[发明专利]基于深度空间残差学习的电能质量扰动分类方法及系统

说明书

本发明公开了一种基于深度空间残差学习的电能质量扰动分类方法及系统，本发明包括将多种类型的电能质量扰动信号输入预先训练好的深度空间残差模型来将获得电能质量扰动信号的分类结果，深度空间残差模型包括：空间残差模块，用于提取空间信息；特征融合模块，主要用于融合输入电能质量扰动信号数据的空间信息和序列信息；特征提取模块用于提取特异性特征；分类模块用于区分出不同类别的电能质量扰动信号得到分类结果。本发明能够自动提取扰动信号特征，不用人工参与设计特征，避免了人工设计特征的繁琐步骤，而且本发明方法具有很好的抗干扰能力以及精准的分类检测能力，在强噪声环境下能够对多种复杂的电能质量扰动信号实现精准的分类。

技术领域

本发明涉及电能质量分析技术，具体涉及一种基于深度空间残差学习的电能质量扰动分类方法及系统。

背景技术

为了实现碳中和的目标，在传统电力系统中整合可再生能源和分布式发电是实现这一目标的重要举措。但是可再生能源和分布式发电带来了新的挑战，这是引起电能质量扰动的主要来源之一。电能质量扰动大致分位稳态和暂态。非线性负载、负荷突变和线路切换均会导致电能质量扰动。例如电力电子变换器的应用在电网中会产生谐波和闪变等扰动。电能质量扰动会导致电网中敏感的电力电子设备故障或失灵。这对电力设备的安全稳定运行造成了严重影响，甚至会降低电力电子的寿命。因此随着敏感的电气设备被广泛使用，对电能质量提出了更高要求。对电能质量扰动准确分类具有重要意义。在电网运行过程中，检测设备会生成大量的扰动信号数据。因此需要能够自动检测和分类各种扰动信号的智能方法。

传统的电能质量扰动分类模型大致包括3个步骤：信息分析，特征设计和分类识别。典型的信息处理方法包括傅里叶变换，S变换，小波变换，希尔伯特黄变换和卡尔曼滤波器。这些方法被广泛应用于电能质量扰动检测，但是他们并不适用于多种扰动信号。例如：傅里叶变换更适用于处理平稳扰动信号，小波变换的表现跟小波基函数的选择有关，选择不同的小波基函数分析结果可能不同。除此之外，这些时频分析方法提取的特征受到强噪声的影响。

传统分类模型的特征设计依赖于工程师的经验。常见的特征包括标准偏差、方差、峰值、中值、均值和熵。但是特征设计并没有统一的标准。特征设计的过多，特征中包含多余的冗余特征，增加模型的运行时间。特征设计的过少，无法精确的表征不同的扰动信号，降低模型性能。除此之外，设计的特征和分类器之间并不存在信息反馈通道，也就是说传统分类检测方法无法根据模型性能表现，反作用于前端的特征设计，自动设计出质量更高的特征。

传统分类模型常用的分类器有支持向量机（support vector machines,SVM）、多层感知机（multilayer perceptron,MLP）、概率神经网络（Probabilistic NeuralNetwork,PNN）、模糊专家系统（Fuzzy Expert System）等方法。但是这些分类器的表现依赖于前端手工设计特征的质量。手工设计的特征能够特异性的表示不同类型扰动信号，分类器就能准确的检测扰动信号的类型。当手工设计的特征不能充分的表征不同类型扰动信号，分类器检测扰动信号类型的性能就会降低。近年来深度学习在机器视觉等众多领域展现了强大的性能。这种智能算法能够自动提取扰动信号的特征，不用人工参与设计特征，避免了人工设计特征的繁琐步骤。深度学习方法能够自动调整模型提的特征，自动选出最优特征，实现电能质量扰动信号的精准分类。

总而言之，传统的电能质量扰动分类模型容易受到强噪声的影响，并且手动设计的特征和分类器之间不存在信息反馈通道，无法根据分类器表现的性能评估提取特征的质量，自动提取最优的特征，实现在强噪声环境下对复杂电能质量扰动信号的精准分类。为复杂电能质量信号手动设计合适的特征进行精准的分类是一项富有挑战性的任务，并且这个过程既繁琐又耗时。因此迫切需要智能的自动化方法实现对电能质量干扰的精准分类，实现扰动信号特征的自动提取。实现对复杂电能质量扰动信号的自动分类检测以及提高模型的抗干扰能力。

发明内容