基于多特征融合卷积神经网络结合Transformer的电能质量扰动分类方法

随着可再生能源发电技术的发展,越来越多的可再生能源和设备应用到电力系统中,使电能质量扰动(Power Quality Disturbances,PQDs)发生频率显著增加。PQDs的准确分类对于研究PQDs发生原因和预防至关重要。提出基于多特征融合的卷积神经网络(CNN)结合Transformer模型(CNN-Transformer)对PQDs进行分类。利用快速傅里叶变换(fast Fourier transform,FFT)从PQDs时间序列中提取频域信息,使用CNN-Transformer模型分别对PQDs的时域和频域信息进行特征提取,实现PQDs识别分类。使用该模型对16种合成PQDs数据进行仿真,结果显示:该模型在无噪声条件下的分类准确率为99.88%,在噪声条件下准确率在98.00%以上,且拥有良好的抗噪性和泛化性能。与现有部分分类模型比较显示,本文模型在对比的模型中性能最优。

面向不间断供电(UPS)系统的电能质量分析技术

针对现行UPS电能质量检测过程存在的准确率低、实时性差且成本高的缺点,文中基于VMD-SAE-1DCNN模型提出了一种UPS电能质量检测与识别算法。对于电能信号非线性与非平稳的特点,使用变分模态算法对原信号进行分解,从而得到本征模态信号。同时,采用稀疏自编码器对本征模态信号进行特征提取,通过建立多层一维卷积神经网络模型对特征进行训练,提升了运算效率。实验测试结果表明,所提算法的迭代次数与运行时间在对比算法中均为最优,分类准确率可达97%以上,充分证明了改进算法的有效性。

统一电能质量调节器控制目标解耦的CCS-MPC直接控制策略研究

针对控制目标耦合导致统一电能质量调节器电能质量补偿响应速度慢、精度差、鲁棒性差等问题,提出了一种控制目标解耦的连续集模型预测(continuous control set model predictive control,CCS-MPC)直接控制策略。该控制策略依据当前时刻被控目标电压、电流参数,构建目标唯一的预测控制模型,在简化控制器结构的同时实现串、并联侧电感电流和电容电压解耦控制,显著提高统一电能质量调节器动态性能。基于偏导数获取模型预测控制价值函数的最优解,实现参数变化、外部扰动工况下负载电压、电网电流高精度补偿。仿真验证了所提控制策略的有效性。

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。

基于混合分解多尺度时频图和Res-GRU-AT的电能质量复合扰动识别

能源互联网背景下的电能质量问题越来越凸显,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,提出了一种混合分量多尺度时频图和残差神经网络(residual neural network,ResNet)、门控循环单元(gated recurrent units,GRU)网络与注意力机制(attention,AT)组合的电能质量复合扰动识别新方法—Res-GRU-AT。首先利用奇异谱分解(singular spectrum decomposition,SSD)和逐次变分模态分解(successive variational mode decomposition,SVMD)对PQDs信号分别进行多尺度分解得到混合分量,再对混合分量进行希尔伯特黄变换(Hilbert-Huang transform,HHT),分析得到多尺度时频图。其次,利用Res-GRU-AT模型对多尺度时频图进行深层次特征提取、强化和识别。Res-GRU-AT模型能够利用ResNet的二维图像空间特征提取能力和GRU的时序特征提取能力进行特征融合,再通过AT进行特征加权强化,提高了PQDs的识别能力。不同方案的仿真结果表明,所提方法特征提取能力强且抗噪性能好,对复合扰动识别率高。

考虑保供电需求的光储微电网优化配置及电能质量评估

针对用户日益迫切的保供电需求以及光伏出力与负荷用电的随机性、波动性引发的电能质量的问题,建立了考虑保供电需求的光储微电网双层优化模型,并对规划配置的微电网电能质量进行评估。该模型以等效净负荷标准差和弃光率最小为上层优化目标,以微电网有功功率损耗最小为下层优化目标,以储能满足保供电负荷的保供电需求作为附加约束条件,采用遗传算法求解。然后设计源、网、荷三类指标,采用组合赋权法确定各指标权重,实现对微电网电能质量的综合评估。最后以改进的IEEE-33系统验证了所提模型的有效性。结果表明考虑保供电需求后能够提高微电网电能质量,并在一定范围内保供电负荷越大时越能提高微电网电能质量和用户满意度。

基于轨迹颜色编码与知识蒸馏的电能质量扰动轻量化识别方法

当前电能质量扰动识别中存在特征混叠导致电压信号特征难以提取的问题,且电能质量识别装置部署在变电站等场所,算力较低,难以运行复杂的识别模型。为此,提出了基于轨迹颜色编码与知识蒸馏的电能质量扰动轻量化识别方法。通过圆轨迹转换和颜色编码,将1维电压信号转化为特征明显的彩色圆轨迹特征图,解决了特征混叠问题。使用二进制映射将特征图像降维,实现特征轻量化。构建以ResNet18为教师模型和SqueezeNext为学生模型的知识蒸馏模型,使用教师模型训练生成的软标签指导学生模型的训练,进行2个模型之间的知识迁移,实现模型压缩。为了验证所提方法的有效性和实用性,在RaspberryPi-4B边缘设备上进行验证实验,结果表明所提方法能够有效解决特征混叠问题,且识别速度相对压缩前提高了82.84%,能够满足轻量化部署的需求。

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。

一种新型的电能质量扰动信号分析的CDMSPSO-MP算法

针对匹配追踪(matching pursuit,MP)算法在检测电能质量扰动信号时存在的计算量大、重构信号质量不佳的问题,利用混沌动态多种群粒子群优化(chaos dynamic multi-swarm particle swarm optimization,CDMSPSO)算法对MP算法进行优化,提出了CDMSPSO-MP算法。首先,CDMSPSO算法使用Logistic映射替代伪随机数更新种群,提高信号重构时搜索时频原子的随机性;然后,将种群划分为多个小规模种群并设置相应的重组期,增加信号重构时频原子的多样性;最后,以扰动信号与原子内积的绝对值作为CDMSPSO算法的适应度函数,替代MP算法的遍历计算,提升信号的重构速度。实验结果表明,CDMSPSO-MP算法有效提高了计算速度,减少了无关时频原子作为扰动信号分量的计算,提高了重构信号的质量。

基于改进PFCM算法的多重耦合电能质量扰动识别分析

非线性负荷、电力电子设备以及网络因素的复杂交互导致了电能质量问题的多样化及相互耦合。电力用户生产的多种运行方式,进一步增加了电能质量的不确定性,使其呈现出概率性分布。鉴于传统统计学方法在处理分析大规模电能质量数据时的局限性,提出了一种改进的可能模糊C均值(PossiblefuzzyC-means,PFCM)聚类算法,并通过引入协方差矩阵和熵权法对原始数据进行预处理,有效提高了聚类分析的准确性和鲁棒性。首先针对改进的IEEE33节点系统进行仿真建模,并基于场景的方式生成得到电能质量特征数据;随后通过3种不同的算法挖掘出网络电能质量分布特征信息;最后通过对比3种算法的识别结果,验证了改进PFCM算法在电能质量扰动识别方面的有效性和优越性。

基于卷积神经网络与Transformer的电能质量扰动分类方法

复杂电能质量扰动(power quality disturbances, PQD)的智能分类对于智能电网发展具有重要意义。扰动特征的提取与定位、模式识别与分类是电能质量扰动分类方法研究的难点。采用深度学习算法,将具有关注全局信息的Transformer与善于提取局部特征的卷积神经网络相融合,提出一种基于卷积神经网络(convolutional neural network, CNN)与Transformer的电能质量扰动分类方法,即CTranCBA。这种双深度学习模型分类方法主要是通过一维卷积神经网络提取电能质量扰动信号特征,利用Transformer自注意力机制引导模型关注序列中不同位置间的依赖关系,实现对扰动信号局部特征与全局特征的互补,克服了因感受野的限制而带来的识别不清、分类不准等问题。使用23种不同电能质量扰动信号,将CTranCBA与Deep-CNN、CNN-LSTM、CNN-CBAM方法进行比较。结果表明:该方法在分类准确率和抗噪性方面表现优异,可为电能质量扰动智能分类提供一种新的方法。

模态分解的电能质量检测探究实验教学实践

针对“现代信号处理”课程的教学难点,以模态分解法(EMD)的电能质量扰动信号检测为例,进行了探究性实验教学仿真与实践。在教学过程中,引导学生对传统EMD电能质量检测法精度偏低的问题进行探究。然后根据探究结果,融合SVD滤波、ICEEMDAN及排列熵(PE)等多种现代信号处理技术,提出了SVD-ICEEMDAN-PE的电能质量扰动检测方法,能够提高精测精度。在此基础上,设计信号降噪、算法性能分析、扰动信号检测、实验信号检测等多个仿真对方法的有效性进行了验证。探究性实验教学是理论教学的延伸和拓展,教学过程注重以学生为中心,引导学生体会思考-探索-解决问题的科研方法,从而激发学生求学—求知—钻研的科研精神。

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SVD-ILMD的暂态电能质量扰动定位检测方法

为实现对电网非平稳扰动信号的快速、准确分析,提出了融合SVD(奇异值分解)与ILMD(优化局部均值分解)的暂态电能质量扰动定位检测方法。首先,通过ILMD与模糊隶属度函数阈值处理噪声信息,削弱噪声干扰;然后,构造差值信号并利用滑窗SVD增强扰动特征,进一步抑制噪声干扰;最后,基于特征增强信号提出一种自适应阈值截断的暂态电能质量扰动定位检测方法。经仿真分析与算法对比,验证了所提方法定位准确、抗噪性强、计算量小,对过零与微弱扰动也有较好的定位效果。

不同控制方法下混合电源对配电网系统电能质量优化分析

目前分布式电源主要有风、光、储等形式,由于风电与光伏发电的波动性和不确定性,使得配电网系统的电能质量下降,如电压不稳定、谐波量过大等。根据风、光、储三种电源的自身特性,选择相应的控制模型,减小配电网系统的谐波量,提高电能质量。风力发电机发电功率随风能的变化而变化,ip-iq控制方法 能准确捕捉风能变化时风力发电机产生的电压高次谐波及负序电流等参量;光伏发电主要是由于电荷的定向移动而形成稳定的电极,实现太阳能电池板发电,电流电压双环控制方法能够灵敏地反映光伏发电时电荷的移动情况,更好地检测光伏发电的实时动态;功率控制方法 则能够及时地反映蓄电池充放电及负载用电情况。通过上述控制方法,以simulink为平台,组建分布式电源系统,分别对配电网系统处于电压稳定、三相电流不平衡以及电压突变、三相电流不平衡两种情况下进行系统仿真,对配电网系统、风力发电系统、光伏发电系统及负载端的总谐波量进行比较。结果表明,根据不同电源特性实施不同的控制方法 ,可以有效降低整体系统的谐波量,提高配电网系统的电能质量。同时还可有效抑制风、光发电系统自身的谐波量,使得风、光发电系统低压穿越能力得以提高,降低弃风弃光现象的产生。

经验小波变换和改进S变换结合的电能质量检测与识别方法

为分析不确定干扰因素影响下的实际电力网络电能质量问题,提出一种经验小波变换(EWT)和改进S变换相结合的电能质量检测与识别方法。该方法一方面利用EWT联合归一化直接正交(NDQ)算法和奇异值分解(SVD)算法准确提取调幅-调频分量的频率、幅值和时间参数,另一方面考虑到EWT算法在高噪声环境下瞬时幅值波动的问题,引入改进S变换提取高噪声干扰下的电能质量扰动时频信息,最后,基于EWT和改进S变换提取的扰动特征向量,利用基于改进粒子群优化算法(IPSO)优化支持向量机(SVM)的电能质量扰动识别分类器实现扰动类型的精确识别。仿真和实验表明所提方法在复合扰动识别分类时平均识别准确率为93.23%,且能够准确识别4种实测扰动信号。

基于沉浸式教学的电能质量及其控制技术课程实验改革

课程实验是工科类课程的重要组成部分,对于提升专业课程理解深度和培养工程应用创新能力有重要意义。以电气工程专业电能质量及其控制技术课程实验为例,提出研制低成本便携式电力扰动监测装置,通过模拟实际工程应用场景,构建基于沉浸式的实验教学方法,增加专业实验课程灵活性和实践性,加深学生对专业课程认知深度,为新工科改革下的工程类课程实验教学提供了新思路。

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。

短时电压振荡下矿区供电变电所电能质量小波暂态扰动检测方法

短时电压振荡下矿区供电变电所电能质量小波暂态扰动在检测的过程中存在扰乱类型较多和噪声环境复杂的现象,在进行检测的同时需要及时处理噪声信号,导致检测的效率低,效果较差。针对该问题,对矿区供电变电所电能质量小波暂态扰动进行检测,首先对噪声环境进行小波去噪处理,减少外界环境对检测结果的影响;并基于PCA算法对数据降维处理,调整数据暂态形式,建立识别机制,提高检测精度;最终结合去噪的阈值进行内部检测,获取检测数据。根据实验结果可知,该电能质量小波暂态扰动检测方法具有较高的检测精度,与预设参数吻合度较高,检测效果良好。