[发明专利]基于双向长短期记忆的复杂电能质量扰动分析方法

摘要

本发明公开了基于双向长短期记忆的复杂电能质量扰动分析方法，具体为：采集待检测的电力系统中电压或电流信号若干或者利用数学模型获得7类基本PQD及其不同组合构成的复杂PQD的总样本；样本标注并转化为序列形式，然后样本分为训练集和测试集；构建双向长短期记忆神经网络模型并进行训练；然后进行过拟合判断，如出现过拟合现象则调整超参数，然后重新训练，如此循环，直至未出现过拟合；使用再次训练好的神经网络模型进行PQD判断，输入数据为信号序列数据，输出数据为序列中每一个数据所对应的电能类型。本发明解决了现有技术中存在的识别准确率低、实现过程复杂、实时性差，无法对扰动起止时刻进行精准确定位的缺点问题。

主权项

1.基于双向长短期记忆的复杂电能质量扰动分析方法，其特征在于，具体按照以下步骤实施：步骤1，利用测量仪器采集待检测的电力系统中电压或电流信号若干或者采用公式(1)的数学模型，得到一系列的包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的7类基本PQD及其不同组合构成的复杂PQD的总样本；其中包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的复杂PQD信号s(t)的统一参数化解析数学模型公式(1)如下式所示：其中，δ(t)、A、f₀(t)、θ₁(t)、N、a_n(t)、f_n(t)、ψ_n(t)代表了与幅值有关的扰动：δ(t)为时变函数，A、f₀(t)、θ₁(t)分别为基波信号的幅值、频率、相位，N、a_n(t)、f_n(t)、ψ_n(t)分别代表波动包络分量的个数、n次包络信号的幅值、频率、相位；H、h、b_h(t)、θ_h(t)代表与基波频率有关的整数次谐波扰动：H、h、b_h(t)、θ_h(t)分别代表谐波分量的个数、谐波次数、h次谐波的幅值、相位；K、c_k(t)、f_k(t)、代表与基波频率无关的间谐波扰动：K、c_k(t)、f_k(t)、分别代表了间谐波分量的个数、k次间谐波的幅值、频率、相位；M、α_m、β_m、d_m、f_m、θ_m(t)、τ_m代表了暂态扰动：M、α_m、β_m、d_m、f_m、θ_m(t)、τ_m分别代表了振荡暂态分量个数、m次振荡暂态的起始时刻、终止时刻、幅值、频率、相位、衰减因子；μ(t)为噪声分量；步骤2，样本标注将经步骤1采集到的PQD样本，按照信号中所包含的扰动类型分别进行定义并标注；步骤3，将经步骤2标注的PQD样本转化为序列形式；步骤4，将经步骤3序列化后的样本分为训练集和测试集，其中训练集占总样本70％，测试集数据占总样本的30％；步骤5，构建双向长短期记忆神经网络模型，包括由下到上依次连接的输入部分、隐含层部分以及输出层部分；步骤6，将经步骤5构建好的双向长短期记忆神经网络模型进行训练，每次训练遍历训练集中的每一个训练数据，每次遍历被称为一个世代，使神经网络模型进行多个世代训练，即经过若干个世代，得到训练好的双向长短期记忆神经网络模型；步骤7，过拟合判断使用经步骤6训练好后的双向长短期记忆神经网络模型，用测试集中的80％数据来进行测试，得到数据准确率，然后用剩余20％的测试集数据进行测试，若准确度大幅下降则出现过拟合现象，则调整双向长短期记忆神经网络模型的超参数，然后重新训练双向长短期记忆神经网络模型，训练后再次执行过拟合判断，如此循环，直至未出现过拟合，从而得到泛化性好的双向长短期记忆神经网络模型；步骤8，使用经步骤7再次训练好的双向长短期神经网络模型进行PQD判断，输入数据为信号序列数据，输出数据为序列中每一个数据所对应的电能类型。