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。     

基于循环神经网络的电能质量扰动识别

针对电能质量扰动信号识别算法复杂、识别率低等问题,提出一种将长短时记忆神经网络应用于电能质量扰动信号识别分类的新方法。首先在 Tensorflow中搭建长短时记忆神经网络,建立电能质量扰动信号分类模型。其次利用分类模型对电能质量扰动信号原始数据进行有监督学习,提取扰动信号的深层次特征,并将其连接到Softmax分类器输出各扰动信号的识别率。最后将电能质量扰动信号通过递归图生成的二维轨迹图像作为分类模型的输入,通过训练模型实现扰动信号的分类。仿真结果表明,该分类模型对电能质量扰动信号的一维和二维表示均有较好的分类准确率,可以有效识别7种单一扰动和6种复合扰动信号。     

基于离散小波变换和GA-BP的电能质量扰动分类

电能质量扰动的分类对于电力系统的稳定具有重要意义。首先利用离散小波变换(Discrete Wavelet Transform, DWT)中的db4小波对电能质量扰动信号进行分解,得到近似分量和细节分量,提取各分量的近似系数相对能量和细节系数相对能量;然后对信号进行重构,提取小波熵和重构系数方差,构成扰动信号的特征向量;最后建立遗传算法(Genetic Algorithm, GA)优化BP神经网络的扰动分类模型,并输入特征向量对信号进行分类识别。仿真结果表明,该方法对电能质量扰动的分类准确率较高。     

基于相空间重构和支持向量机的电能扰动分类方法

电能扰动的分类需要信号特性提取和分类器构造2个阶段,文中采用相空间重构和支持向量机的组合,提出了一种全新的电能扰动信号的分类方法。首先利用相空间重构方法构造扰动信号轨迹,通过编码获得二进制轨迹图像。针对该图像定义了4类具有区别性的指标,以表征不同扰动类型的特性。然后将特性指标作为支持向量机分类器的输入矢量,实现自动分类识别。算例表明该方法计算量少,正确率高,所需训练样本少,可以有效分类识别电压暂降、电压瞬升、电压中断、脉冲振荡、谐波、闪变等6种电能扰动。     

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。     

基于侧输出融合卷积神经网络的电能质量扰动分类方法

针对传统电能质量扰动分类方法分类准确率低、人工选择特征困难等缺点,提出了一种基于深度学习的侧输出融合卷积神经网络用于电能质量扰动信号分类.首先,对电能质量扰动信号进行预处理,使输入信号数据标准化,有利于提升所提方法的收敛速度和精度.在传统卷积神经网络中引入侧输出融合结构,通过组合卷积低、中和高层的信息进行特征融合,以更好地对输入信号进行分类.针对实测数据不足和信号数据类型分布不均衡等问题,采用数据增强的方法对信号进行处理.仿真和实测数据验证表明,所提方法可以自动进行特征提取和优化,具有分类速度快、分类准确率高等优点.     

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。     

基于改进PSO-SVM算法的电能质量扰动分类

对电能质量进行监测是用电信息采集系统的重要任务之一。针对电能质量扰动的识别和分类问题,提出一种基于小波支持向量机(support vector machine,SVM)的分类方法。对正常电压信号和6种电能质量扰动信号波形进行仿真,首先对各种扰动信号进行小波分解,提取各层小波重构系数的能量熵作为特征向量;然后改进的粒子群(particle swarm optimization,PSO)算法对SVM核函数参数进行优化;最后,利用优化参数的SVM对扰动测试集进行分类识别。仿真结果表明,与BP神经网络分类方法相比,该方法对扰动识别和分类的准确率达到97.28%,且训练时间和测试时间都有所减小。     

基于一维多尺度深度残差网络的电能质量扰动分类

针对传统电能质量扰动识别和分类方法存在分类准确率低、泛化能力差、鲁棒性弱的问题,提出了一种基于深度学习的一维多尺度深度残差网络(1D-MDR)对电能质量扰动进行识别分类的方法。该方法首先引入多尺度熵对扰动信号进行预处理,有效地表征扰动信号的多尺度特征;然后将多尺度特征信号输入到基于自适应软阈值的深度残差网络中,对多尺度电能质量扰动信号进行特征提取并融合;最后,利用全连接网络实现电能质量扰动信号的分类。仿真实验表明,提出的方法能够自动、准确地进行特征提取,并进行有效的识别分类。通过对比实验,证明该方法具有更高的准确率。     

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%。     

基于特征融合一维卷积神经网络的电能质量扰动分类

现有基于特征选取的电能质量扰动分类算法存在鲁棒性差、抗噪性能不强等问题。提出了一种改进的一维卷积神经网络用于电能质量扰动信号的分类。首先通过三个卷积神经网络子模型分别提取电能质量扰动信号的特征向量,然后将提取的特征向量融合为一个新的特征向量,最后通过BP神经网络实现分类。与改进前的一维卷积神经网络模型以及现有的电能质量扰动分类算法相比,该算法提取的特征向量具有更大的区分度。仿真结果表明,该算法有更好的鲁棒性和识别率,且抗噪能力强,为电能质量扰动信号分类提供了一种新思路。     

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SA-PSO算法优化CNN的电能质量扰动分类模型

针对传统电能质量扰动分类模型中扰动特征复杂、识别步骤繁琐的问题,提出了一种通过模拟退火(SA)算法与粒子群优化(PSO)算法相结合来优化卷积神经网络(CNN)的电能质量扰动分类模型。将CNN卷积层中的二维卷积核替换成一维卷积核;采用SA算法对PSO算法进行改进,规避PSO算法陷入局部最优的困境;采用改进后的PSO算法对CNN进行参数寻优;利用优化CNN提取和筛选合适的特征,根据这些特征利用分类器得到最终分类结果。通过算例分析得出,使用基于SA-PSO算法优化的CNN的电能质量扰动分类模型能精确地识别出电能质量扰动信号。     

基于分段改进S变换的复合电能质量扰动识别

针对存在多种单一电能质量扰动的复合扰动分类识别问题,提出了一种基于分段改进S变换和RBF神经网络相结合的复合电能质量扰动识别新方法。首先对离散S变换进行了分段改进,将时域分辨率和频域分辨率进行分段处理,通过分析改进S变换得到的模时频矩阵,绘制了能够反映扰动信号不同突变参数的特性曲线。其次利用统计方法优化计算提取了10种用于模式识别的特征量,并用局部逼近的RBF神经网络设计了分类器对提取的特征样本进行训练和分类,最后在不同噪声环境下对5种单一扰动及谐波+电压暂降、电压暂降+闪变等6类复合电能质量扰动的分类识别进行了仿真验证。仿真结果表明,该方案时频处理、分类能力和学习速度等方面均优于普通改进S变换+全局逼近网络的方法,且鲁棒性强,能准确识别多种单一扰动及两种扰动同时存在的复合电能质量扰动。     

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。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

基于多层极限学习机的电能质量扰动多标签分类算法

电力系统中电能质量扰动分类特征选择标准不统一、泛化能力差、分类效果与分类效率有待提高。为了解决这些问题,一方面,引入多层极限学习机自编码器,优化输入权重,完成电能质量扰动信号的特征提取。另一方面,引入多标签排位分类算法,充分考虑各标签之间的相关性,完成电能质量扰动的分类。基于两种算法,设计出基于多层极限学习机的多标签分类模型,并得到多层极限学习机的最优网络结构和多标签分类的最佳分类阈值。实验结果表明,所提方法适用于电能质量单一扰动和复合扰动的分类,改善了分类效果和分类效率,具有较高的分类精度、良好的抗噪能力和泛化能力。