[发明专利]一种电能质量扰动分类方法

说明书

本发明针对电能质量扰动识别困难的问题，提出一种基于迁移学习的电能质量扰动分类方法。本方法将ImageNet数据集作为源数据集，首先，通过AlexNet卷积神经网络模型提取电能质量扰动波形的固有抽象特征；然后，将训练过的AlexNet卷积神经网络模型进行迁移学习，建立新的AlexNet卷积神经网络模型，对电能质量扰动波形信号的分类。并通过matlab建立大量的单一扰动和双重扰动波形信号，对迁移后的经电能质量扰动波形信号训练过的AlexNet模型进行训练和测试。实验结果表明，本文迁移学习方法对电能质量扰动具有良好的分类准确性和抗噪性。

技术领域

本发明涉及一种电能质量分析方法，具体为一种电能质量扰动分类方法。

背景技术

随着我国电力工业的飞速发展、电力体制改革的深入和电力市场的逐步开放，电力部门越来越重视电力系统的安全性和经济性。电能质量的好坏，直接影响着电力系统的安全稳定与经济运行，也时刻影响着工农业高效稳定的生产以及其他工业设备的安全运行。然而随着智能电网的发展，分布式发电单元和非线性负荷日益增多，导致电网发生各种电能质量扰动问题，给用户带来了极大的不便，电能质量扰动成为目前配电网研究的热点之一。电力系统中电能质量扰动种类繁多，受噪声影响，而且还可能多种扰动负荷，导致电能质量扰动分类难度很大。电能质量扰动的准确识别，是进行电能质量分析与评估的前提和基础，为配电网中电能质量的管理和治理提供辅助决策。

电能质量扰动识别过程包括特征提取和模式分类两个环节。特征提取是指对信号波形进行变换，再提取出能反映扰动事件的特征量。常用的特征提取方法包括：离散傅里叶变换(discrete Fourier transform,DFT)、短时傅里叶变换(short-term Fouriertransform,STFT)、小波变换(wavelet transform,WT)、希尔伯特-黄变换(Hilbert-Huangtransform,HHT)、S变换、Kalman滤波等。DFT只能分辨频域，可用于分析稳态扰动，不能分析短时扰动；STFT的窗口固定，时频分辨率也固定，不适合分析暂态扰动信号；WT在低频部分具有较高的频率分辨率和较低的时间分辨率，在高频部分则具有较高的时间分辨率和较低的频率分辨率。因此，WT具有自适应性，可同时获得时间与频率信息，尤其是信号中的突变信息，但是WT对低频扰动不能进行很好的检测，而且其运算量大，满足不了实时性检测的要求；HHT抗噪性能较好，对于非线性，非平稳信号有着较强的处理能力,能够准确的得到信号的时间-频率-能量的分布特征，但存在边界效应；S变换免去了窗函数的选择，并改善了窗宽固定的缺点，具有良好的时频分析特性，结果更加直观，而且抗噪性能好，是目前应用最多的特征提取算法，但是扰动信号经S变换分解后的信息量太大，特征选择提取操作困难，而且其时频分辨率较低，使得特征提取精度受到限制；Kalman滤波敏感性差，在幅值较小时，难以实时识别幅值的状态跳变。模式分类用于确定扰动所属类别，主要方法有：决策树(decision tree,DT)、人工神经网络(artificial neural network,ANN)和支持向量机(support vector machine,SVM)等。DT结构简单，模拟人类的逻辑思维实现分类，易于理解，分类效率较高，但是其分类准确率依赖于特征子集以及分类阈值的选取，而且容易发生过拟合；ANN能学习和存贮大量输入-输出模式映射关系，而无需事先了解描述这种映射关系的数学方程，但是需要大量的训练样本，而且训练时间长，易陷入局部最优；SVM基于统计学习理论，是一种解决样本数量少、非线性及高维样本的模式识别问题的机器学习方法，其克服了人工神经网络易陷入局部最优解和训练时间长的缺点。

上述电能质量复合扰动分类算法特征提取多采用数学变换的方法，步骤繁琐复杂、计算量大，而且容易致使原始信号部分特征丢失；分类器的识别精度不够理想，并且训练样本较少，导致识别精度不理想；研究对象大多集中于单一电能质量扰动信号，而实际电力系统中电能质量扰动往往是多种扰动组成的复合扰动，传统方法易出现特征重叠、特征失效和分类精度下降等问题，针对复合扰动识别问题的研究还未成熟。

发明内容