[發(fā)明專利]一種基于深度置信網絡的電壓暫降原因識別方法

在審

• 申請?zhí)枺?/td>: 201811488320.0
• 申請日: 2018-12-06
• 公開（公告）號: CN109596942A
• 公開（公告）日: 2019-04-09
• 發(fā)明（設計）人: 王紅;鄭智聰;齊林海
• 申請（專利權）人: 華北電力大學
• 主分類號: G01R31/08
• 分類號: G01R31/08;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于深度置信網絡的電壓暫降原因識別方法，屬于電能質量分析方法技術領域。方法包括對電壓暫降錄波數據及其電壓暫降原因標簽進行數據預處理；搭建受限玻爾茲曼機網絡；對受限玻爾茲曼機進行無監(jiān)督預訓練；用訓練生成的受限玻爾茲曼機搭建深度置信網絡；添加softmax層；對整個網絡進行有監(jiān)督訓練；對生成的模型進行準確率的驗證；對模型輸出的各類別概率進行判斷，自動識別輸入數據對應的電壓暫降原因類型。本發(fā)明利用歷史電壓暫降錄波及其暫降原因標簽對深度神經網絡進行迭代訓練，將監(jiān)測點可能出現的電壓暫降錄波數據輸入訓練生成的模型，就可以得到其對應的電壓暫降原因類型。本發(fā)明對現有的電能質量監(jiān)測系統(tǒng)是一大補充，具有十分重要的現實意義。

技術領域

本發(fā)明涉及一種基于深度置信網絡的電壓暫降原因識別方法，屬于電能質量分析方法技術領域。

背景技術

隨著工業(yè)與信息社會的迅速發(fā)展，社會各界對電能質量的要求也不斷提高。電壓暫降是電力系統(tǒng)中難以避免且最容易引起敏感工業(yè)用戶經濟損失的電能質量擾動事件之一。隨著可調速電機和精密控制設備等敏感設備的大量使用，電壓暫降造成的損失甚至可以與停電事故相提并論。近年來，國內外專家們圍繞電壓暫降的特征提取、原因分類、原因定位、監(jiān)測、敏感設備耐受能力等方面展開了大量研究并取得了很多成果。在現有的研究基礎上，本方法主要對電壓暫降原因識別進行深入研究。正確分析并識別電壓暫降原因不僅有助于提出針對性的抗干擾方案，從而有效降低其帶來的影響，而且有助于界定電壓暫降事故中供用電雙方各自的責任，作為合理解決相關糾紛的重要依據。

造成電壓暫降的根本原因是電原因阻抗分壓的增加，引起電壓暫降的擾動原因主要有系統(tǒng)短路故障、大型感應電動機啟動、變壓器投切等單一電壓暫降原因及其之間相互影響而構成的復合電壓暫降原因，不同電壓暫降原因的信號具有明顯不同的特性。因此，如果能夠對電壓暫降的歷史錄波數據及其電壓暫降原因標簽進行分析，挖掘其中隱藏的變化規(guī)律，便可以準確識別電壓暫降事件的暫降原因。

目前，學者們對電壓暫降原因的識別主要是針對單一電壓暫降原因，識別過程包括特征提取和模式識別兩個環(huán)節(jié)。其中，特征提取是采用時域、頻域和變換域等信號處理或數理統(tǒng)計理論對電壓暫降信號進行變換和重構，并從中提取有效的特征，常用方法包括快速傅里葉變換、小波變換、希爾伯特—黃變換、S變換等；模式識別利用機器學習的相關分類算法設計分類器，用于確定擾動信號樣本所屬的暫降原因類別，主要方法包括主成分分析約簡、支持向量機、神經網絡、遺傳算法等。

在實際電網中，由多種電壓暫降原因相互作用而成的復合電壓暫降原因識別成為了一大難點。國內外關于復合電壓暫降原因分類的研究還不多，主要采用傳統(tǒng)解決單一暫降原因分類識別的方法來處理復合電壓暫降問題。陳麗等采用改進S變換的方法對復合電壓暫降原因進行識別，盡管比標準S變換在電壓暫降原因分類識別上效果更好，但是該方法僅僅針對部分復合電壓暫降原因引起的電壓暫降，泛化能力不足。

同時，隨著電網設備的復雜化和用電模式的區(qū)域化，電力系統(tǒng)中很難再對復雜時間序列數據建立精確且通用的數理統(tǒng)計模型，特征提取過程的信息丟失和分類模型的過度復雜也使得現有方法的缺陷日益凸顯。大數據時代背景下，基于數據驅動的方法則備受青睞，其不依賴物理模型的特性有效地彌補了基于數理模型的不足。深度學習便是一種基于對數據進行表征學習的方法，其特征學習和分層特征提取的高效算法能夠克服人工獲取特征的問題。經過多年的實際運行，電能質量智能信息系統(tǒng)已經累積了大量的電能質量電壓暫降事件記錄，這為深度學習在電能質量中的應用提供了良好的數據支撐。

區(qū)別于傳統(tǒng)算法提取特征的方式，本文將引入深度學習算法中的深度置信網絡對電壓暫降原因進行分類識別。通過構建受限玻爾茲曼機自動提取各電壓暫降原因波形的固有抽象特征參數，采用softmax函數進行多標簽分類的識別，接著確定損失函數作為網絡目標來指導學習過程，并用帶暫降原因標簽的歷史電壓暫降錄波數據對搭建好的網絡進行迭代訓練。最終生成的模型能夠根據暫降事件的錄波數據自動識別其對應的電壓暫降原因，同時也能克服人工特征選取容易原始丟失信息、分類模型過于復雜以及傳統(tǒng)神經網絡訓練時收斂速度慢、容易限于局部最優(yōu)的問題。