装备电力系统电能质量复合扰动识别方法研究

为了提高装备电力系统复合电能质量扰动(PQD)识别能力,提出了构建组合特征集用以全面表征装备电力系统电能质量复合扰动的粒子群优化(PSO)极限学习机(ELM)分类新方法。首先,结合S变换和经验模态分解(EMD)两种特征提取手段,构建组合特征向量集,对复合扰动信号特征边界区分更加明显;然后,优化ELM隐含层神经元数目,平衡其分类的实时性和准确性,在PSO适应度函数与ELM训练误差之间建立联系,设置了PSO初始参数,完成了分类器设计。经装备电力系统实测数据验证,该方法对7类典型装备电力系统电能质量复合扰动信号能够准确识别,且对噪声不敏感,相较于单独使用的ELM,显著地减少了训练及分类时间,进一步提高了分类的准确性。     

基于双通道GAF和深度残差网络的电能质量复合扰动识别

针对传统电能质量扰动(power quality disturbances,PQDs)识别过程中存在的信号特征提取复杂、算法识别能力不足和复合扰动区分困难等问题，提出了一种利用格拉姆角场(Gramain angular fields,GAF)和深度残差网络(residual network,ResNet)进行复合扰动识别的方法。首先对一维时间序列PQDs信号进行标准化与极坐标编码，然后采用双通道GAF方法保留信号时序特征并映射成为二维图像，形成信息充足、特征明显的双通道图像训练集，在此基础上利用ResNet进行深层次的特征提取，构造适用于复合PQDs分类的网络框架。仿真实验表明该方法特征提取能力强，且抗噪性能好，并且对复合扰动识别率高。     

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。     

基于特征图像组合与改进ResNet-18的电能质量扰动识别方法

针对传统电能质量扰动(power quality disturbance,PQD)识别体系中单一图像特征信息受限与算法识别能力不足等问题,依据特征融合的思想,提出一种基于特征图像组合与改进ResNet-18的PQD识别方法。首先,对PQD信号进行变分模态分解(variational mode decomposition,VMD)得到一系列固有模态函数(intrinsic mode functions,IMFs)与残差分量;其次,将IMFs、残差分量、原始扰动信号与Subtract分量纵向拼接成分量矩阵,利用信号-图像转化方法生成特征分量彩色图;再次,对原始扰动信号进行连续小波变换(continuous wavelet transform,CWT)生成小波时-频图;最后,将特征分量彩色图与小波时-频图组合输入改进的六通道ResNet-18中训练学习并完成扰动识别。通过仿真对PQD识别方法进行分析并将其与目前常用识别体系进行比较。结果表明,所提方法具有较好的抗噪性能并且能够更好地提取PQD特征信息,达到更高的识别准确率。     

基于MSD-Transformer的电压质量扰动分类方法

随着新型电力系统中的电压质量扰动（power quality disturbance,PQD）的日益复杂化,传统的分类方法面临着巨大挑战。为提升复杂PQD分类准确性,提出了一种基于多分辨率信号分解（multi-resolution signal decomposition,MSD）和Transformer模型的电压质量扰动分类算法。首先通过MSD对PQD信号进行信号分解,获取其时频特性;然后将信号分解结果输入Transformer模型,利用其多头注意力机制对特征进行高阶特征提取;在此基础上,通过softmax函数实现PQD信号的准确分类。在算例实验中,选取8种单一扰动信号和6种复合扰动信号,共计14种扰动源进行分类实验。实验结果表明,该方法不仅可以对上述PQD信号进行准确分类,而且还展现了在噪声环境中的强大鲁棒性。与传统方法相比,该方法大幅缩短了模型训练时间,显著降低了对专家经验的依赖,实现了PQD分类的高度自动化,为电压质量管理提供了一个高效、可靠的PQD分类方法。     

基于二维离散余弦S变换的电能质量扰动类型识别

为获得可靠的高质量电能,提高电能质量扰动(Power Quality Distrubances, PQD)类型识别准确率,提出了一种基于二维离散余弦S变换(2D-DCST)的PQD类型识别方法。首先在数学模型的基础上,生成包括7种复合扰动在内的17类不同的电能质量事件。然后将一维的PQD信号转换成行列相等的二维信号,利用2D-DCST方法从二维信号中得到其振幅矩阵,对振幅矩阵提取基于统计、能量和图像的特征。再使用第二代非支配排序遗传算法(NSGA-Ⅱ)将提取的大量特征降维成少量有用的特征组。最后对所选特征使用支持向量机(SVM)分类器,构建一个分类准确率高、特征数目少的类型识别模型。实验结果表明,该方法能够准确高效地识别17类电能质量事件,并且有较好的抗噪性。同时对复合扰动也有较高的识别准确率,为电能质量扰动类型识别问题提供了新的方法。     

基于S变换和IWOA-SVM的复合电能质量扰动识别

针对目前复合电能质量扰动（PQD）信号特征冗余,分类识别准确率低的问题,提出了一种基于S变换和改进鲸鱼算法支持向量机（IWOA-SVM）的复合电能质量扰动识别方法。首先,利用S变换对7种单一电能质量扰动和生成的13种复合扰动信号进行时频分析,使复杂扰动信号的特征得以凸显。设计特征提取方法,从实频矩阵中尽可能地获取便于分类的信号特征信息;其次,引入自适应权重因子和随机差分变异策略对WOA进行优化,提升其搜索能力;最后建立IWOA-SVM分类预测模型,优化SVM高斯核函数参数,以获得更好的鲁棒性和泛化能力,对提取的特征样本进行自动分类和识别。实验结果表明,所提方法分类识别准确率高,能有效识别多种复合PQD信号,有助于评估与治理电能质量问题。     

基于分段改进S变换和随机森林的复合电能质量扰动识别方法

各类分布式设备和智能设备接入电力系统,使得电力系统对电能的波动越来越敏感,这导致对电能质量扰动(PQD)的识别和处理变得越来越重要。通过将分段改进S变换(SMST)和随机森林(RF)算法相结合,提出了一种用于复杂噪声环境下PQD识别的新方法。首先,基于检测误差和峰度对SMST的不同频段进行分别调参,并使用SMST提取待检测信号的75种时频特征,构成原始特征集。然后,改进分类回归树(CART)的节点分裂过程,加入了离散值处理策略并使用Gini指数的下降作为新的节点分裂规则。同时,在下次节点分裂前,将基尼指数下降值为零的特征从特征集中删除。最后,使用改进的CART算法构建了RF分类器并对复合PQD信号进行分类。实验证明,在不同的信噪比条件下,新方法均能有效识别多数单一PQD信号和常见的双重复合PQD信号。虽然新方法在运行效率方面仍有一定的改进空间,但其在不同层面上的改进均能有效提升PQD识别精度,且平均分类精度明显高于各类传统PQD识别方法。     

基于ISSA-XGBoost的电能质量扰动识别方法研究

针对传统电能质量扰动(power quality disturbances, PQDs)识别中特征提取有冗余,识别精度不高等问题,提出了一种基于改进麻雀搜索算法(improved sparrow search algorithm, ISSA)优化特征选择和极致梯度提升(eXtreme gradient boosting, XGBoost)的电能质量扰动识别方法。首先对电能质量扰动信号进行S变换,提取61种电能质量特征。再通过ISSA同时选择最优特征子集和XGBoost中最优参数,剔除冗余特征,提高识别精度。最后根据优化后的最优特征子集和XGBoost实现电能质量扰动的识别。仿真结果表明,所提出的方法能有效选择最优特征子集,对噪声环境下的19种电能质量扰动信号进行高效识别,并且具有较高的识别精度。     

基于马尔可夫转移场和深度残差网络的电能质量复合扰动多标签分类

现代电力系统的电能质量扰动逐渐复杂化和多样化,传统的分类方法难以适应复杂多样的扰动变化。依据神经网络进行识别分类的研究都采用传统的单标签分类方法,当出现标签集以外的复合扰动,该分类方法将无法使用。若要更新扰动标签集,则需要整个分类模型重新训练。因此,该文利用深度残差网络构建一种适应能力更强的多标签分类系统,该系统能够准确识别训练样本标签集以外未知标签组合的电能质量复合扰动(power quality disturbances,PQDs)。首先利用马尔可夫转移场(Markov transition field,MTF)将一维时域扰动信号转换为二维可视化图像,利用深度残差网络(ResNet)建立9个二分类器提取二维图像中涵盖的扰动特征。通过9个二分类器构成的多标签分类系统进行扰动分类,其训练样本标签集内分类正确率可达97.58%,掺杂标签集外的扰动信号平均正确率可达97.67%,远高于同级别的分类系统。     

基于TiCNN-DRSN模型的sEMG手势识别算法的研究

基于表面肌电信号和模式识别的手势识别方法在康复手领域中具有广阔的应用前景。提出一种基于表面肌电信号的手部姿势识别方法,以预测手部的52种动作。为解决表面肌电信号易受干扰的问题,提高对表面肌电信号的分类效果,提出了TiCNN DRSN网络,主要作用是在拥有噪声的情况下能够更好的识别率,减少滤除噪声的时间。TiCNN网络使用卷积核Dropout和极小批量训练,为卷积神经网络引入训练干扰并且增加了模型的泛化性;DRSN网络可以有效的剔除sEMG信号中的冗余信号,减少信号噪声干扰。TiCNN DRSN网络在不需要任何降噪预处理的前提下,取得了很高的抗噪与自适应性能。本模型在Ninapro数据库上的识别率达到97.43%±0.8%。     

基于深度学习融合网络的含噪电能质量扰动识别方法

针对强噪声环境下电能质量扰动识别精度不高的问题,提出一种自适应小波降噪和深度学习相结合的电能质量扰动识别方法。首先,通过改进峰和比分层自适应阈值和能量优化的阈值函数算法对含噪扰动信号进行降噪处理。然后,通过残差神经网络对降噪后的扰动信号进行深层特征提取,在此基础上融入多头注意力机制下的双向长短时记忆网络,建立时序特征依赖关系,构成适用于噪声环境下的扰动识别框架。最后,在不同强度噪声环境下对20类扰动信号进行仿真实验。由仿真结果可知,该方法具有良好的噪声鲁棒性,在不同噪声环境下均有较高的识别正确率。     

基于小波分解和数据挖掘中决策树算法的电能质量扰动识别方法

针对短时电能质量变化和暂态扰动现象的不同特点,提出了一种基于小波分解和数据挖掘中决策树算法的电能质量扰动(power quality disturbance,PQD)识别方法。建立了正弦信号和6 种常见PQD 信号的数学模型,通过小波分解得到了上述信号的特征量,结合决策树方法实现了对PQD 的自动分类,并通过合理选择小波类型、分类算法和去噪方法提高了PQD 的分类精度。实验结果验证了该识别方法的准确性和高效性。     

基于SPWVD图像和深度迁移学习的强迫振荡源定位方法

强迫振荡扰动源的准确定位是消除强迫振荡、恢复电力系统正常运行的关键。文中提出一种基于平滑伪Wigner-Ville分布(SPWVD)图像和深度迁移学习的强迫振荡扰动源定位方法。首先对强迫振荡信号采用SPWVD方法以图像形式表征全网强迫振荡特征信息,然后通过深度迁移学习将其他领域的图像识别知识迁移到电力系统领域,挖掘振荡图像与扰动源位置之间的联系,在保证训练准确度的同时,提升了训练效率。在WECC 179节点系统中的算例验证了该方法的有效性,并且相比于传统机器学习方法具有准确率高的优势。此外还考虑振荡数据中的噪声、录波起始时间以及数据长度验证了所提方法的准确性和抗噪性,并在由负荷引发的强迫振荡和系统拓扑发生变化的情况下,验证了方法的有效性。     

基于深度前馈网络的电能质量复合扰动识别

针对电能质量复合扰动识别中识别准确率不高和泛化性能较差的问题,提出基于深度前馈网络(Deep Feedforward Network,DFN)的扰动识别方法。先在少数重要频率点上对扰动信号作不完全S变换,从得到的时频矩阵中提取多种识别特征,构建和训练三层DFN扰动分类器,并使用Dropout正则化来提高分类器的泛化性能。仿真实验和实测实验表明,文中的方法能够有效识别8种复合扰动在内的共17种扰动类型,并具有很好的抗噪性能和泛化性能。与CART决策树、极限学习机、随机森林等现有方法相比,方法识别准确率更高,鲁棒性更好,具有良好的应用前景。     

基于轻量化网络和知识蒸馏的回转窑工况识别

回转窑烧成带图像蕴含丰富火焰信息,准确识别燃烧状态是回转窑优化控制的前提,基于卷积神经网络的方法可以快速识别回转窑工况,提高回转窑自动化水平,但存在网络规模大,所需计算资源多的问题,为此提出了一种基于轻量化网络和知识蒸馏的回转窑工况识别方法,在网络卷积层后引入协方差池化层改进教师模型和学生模型,以改进的轻量化网络MobilenetV2作为学生模型的主干网络,以改进的Resnet50作为教师模型的主干网络,通过构建混合蒸馏损失函数,将教师模型蕴含的丰富分类标签信息迁移到学生模型中,并将蒸馏训练得到的学生模型作为回转窑工况识别模型,以提高网络对高相似火焰图像的识别精度。实验结果表明,经蒸馏后的学生模型总体识别准确率相较于原始模型提高了3.33%,对测试集中3种工况的识别率分别达到了93%、99%、90%,准确率和模型规模均优于目前其他主流网络模型,满足实际生产中实时、低成本要求。     

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。