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。     

基于图卷积神经网络和格拉姆角场的电能质量扰动分类

由于新能源系统的广泛加入,系统中的电能质量扰动数量和种类也相应增加,而传统电能质量扰动（PQD）分类方法存在准确率和效率不高的问题,难以适应现有包含高新能源渗透率的电力系统的电能质量管理。因此,提出了一种基于图卷积神经网络（GCNNs）和格拉姆角场（GAF）的电能质量扰动分类方法。首先,对原始的PQD信号进行归一化和极坐标转化处理;然后采用GAF对不同种类的PQD一维信号进行图形化转换,生成包含不同PQD特征的二维图片;最后,采用GCNNs对不同种类的PQD图片进行训练和分类,实现不同PQD的分类。实验部分采用IEEE-39节点系统仿真并模拟不同种类的PQD曲线,对所提方法进行验证。实验结果表明,所提方法可以自动地进行特征的提取和优化,满足PQD识别和分类的高效性和准确性。     

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。     

基于知识蒸馏与RP-MobileNetV3的电能质量复合扰动识别

针对复合电能质量扰动(power quality disturbance, PQD)识别中特征提取复杂、识别正确率低和模型难以轻量化等问题,提出一种利用递归图(recurrence plot, RP)对PQD信号可视化方法和基于知识蒸馏的模型训练方法。首先,基于RP挖掘PQD信号隐含特征并构建图像数据集,并利用深度残差收缩网络(deep residual shrinkage network, DRSN)对图像数据集进行更深层次特征提取并完成自主分类。然后,基于知识蒸馏(knowledge distillation, KD)让已训练的DRSN指导轻量化网络MobileNetV3进行训练,通过蒸馏实现知识的跨网络传输。最后,仿真实验和硬件实验表明,利用知识蒸馏训练的MobileNetV3能实现高精度且轻量化的复合扰动识别,同时在30 dB噪声环境下正确率能提升1.06%,对实际扰动信号识别效果良好,具有良好的噪声鲁棒性。     

基于GAF与卷积神经网络的电能质量扰动分类

针对在设计电能质量扰动(Power Quality Disturbance, PQD)分类器时人工选取特征过程繁琐并且不够精确的问题,提出一种基于格拉姆角场(Gramian Angular Field, GAF)和卷积神经网络(Convolutional Neural Network, CNN)的PQD分类方法。首先将一维PQD信号映射为二维图像,接着在已有的神经网络基础上构造适用于PQD分类的网络框架。最后将二维图像作为输入,CNN将自动从海量的扰动样本中提取特征并加以分类。仿真结果表明该方法在噪声数据中具有良好的分类性能,是一种行之有效的PQD分类方法。     

基于多特征组合的电能质量扰动识别方法

为解决电力系统电能质量复合扰动识别困难的问题,同时为电网无功功率补偿提供依据,提出了一种基于多特征组合的电能质量复合扰动识别方法。应用小波包变换和S变换对电能质量扰动信号进行时频分析,提取信号的幅值特征和频率特征,构建电能质量扰动的多特征组合。然后利用概率神经网络构建多特征组合分类器实现电能质量扰动的分类识别。仿真实验证明,该方法能够识别包括两种复合扰动在内的7种电能质量扰动信号,并且具有较高的分类准确度和抗干扰能力,具有工程应用价值。     

基于动态树和支持向量机的电能质量复合扰动分类

针对实际电力系统中存在的电能质量复合扰动问题,采用以往单一的方法很难准确识别出复合扰动中所包含的每一类扰动,所以提出了基于动态树和支持向量机相结合的方法分类识别复合扰动。电能质量扰动分类过程分为特征提取和分类器两个阶段。在特征提取阶段,分析了通过d-q变换、小波包分解和S变换对扰动信号进行特征提取,综合3种分析方法得到特征量,得到特征组合,更好地反映出了扰动信号的特征。在分类器设计中,利用了聚类分析中的类距离概念构造出了二叉树结构的支持向量机分类器,以更快、更准确地识别扰动类型。在此基础上,提出了基于动态树的分类方法来识别复合扰动信号中所包含的所有扰动类型。测试结果表明,所提出的复合扰动分类方法可以有效分类出复合扰动中的各类扰动。     

基于第二代小波变换和离散隐马尔可夫模型的电能质量扰动分类

提出了一种将第二代小波变换和离散隐马尔可夫模型相结合的电能质量扰动分类方法.首先使用第二代小波变换对电能质量扰动信号进行时频分析,给出了一种基于模极大值的小波变换后处理方法,用以提取分析结果中表征扰动特征的模极大值,将这些模极大值组成扰动特征量组,经矢量量化后得到特征序列,然后将特征序列输入到由离散隐马尔可夫模型构建的分类系统中,实现对电能质量扰动的分类.在此基础上,给出了确定每类扰动定量指标的方法.仿真结果表明,该分类方法在强噪声环境下分类正确率高,且训练易收敛.     

一种新的电能质量扰动信号压缩感知识别方法

针对现有电能质量扰动信号识别方法存在数据量大、准确率不高的不足,提出了一种基于压缩感知稀疏向量特征提取的电能质量扰动信号分类识别方法。该方法首先针对原始信号,利用压缩感知理论获取降维的测量信号,并基于?1范数正交匹配追踪算法获取稀疏向量。然后针对稀疏向量提取最大值、次大值、均方根、标准差、峭度和裕度因子等特征,作为神经网络的输入,实现电能质量扰动信号的分类识别。最后,针对六类典型电能质量扰动信号,开展仿真实验验证。仿真结果表明,现有识别方法需要处理的原始信号长度为1024,而所提方法特征提取时所处理的数据长度仅有30,从而大大减少了所需处理的数据量,并且由于实现了以非常少的数据量保存原有全部有用特征信息,因而更有利于提高识别准确率。通过与广泛采用的小波变换识别方法进行比较,所提方法的平均准确率高达98.71%,远远高于小波变换方法的92.86%。     

基于第二代小波变换和矢量量化理论的电能质量扰动分类方法

提出了一种将第二代小波变换和矢量量化相结合的电能质量扰动分类方法。该方法采用第二代小波变换对电能质量扰动信号进行时频分析,采用基于模极大值的小波变换后处理方法提取时频分析结果中表征扰动特征的模极大值、生成扰动特征量组,通过将扰动特征向量组送入基于矢量量化的树形分类器实现了对电能质量扰动的分类。仿真结果表明该方法噪声鲁棒性良好、简单可靠、分类准确率高、实时性好。     

一种综合潮流追踪和链接分析的电力系统关键节点识别方法

将一种基于链接分析的思路应用于电力系统安全评估,结合潮流追踪技术提出一种考虑系统运行状态的关键节点识别方法。基于潮流追踪结果定义了系统节点链接强度以及负荷重要性评价的新指标,并利用系统链接强度同时考虑系统实际潮流方向建立了电网的加权有向图。借鉴基于链接分析的PageRank算法思路,建立了基于电网加权有向图链接强度的节点重要度计算评价模型,实现了关键节点的有效识别。所提出的识别方法可基于系统当前实际网络结构和潮流分布,从电网全局能量传输的角度,识别出对系统安全运行起关键作用的重要节点。利用IEEE39节点系统作为算例对所提出的关键节点识别方法进行了验证,并通过与已有的关键节点识别方法进行比较,表明该方法所得到辨识结果更加符合电力系统的运行实际。     

基于非侵入式负荷监测的居民侧灵活性资源评估方法

居民用户具备巨大的灵活性潜力,充分挖掘并合理利用居民侧灵活性资源有助于提升电网的灵活性。本文利用低频功率数据和深度学习模型,提出了一种基于非侵入式负荷监测的居民侧灵活性资源评估方法。首先,采用功率波动-跳变事件检测算法,实现对电器用电事件的定位和功率数据获取。其次,将时域卷积网络(Time Convolutional Networks,TCN)和门控循环单元(Gated Recurrent Unit,GRU)相结合,借助TCN的数据特征提取能力和GRU的非线性拟合能力,构建TCN-BiGRU负荷识别算法,以有效区分不同电器的用电负荷。然后,利用负荷识别结果对用户总功率信号进行分解,建立设备状态矩阵、设备概率矩阵和设备习惯使用区间矩阵,获取各个电器的用电信息,分析用户用能行为,得到居民侧灵活性资源评估详细结果。最后,通过实际居民用户数据验证了所提出方法的实际有效性。基于本方法所得的灵活性资源评估结果可为居民需求侧响应提供辅助决策。     

基于卷积神经网络和随机森林的三相电压暂降分类

特征提取是电能质量扰动识别的关键步骤,然而传统的数学变换与浅层神经网络相结合的方法无法自动提取特征。为此,提出了一种基于卷积神经网络(CNN)和随机森林(RF)的混合模型来对三相电压暂降数据进行自动特征提取及分类。首先,将三相电压暂降数据转换为空间相量模型(SPM);其次,利用CNN对SPM进行特征提取;最后,将RF应用于分类。为了加快CNN训练速度并缓解过拟合,引入了Dropout、学习率指数衰减和自适应矩估计权值更新算法。实验结果表明,与其他分类方法相比,所提方法具有较好的泛化性能和较高的分类准确率,这为电压暂降识别提供了一种客观、高效的辅助手段。