基于数据关联性分析的工业用户电能质量特征识别

随着电力电子型用电设备的大量使用，电网公共连接点上干扰源用户的类型和数量越发增多，使得其电能质量扰动指标特征和时空特征更为复杂。针对目前电能质量监测装置难以对每条馈线上各终端用户均实现专门监测，且无法识别馈线上多个用户各自电能质量特征等问题，提出一种基于多源数据关联分析的工业用户电能质量特征识别方法。首先，以指标限值和累积分布图拐点为依据，提取监测点电能质量时间序列的超标和波动的数值及其时段，得到谐波关键指标、电压偏差、负序电压不平衡度等指标的扰动时序数据；其次，提出一种基于导数动态时间弯曲的时序距离计算方法，分析扰动时段下监测指标与工业用户用电数据的相关性，依据不同指标关联度识别用户的电能质量特征；最后，基于多类型干扰源仿真和实测算例，验证所提方法的可行性，可实现不同工业用户的电能质量特征识别。     

基于最大互信息的干扰源类型识别及电能质量需求画像技术

干扰源类型的准确识别以及电能质量治理需求的直观刻画,是电力公司开展“基础性+增值性”有偿电能质量新业务的关键。文中提出基于最大互信息的干扰源类型识别及电能质量需求画像技术。首先,以用户用电水平特征与电能质量特征之间的相关性为基础,提出基于最大互信息的干扰源类型识别方法;然后,基于电能质量监测数据,构建了一套完整的需求画像标签体系,为干扰源电能质量需求画像技术研究提供了数据基础;最后,提出电能质量发射水平和综合用电水平特征的统一量化方法,构建了综合用电水平-电能质量发射水平图,实现了干扰源电能质量治理需求程度的直观刻画。应用中国东部某大型城市的实测数据和双馈风机实验平台,验证了所提方法的正确性和有效性。     

基于多特征融合的卷积神经网络的电能质量扰动识别方法

电能质量扰动的识别是电力系统故障预警与识别的重要手段。电网中,变压器系统存在的电能质量扰动通常为叠加扰动波形。为提高扰动智能识别框架的准确度,提出了一种基于多特征融合卷积神经网络（multi feature convolution neural network,MFCNN）的电能质量扰动的识别模型。提出的MFCNN模型具有2个子模型,将原始的时域数据和经过快速傅里叶变换（fast Fourier transform,FFT）所得频域数据分别作为2个子模型的输入,通过对时域、频域信息的特征融合来实现复杂扰动信号的识别;利用多组电能质量叠加扰动数据,训练传统机器学习模型和MFCNN模型,对比不同模型对电能质量扰动识别的准确率,验证MFCNN模型的有效性。实验结果表明,MFCNN模型对于7种扰动信号的识别准确率均可达到91.6%以上,其中,谐波和陷波叠加扰动信号的准确率为92.9%,具有更强的识别能力。     

基于区块链与安全计算的电能质量扰动分析方法

电力系统中的非线性特性极易引起电能质量扰动，破坏电网运行的稳定性。现有电能质量扰动分析方法大多将采集到的电信号传输到中心服务器进行统一存储，提取统计特征并利用机器学习构建模型。然而，在真实环境中存在隐私保护弱、设备环境复杂、模型过度依赖人工经验等问题。为此，提出了一种基于区块链与安全计算的电能质量扰动分析方法。首先，构建基于智能合约与联邦学习的私有链来保护数据隐私，通过无证书加密保障设备的身份可信，其次，利用基于Paillier密码体制的模型参数同态加密保护深度学习过程中的梯度安全，并建立基于变分模态分解与长短期记忆网络的电能质量扰动异常分析模型，以弥补传统统计特征建模的覆盖率与准确率不足。在真实搭建的微电网下的实验结果表明，该方法能够兼顾隐私性、可用性、安全性与精确性。     

基于多层特征融合注意力网络的电能质量扰动识别方法

针对复杂电网环境下电能质量扰动特征冗余、分类精度低的问题,经过多层卷积神经网络逐层获取电能质量扰动信号低维到高维特征信息,引入特征注意力机制构建多特征融合层消除特征冗余,提升扰动信号关键特征关注度,并加强扰动信号的局部特征与全局特征的提取,提高模型泛化能力进而提高扰动分类精度,据此提出基于多特征融合注意力网络的电能质量扰动识别方法。仿真结果显示,所提方法不仅在单一扰动、复合扰动下能有效辨识电能质量扰动,而且能有效克服噪声干扰对模型的影响,相比主流扰动分类方法提取的特征辨识度更高、模型抗噪性更强。     

基于稀疏自动编码器深度神经网络的电能质量扰动分类方法

针对智能电网日益突出的电能质量扰动问题,提出了一种基于稀疏自动编码器(SAE)深度神经网络的电能质量扰动分类方法。利用SAE对电能质量扰动原始数据进行无监督特征学习,自动提取数据特征的稀疏特征表达;通过堆栈式稀疏自动编码器(SSAE)进行逐层学习,获得电能质量扰动数据的深层次特征;将其连接到softmax分类器进行微调训练,并输出电能质量扰动事件分类结果。利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的抗噪声能力。仿真结果表明,所提方法能够准确地识别包含2种复合扰动在内的9种电能质量扰动信号,并且具有很好的鲁棒性。     

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。 提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。     

电能质量扰动数据特征的最优分辨率提取

该文针对电能质量扰动特征提取中因海森堡不确定带来的分辨率不足问题,提出基于联合基分解的电能质量扰动数据表达方法,给出联合基构造条件,设计一个时频联合基。联合基分解的求解采用贪婪算法实现。该文方法实现海森堡不确定约束下电能质量扰动数据中各扰动成分的最优分辨率表达,并在此基础上根据IEEE标准定义提取电能质量扰动特征。此外,分析该方法的抗噪声能力,讨论联合基分解的计算复杂度。理论分析、仿真与实验、各类方法对比证明,该方法能够准确提取复杂、快速以及不规律的实际电网电能质量扰动特征,展示了该方法在未来智能电网电能质量数据处理领域的良好应用前景。     

数据驱动电能质量分析现状及其支撑技术与展望

随着多能源互补协调、电力市场建设、数据资源获取的便捷与廉价,大能源系统给传统电能质量领域带来了挑战。针对该问题,围绕利用电能质量数据辅助电能质量以外领域进行决策支持的研究现状进行了概述;针对多样化数据处理、海量电能质量扰动数据评估、计及电能质量的电力交易等要求,指出数据融合技术、大规模分布式计算技术、信息物理融合系统、区块链技术等支撑技术,并从中央处理器-图像处理器联合计算平台、融合“信息-物理-社会”系统多源数据电动汽车充电负荷建模、人工智能技术以及基于客户画像的电能质量监测信息平台4个方面对数据驱动电能质量分析进行了展望。     

配电物联网电能质量复合扰动检测研究

传统的电能质量复合扰动检测方法无法准确获取电能质量特征,电能数据滤波效果不理想,导致其存在识别率低、检测偏差大和检测效果差的问题。提出配电物联网电能质量复合扰动的检测方法。建立离散非线性系统和强跟踪滤波器,将其应用在配电物联网中,提取电能质量复合扰动特征;选取基波幅值的最大值和最小值、波动次数、渐消因子频度作为扰动特征,并将提取的特征输入支持向量机中,完成配电物联网电能质量复合扰动的检测。实验结果表明,所提方法可有效识别电能质量复合扰动,其检测结果偏差较小,且可精准获取电能质量复合扰动在配电物联网中的发生时刻和结束时刻,验证了所提方法的整体有效性。     

基于深度学习的复合电能质量扰动识别方法

精准的电能质量扰动识别是对电能质量扰动事件发生后需要解决的主要问题之一,这对划分责任和加快电力市场化进程均具有重要意义,而海量的电能质量监测数据则为电能质量扰动识别提供了条件与机遇。不同的电能质量扰动类型,其电气特征上也存在区别,故可利用不同电能质量扰动波形之间的差异来区分电能质量扰动类型。结合深度学习理论,建立一种基于双向独立循环神经网络的复合电能质量扰动识别方法,通过提取电能质量扰动信号的本质特征量,建立输入序列与输出序列之间的内在对应关系,克服了分析结果对物理特征量的依赖性,提升了电能质量扰动识别准确率。实验结果表明,所提方法可以有效应对复合电能质量扰动的多样性问题,可以直接从原始的底层数据中自主学习复合电能质量扰动信号中所隐藏的本质特征量,识别准确率高。     

基于可调品质因子小波变换和随机森林特征选择算法的电能质量复合扰动分类

针对电能质量复合扰动分类的复杂性,提出了基于可调品质因子小波变换(tunableQ-factorwavelettransform,TQWT)和随机森林特征选择算法的电能质量复合扰动分类方法。首先利用TQWT分解扰动信号,以减弱扰动分量间的耦合性,并使用提出的筛选方法选取最优子带并提取时域和频域特征;然后基于随机森林算法计算特征重要性,通过序列前向选择法去掉不相关特征和冗余特征,得到对应每种扰动标签的最优特征集;最后训练生成随机森林多标签分类模型,根据输出标签的组合得到扰动类别。仿真数据实验表明,该方法能够准确高效识别23类扰动,且抗噪能力强,提高了含暂降、含中断的复合扰动的分类准确率。并以实测数据实验证明了方法的可行性。     

基于卷积-长短期记忆网络的电能质量扰动分类

为了提高电能质量扰动分类准确率,针对扰动信号时序性的特点,采用了基于卷积-长短期记忆网络的电能质量扰动分类方法。首先,将扰动信号进行采样作为输入。然后,通过卷积神经网络(CNN)提取特征数据,再对提取到的特征数据以序列的形式作为长短期记忆网络(LSTM)的输入,对特征数据进行筛选更新。最后,再对输出的特征数据进行学习分类。仿真结果显示,该方法对电能质量扰动信号的平均分类准确率为99.6%,优于单一的CNN法和单一的LSTM法。     

复杂电能质量关联扰动模式的可拓挖掘方法

在复杂电网环境下,监测系统检测到的多个电能质量扰动事件可能在因果时空等方面具有关联性。为全面深入解释扰动事件和扰动过程的内在关系,获得更全面的电能质量诊断信息,提出复杂电能质量扰动模式的概念,建立了挖掘电网中可能存在的复杂电能质量扰动模式的方法。根据扰动形成机理,给出4种基本事件关联类型;将可拓学理论引入扰动模式挖掘领域,建立电能质量扰动可拓学模型,构建事件发展相关网、扰动传导蕴含系、因果关系链及时空分层演绎图等4种复杂电能质量扰动模式挖掘方法,给出具体的挖掘步骤和挖掘算例。算例结果表明,提出的可拓学建模方法能够形式化描述电能质量问题及其复杂的逻辑关系,挖掘方法简便直观,可操作性强。     

基于数据驱动的多污染模式电能质量耦合性评估

为量化电网中不同电能质量变化规律下节点间扰动的相互影响,提出一种基于数据驱动的多污染模式电能质量耦合性评估方法。首先,利用频域分解构建周期性和随机性变化扰动模式,根据扰动的变化趋势和严重性,通过考虑局部极值点的分段线性拟合提取扰动模式特征。其次,提出模式距离度量法对各扰动模式特征实施模式匹配,分析不同模式下节点间扰动时间序列的耦合性,确定系统节点间扰动的相互影响。最后,采用IEEE 14节点系统进行仿真算例分析,通过对比常用的时间序列模式匹配方法,验证了所提方法的准确性和适用性。     

基于ITD分解和孪生支持向量机的电能质量扰动识别方法研究

电能质量扰动信号的识别与分类是电能质量分析、评估和治理的基础和关键。针对电能质量扰动信号种类复杂、识别速度慢且准确率低等问题,提出一种基于ITD分解和孪生支持向量机的电能质量扰动识别方法。首先,对电能质量扰动信号做ITD分解,得到一系列固有旋转分量(PRC),并通过云模型的熵和超熵筛选出有效的PRC分量,减少特征冗余;其次,计算有效的PRC分量的模糊熵和能量熵,并根据模糊熵和能量熵求得混合特征矩阵;最后,基于混合特征采用麻雀优化的孪生支持向量机对扰动信号进行分类。仿真分析结果表明,该方法能识别多种电能质量扰动信号,且提高了对单一电能质量的识别准确率,进而为电能质量的分析、评估和治理提供辅助决策,以进一步提高供电质量。     

基于一维卷积神经网络多任务学习的电能质量扰动识别方法

传统电能质量识别需要先用信号处理技术提取信号特征,且已有的多分类和多标签分类建模方式没有很好地反映多重扰动和单扰动之间的标签关联性,使得复合扰动分类的鲁棒性和抗噪性能不理想。针对这些问题,提出了一种基于多任务学习的一维卷积神经网络模型来识别各种电能质量扰动。此结构去除了传统方法的信号特征提取阶段,将扰动分类任务分成四个子任务,设计了相应的标签编码方案,最后输出一个10维标签向量完成多任务分类。仿真结果表明,该方法在不同信噪比时均具有较好的识别准确率,表明此模型具有较强的鲁棒性和抗噪声能力。同时,多任务分类相比One-hot多分类和多标签分类准确率更高,表明了该建模方式的有效性。     

基于Hoeffding Tree的电能质量在线扰动分类

为满足电能质量扰动事件的在线分类需求,提出了一种基于Hoeffding Tree的电能质量扰动在线分类方法。对电能质量在线扰动分类中的关键技术进行了研究,提出用小波变换和离散傅里叶变换相结合的判别方法检测电能质量扰动,该算法采用自适应滑动数据窗算法,能够根据扰动持续时间提取完整的扰动事件。以小波信号能量以及基波有效值构成特征向量,利用Hoeffding Tree算法构建增量式分类训练模型。仿真结果表明,所提方法的准确度和效率均满足电能质量扰动事件在线检测和分类的要求。     

基于S&TT变换与PSO-SVMs的电能质量混合扰动识别

针对电能质量混合扰动复杂,扰动特征间存在交叉、难以识别的问题,文章提出一种电能质量混合扰动快速识别方法。建立了15种电能质量扰动信号数学模型,并运用S变换和TT变换提取扰动信号的60个特征量,经过PCA降维处理获得特征集主元;引入PSO算法优化支持向量机的惩罚因子和核函数参数,构造一对多支持向量机分类器以识别电能质量暂态扰动的类型;最后,基于Matlab生成扰动信号数据并建立PSO-SVMs分类器,仿真实验结果证明了该方法的可靠性和鲁棒性。     

开放式电能质量综合监测系统的研究

针对现有电能质量监测系统的不足,提出了开放式电能质量综合监测系统的构想,基于IEC 61970和IEC 61850的电能质量数据建模,采用模型驱动架构方法进行开发,提供遵循标准的通用服务接口共同实现。首先叙述了开放式电能质量监测系统的概念,其次从系统的组成、设计思想和实现方案三个方面进行了阐述,最后分析了系统建设中存在的安全问题。