一种基于电能质量特征的扰动分类方法与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及电能质量的扰动分类技术领域，特别是涉及一种基于电能质量特征的扰动分类方法。背景技术：2.随着新型电力系统的不断实践与广泛推广、电力电子设备大量应用和电源供给结构的多元化发展，电网电能质量扰动问题频发，扰动特征越来越复杂多变。电压波动、骤降或骤升、谐波等问题可能诱发电力系统中各种设备性能下降甚至出现故障。例如：电压波动可能会导致电力设备的保护装置动作、电动机停转或损坏；谐波则可能会导致电力设备发生过热、噪声和震动等问题。此外，电能质量扰动还会对电力系统的能源传输、分配和控制等方面产生影响，导致电力系统的稳定性下降、效率降低、成本增加。为了更好地监测和分析电能质量扰动，电能质量扰动分类技术应运而生。通过对电能质量扰动进行分类和识别，电力系统运行人员能够及时发现问题，采取相应的措施，保障电力系统的稳定运行，降低电能质量问题带来的经济损失，优化电力系统的调度和运行，提高电力系统的效率和可靠性。技术实现要素：3.本发明的目的在于，提出一种基于电能质量特征的扰动分类方法，如何通过电能质量特征对电能质量扰动进行分类的技术问题。4.一方面，提供一种基于电能质量特征的扰动分类方法，包括：5.获取电能质量扰动数据，将获取的电能质量扰动数据按照预设的扰动类别进行识别，并根据识别结果进行标注对应的标签；其中，所述电能质量扰动数据至少包括电压瞬时值数据；6.识别标注后的电能质量扰动数据中的扰动信号类型，对符合预设的含噪声的扰动信号类型进行去噪处理，并对去噪处理后的电能质量扰动数据进行归一化处理，得到对应的数据集；其中，所述含噪声的扰动信号类型至少包括基频信号、谐波信号及白噪声信号，所述数据集至少包括训练集和测试集；7.将所述测试集作为输入量输入通过所述训练集预先训练的神经网络模型进行识别，得到所述电能质量扰动数据所属的扰动类别。8.优选地，所述预设的扰动类别包括：9.电压暂升，其对应的标签为c1；10.电压暂降，其对应的标签为c2；11.电压中断，其对应的标签为c3；12.电压振荡，其对应的标签为c4；13.电压波动，其对应的标签为c5；14.电压脉冲，其对应的标签为c6；15.谐波，其对应的标签为c7；16.电压暂升及谐波，其对应的标签为c8；17.电压暂降及谐波，其对应的标签为c9；18.电压波动及谐波，其对应的标签为c10；19.电压振荡及电压脉冲，其对应的标签为c11；20.电压脉冲及电压波动，其对应的标签为c12。21.优选地，所述对去噪处理后的电能质量扰动数据进行归一化处理包括：22.根据以下公式对所述电能质量扰动数据进行归一化处理：[0023][0024]其中，x*为归一化处理后的电能质量扰动数据，x为归一化处理前的电能质量扰动数据，min(x)为电能质量扰动数据中样本序列的最小值，max(x)为电能质量扰动数据中样本序列的最大值。[0025]优选地，所述预先训练的神经网络模型包括：[0026]特征提取层、特征处理层和类别映射层；[0027]所述特征提取层采用卷积层对长度为l的序列进行特征提取，同时将维度增加为h，并通过池化层将序列长度缩短至l/2；[0028]所述特征处理层至少包括三层编码器网络，每层编码器网络由多头自注意力网络和前馈神经网络构成；[0029]所述多头自注意力网络用于计算输入序列的特征，其输入序列为一组嵌入向量，并将输入的嵌入向量映射为q、k、v三个向量计算注意力矩阵a；所述前馈神经网络包括至少两个全连接层；[0030]所述类别映射层包括一个反卷积层和一个全连接层，所述反卷积层将数据长度扩展为l；所述全连接层将向量映射到12维的输出空间，并对输出进行softmax归一化，以获得每个类别的概率分布。[0031]优选地，所述嵌入向量通过以下公式表示：[0032]x1：n∈n×d[0033]其中，x1：n为嵌入向量，r为空间中的向量，n为序列长度，d为每个嵌入向量的维度。[0034]优选地，所述多头自注意力网络根据以下公式计算计算注意力权重矩阵：[0035][0036]其中，a为注意力权重矩阵，q为嵌入向量映射的q向量，k为嵌入向量映射的k向量，d为每个嵌入向量的维度，t为注意力机制的缩放因子。[0037]优选地，所述多头自注意力网络还根据以下公式计算向量z：[0038]z＝a·v[0039]其中，a为注意力权重矩阵，v为嵌入向量映射的v向量；[0040]并将向量z与自注意力输出量x连接并进行线性变换：[0041]self-attention(x)＝layernorm(x+zwo)[0042]其中，self-attention(x)为对自注意力输出量x进行线性变换，wo为可训练的权重矩阵，layernorm为归一化层。[0043]优选地，所述前馈神经网络根据以下公式计算自注意力输出量x：[0044]ffn(x)＝gelu(0，xw1+b1)w2+b2[0045]其中，x为自注意力输出，w1、w2、b1、b2为全连接层模型参数，gelu为gelu激活。[0046]优选地，所述神经网络模型根据以下公式计算所述测试集对应的扰动类别的概率数值：[0047][0048]其中，n表示样本数量，即测试集数量，yij表示样本i是否属于扰动类别j，pij＝1表示模型对样本i属于扰动类别j的预测概率。[0049]优选地，所述将所述测试集作为输入量输入通过所述训练集预先训练的神经网络模型进行识别包括：[0050]所述神经网络模型确定所述测试集对应的扰动类别的概率数值，并确定所述扰动类别的概率数值中概率最大的一个扰动类别，将该扰动类别输出为最终的所述电能质量扰动数据所属的扰动类别。[0051]综上，实施本发明的实施例，具有如下的有益效果：[0052]本发明提供的基于电能质量特征的扰动分类方法，首先对原始电能之类扰动数据进行处理，其中包括使用卡尔曼滤波器对样本进行去噪处理，然后使用基于自注意力模型的深度神经网络对数据特征进行提取和分析，最终实现电能质量扰动分类。省去了传统电能质量扰动分类方法中使用傅里叶变换、希尔伯特-黄变换等信号分析工具进行特征提取的步骤，避免了人为选择特征参数可能导致的信息丢失问题，解决了特征提取的计算效率问题，为后期电能质量治理设备，奠定了节省时间的技术基础。在不同噪声水平下都表现出较高的分类准确率，表明该方法在电能质量扰动分类任务中具有有效性，并且对噪声有强鲁棒性和泛化能力。附图说明[0053]为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。[0054]图1为本发明实施例中一种基于电能质量特征的扰动分类方法的主流程示意图。[0055]图2为本发明实施例中一种神经网络模型的示意图。具体实施方式[0056]为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。[0057]如图1所示，为本发明提供的一种基于电能质量特征的扰动分类方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：[0058]步骤s1，获取电能质量扰动数据，将获取的电能质量扰动数据按照预设的扰动类别进行识别，并根据识别结果进行标注对应的标签；其中，所述电能质量扰动数据至少包括电压瞬时值数据；也就是，对电能质量扰动数据处理，对电能质量扰动样本进行分类标注。[0059]具体实施例中，所述电能质量扰动类别及其标签包括七种单一扰动和五种复合扰动。所述预设的扰动类别包括：[0060]电压暂升，其对应的标签为c1；[0061]电压暂降，其对应的标签为c2；[0062]电压中断，其对应的标签为c3；[0063]电压振荡，其对应的标签为c4；[0064]电压波动，其对应的标签为c5；[0065]电压脉冲，其对应的标签为c6；[0066]谐波，其对应的标签为c7；[0067]电压暂升及谐波，其对应的标签为c8；[0068]电压暂降及谐波，其对应的标签为c9；[0069]电压波动及谐波，其对应的标签为c10；[0070]电压振荡及电压脉冲，其对应的标签为c11；[0071]电压脉冲及电压波动，其对应的标签为c12。[0072]步骤s2，识别标注后的电能质量扰动数据中的扰动信号类型，对符合预设的含噪声的扰动信号类型进行去噪处理，并对去噪处理后的电能质量扰动数据进行归一化处理，得到对应的数据集；其中，所述含噪声的扰动信号类型至少包括基频信号、谐波信号及白噪声信号，所述数据集至少包括训练集和测试集；也就是，对含有噪声的原始扰动信号进行去噪处理；对电能质量扰动样本数据进行归一化处理；划分训练集和测试集。[0073]具体实施例中，所述对去噪处理后的电能质量扰动数据进行归一化处理包括：[0074]根据以下公式对所述电能质量扰动数据进行归一化处理：[0075][0076]其中，x*为归一化处理后的电能质量扰动数据，x为归一化处理前的电能质量扰动数据，min(x)为电能质量扰动数据中样本序列的最小值，max(x)为电能质量扰动数据中样本序列的最大值。[0077]具体地，去噪处理过程使用卡尔曼滤波器，定义含噪声的电能质量扰动信号模型，其中观测信号表示为基频信号、谐波信号和白噪声信号叠加的形式；初始化卡尔曼滤波器；利用卡尔曼滤波算法对扰动信号进行迭代处理，包括预测、更新和计算卡尔曼增益。[0078]步骤s3，将所述测试集作为输入量输入通过所述训练集预先训练的神经网络模型进行识别，得到所述电能质量扰动数据所属的扰动类别。也就是，利用所构建的电能质量扰动数据集训练基于自注意力模型的深度神经网络；将待分析的电能质量扰动数据序列输入神经网络，模型自动判别所属扰动类别。[0079]具体实施例中，如图2所示，所述预先训练的神经网络模型包括：[0080]特征提取层、特征处理层和类别映射层；[0081]所述特征提取层采用卷积层对长度为l的序列进行特征提取，同时将维度增加为h，并通过池化层将序列长度缩短至l/2；[0082]所述特征处理层至少包括三层编码器网络，每层编码器网络由多头自注意力网络和前馈神经网络构成；[0083]所述多头自注意力网络用于计算输入序列的特征，其输入序列为一组嵌入向量，并将输入的嵌入向量映射为q、k、v三个向量计算注意力矩阵a；所述前馈神经网络包括至少两个全连接层；自注意力层通过wq、wk和wv将x1：n映射为q、k、v三个向量来计算注意力矩阵a。[0084]所述类别映射层包括一个反卷积层和一个全连接层，所述反卷积层将数据长度扩展为l；所述全连接层将向量映射到12维的输出空间，并对输出进行softmax归一化，以获得每个类别的概率分布。[0085]其中，所述嵌入向量通过以下公式表示：[0086]x1：n∈n×d[0087]其中，x1：n为嵌入向量，r为空间中的向量，n为序列长度，d为每个嵌入向量的维度。[0088]自注意力的计算可以描述为以下三个步骤：所述多头自注意力网络根据以下公式计算计算注意力权重矩阵：[0089][0090]其中，a为注意力权重矩阵，q为嵌入向量映射的q向量，k为嵌入向量映射的k向量，d为每个嵌入向量的维度，t为注意力机制的缩放因子。[0091]具体地，所述多头自注意力网络还根据以下公式计算向量z：[0092]z＝a·v[0093]其中，a为注意力权重矩阵，v为嵌入向量映射的v向量；[0094]并将向量z与自注意力输出量x连接并进行线性变换：[0095]self-attention(x)＝layernorm(x+zwo)[0096]其中，self-attention(x)为对自注意力输出量x进行线性变换，wo为可训练的权重矩阵，layernorm为归一化层。用于规范化每个特征向量的范数，以减小梯度消失的风险。[0097]具体地，所述前馈神经网络根据以下公式计算自注意力输出量x：[0098]ffn(x)＝gelu(0，xw1+b1)w2+b2[0099]其中，x为自注意力输出，w1、w2、b1、b2为全连接层模型参数，gelu为gelu激活。[0100]具体地，所述神经网络模型根据以下公式计算所述测试集对应的扰动类别的概率数值：[0101][0102]其中，n表示样本数量，即测试集数量，yij表示样本i是否属于扰动类别j，pij＝1表示模型对样本i属于扰动类别j的预测概率。所述神经网络模型的训练使用交叉熵损失函数(cross-entropy loss)。其中，所述神经网络模型的训练初始化学习率为0.0001、训练轮次为100，每批训练样本集的大小为128，使用adam随机梯度下降法加速模型参数的更新。[0103]所述模型评价指标包括准确度(accuracy)、精确率(precision)、召回率(recall)，计算公式如下：[0104]准确度：[0105]精确率：[0106]召回率：[0107]其中，c是类别数量，tpi和fpi、fni分别表示第i个类别的真正例、假正例和假反例数量。[0108]具体实施例中，所述将所述测试集作为输入量输入通过所述训练集预先训练的神经网络模型进行识别包括：所述神经网络模型确定所述测试集对应的扰动类别的概率数值，并确定所述扰动类别的概率数值中概率最大的一个扰动类别，将该扰动类别输出为最终的所述电能质量扰动数据所属的扰动类别。[0109]综上，实施本发明的实施例，具有如下的有益效果：[0110]本发明提供的基于电能质量特征的扰动分类方法，首先对原始电能之类扰动数据进行处理，其中包括使用卡尔曼滤波器对样本进行去噪处理，然后使用基于自注意力模型的深度神经网络对数据特征进行提取和分析，最终实现电能质量扰动分类。省去了传统电能质量扰动分类方法中使用傅里叶变换、希尔伯特-黄变换等信号分析工具进行特征提取的步骤，避免了人为选择特征参数可能导致的信息丢失问题，解决了特征提取的计算效率问题，为后期电能质量治理设备，奠定了节省时间的技术基础。在不同噪声水平下都表现出较高的分类准确率，表明该方法在电能质量扰动分类任务中具有有效性，并且对噪声有强鲁棒性和泛化能力。[0111]以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!