方法。

背景技術

擾動類型的準確識別是復雜電能質(zhì)量擾動(Power Quality Disturbance，PQD)分析的前提和基礎。電能質(zhì)量擾動(Power Quality Disturbance，PQD)可劃分為基本PQD和復雜PQD。按照擾動的時間特性，基本PQD又分為穩(wěn)態(tài)擾動(主要包括諧波/間諧波、波動等)和暫態(tài)擾動(主要包括暫降、暫升、中斷、振蕩暫態(tài)、脈沖暫態(tài)等)。復雜PQD則是由多種不同擾動類型、不同擾動強度、不同起止時刻的基本PQD復合而成，尤其是指疊加了暫態(tài)分量的擾動。

目前，關于電能質(zhì)量擾動類型識別問題的研究主要采用的是基于淺層學習的方法，可以歸結為特征量提取和模式識別兩個環(huán)節(jié)，即通過對原始信號進行變換和重構后從中提取擾動信號特征量，進而采用神經(jīng)網(wǎng)絡或支持向量機等淺層模型進行擾動類型識別，這類方法存在以下共性問題：

(1)多數(shù)僅考慮到基本PQD或兩種基本PQD(多數(shù)都是諧波與其他基本PQD)構成的復雜PQD，但隨著復雜PQD中所包含基本PQD類型的增加，特征量間的交互耦合現(xiàn)象嚴重，導致識別準確率大幅度下降或根本無法解決復雜PQD的擾動類型識別問題；

(2)對穩(wěn)態(tài)擾動具有良好的效果，但對暫態(tài)擾動，單純提取它們的幅值與頻率特征已經(jīng)不能很好地對它們進行反映，導致準確率低；

(3)選擇什么特征、如何選取特征均須深入理解信號特性或者依據(jù)本領域?qū)＜业呢S富工程實踐經(jīng)驗去嘗試，導致了手工擾動特征提取和選擇過程較為復雜。除此之外，禁錮于“先特征提取后模式識別”的固有模式，割裂地看待二者之間的關系，識別準確率嚴重依賴于人工事先設計的擾動特征量，增加了擾動類型識別過程的復雜性和冗余性，難以保證識別過程的實時性，不適合于在線應用。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于雙向長短期記憶的復雜電能質(zhì)量擾動分析方法，解決了現(xiàn)有技術中存在的識別準確率低、實現(xiàn)過程復雜、實時性差，無法對擾動起止時刻進行精準確定位的缺點問題。

本發(fā)明所采用的技術方案是，基于雙向長短期記憶的復雜電能質(zhì)量擾動分析方法，具體按照以下步驟實施：

步驟1，利用測量儀器采集待檢測的電力系統(tǒng)中電壓或電流信號若干或者采用式(1)所示的數(shù)學模型，得到一系列的包含暫升、暫降、中斷、振蕩暫態(tài)、脈沖暫態(tài)、諧波/間諧波、波動的7類基本PQD及其不同組合構成的復雜PQD的總樣本；

其中包含暫升、暫降、中斷、振蕩暫態(tài)、脈沖暫態(tài)、諧波/間諧波、波動的復雜PQD信號s(t)的統(tǒng)一參數(shù)化解析數(shù)學模型公式(1)如下式所示：