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。

基于多模态图像融合的DCCNN识别电能质量扰动

为提高电力系统中电能质量扰动识别准确率,提出一种基于多模态图像融合的双通道卷积神经网络算法。首先,为降低传统格拉姆求和场生成特征图的冗余度,提出一种改进的格拉姆求和场;然后,通过改进的格拉姆求和场、马尔可夫转移场和无阈值递归图分别将电能质量扰动时序数据进行模态变换;其次,对转换生成的三类图像各提取出一个单通道灰度图进行融合;最后,将融合得到的特征图输入到双通道卷积神经网络中进行扰动识别。实验表明:多模态融合得到的特征图扰动特征保留更多,而且双通道卷积神经网络提取特征能力强,具有一定的抗噪鲁棒性,扰动识别准确率高。

基于图像识别算法的电能表装接质量智能监测

本文研究基于图像识别算法的电能表装接质量智能监测。提出了一种利用计算机视觉技术和目标检测算法的智能监测系统,用于自动评估电能表的装接质量。通过收集和构建数据集,设计并实现了该系统,并在实验中对其性能进行了评估。结果表明,该智能监测系统在电能表装接过程中能够实时准确地检测装接质量,并对异常情况进行识别。本研究为电能表安装质量提供了一种高效可靠的监测方法,但仍面临着在大规模实际应用中的挑战。因此,未来需要进一步探索如何优化算法,提高系统的鲁棒性和实时性,以适应更复杂的装接环境。

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。

多源信号特征融合的电能质量扰动识别

为了解决风能、太阳能等可再生能源输出的不稳定性和间歇性给电能质量带来的问题,提出多源信号特征融合的电能质量扰动识别方法.该方法引入电流信息增强扰动特征,为解决电能质量扰动识别提供了新的视角.算例分析结果表明:相对于其他2种方法,该文方法的4个评价指标(准确率、精确率、召回率和F1分数)均最高.因此,该文方法具有优越性.

基于MTF可视化和改进DenseNet神经网络的电能质量扰动识别算法

针对传统电能质量扰动(power quality disturbances,PQDs)分类器人工选取特征过程复杂、精细化程度不足的问题,提出一种基于马尔科夫迁移场(Markov translate filed,MTF)可视化和改进密集卷积网络(dense convolu-tional networks,DenseNet)的PQDs识别新方法。首先将一维PQD信号经MTF映射为二维图像,接着将图像输入到具有新型通道注意力机制的改进DenseNet中,最后训练网络自行从海量样本中提取特征,实现PQDs信号的正确识别。算例结果表明:在无噪声和信噪比为20、30 dB情况下,所提改进DenseNet能有效克服传统方法中主观性强、抗噪性能差等特征缺点,可以更好地提取复合PQD特征信息,对复合PQD识别率高。

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GA优化卷积神经网络的含分布式光伏低压台区电能质量扰动特征识别研究

针对扰动特征识别效果较差的问题,采用基于GA优化卷积神经网络的含分布式光伏低压台区电能质量扰动特征识别方法。获取各尺度扰动信号的分解系数,求解电扰动信号各尺度的能量值与能量熵,将能量值与能量熵当成扰动特征提取的依据,完成扰动特征提取;利用GA算法优化卷积神经网络结构参数,在优化后的卷积神经网络内输入提取的扰动特征,输出扰动特征识别结果。通过仿真实验得出,该方法能有效提取扰动特征,提取到的特征类型数量与实际类型数量一致;在噪声环境下,该方法依旧能够有效识别扰动特征,最低识别精度高达98.7%。

基于一维残差收缩网络的电能质量复合扰动识别

电网中强噪声的干扰会严重影响电能质量复合扰动识别,为提高电能质量复合扰动识别准确率,提出一种基于一维残差收缩网络的电能质量复合扰动识别方法。该方法能够以原始数据作为输入避免有效特征的丢失,采用子网络自动设置阈值对各个特征通道进行软阈值化,并通过加宽卷积层进一步增强网络抗噪性。仿真实验结果表明:所提方法在强噪声干扰下能快速准确识别电能质量复合扰动。

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VMD-SAST的电能质量扰动分类识别方法

新能源大规模并网以及电力电子设备广泛应用引起的复杂电能质量扰动(power quality disturbances,PQDs)会威胁电力系统的安全稳定运行。针对复杂PQDs难以精准检测识别的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)与同步压缩自适应S变换(synchrosqueezing adaptive S-transform,SAST)的PQDs检测识别方法。首先,使用VMD将PQDs信号分解为多个模态分量,每个分量只保留局部扰动特征,降低PQDs信号的复杂度;其次,提取一种SAST时频分析方法,改善时频分辨率,集中频谱中的能量分布,提高对PQDs信号的检测精度;最后,基于VMD-SAST提取扰动特征,利用3种不同算法实现对PQDs信号的分类识别。通过仿真分析表明:所提出的方法具有较高的PQDs分类识别精度、较高的适用性和较强的抗噪声能力。

基于双路时频特征融合网络的电能质量扰动识别方法

针对噪声环境下单一及复合电能质量扰动(Power Quality Disturbance,PQD)识别的准确性和鲁棒性不足的问题,提出了一种基于双路时频特征融合网络的PQD识别模型。首先对电能质量扰动信号进行处理,通过S变换生成对应的矩阵图像,并结合周期重构矩阵图像,以此构建双路输入特征;再将两种矩阵图像特征送入轻量级网络ShuffleNet_V2进行特征提取,提取得到的特征随后被展平并拼接,形成一组特征序列,输入到多头注意力机制模块中进行深度融合;最终,通过分类层输出电能质量扰动的识别结果。实验结果表明,该模型能够有效地提取和融合时频特征,从而在复杂噪声背景下实现对PQD信号的准确识别,验证了方法的有效性。

基于IGWO-KELM的复合电能质量扰动识别

为了提高复合电能质量扰动(power quality disturbance,PQD)识别结果的正确率,提出了一种基于改进灰狼优化(improved grey wolf optimization,IGWO)算法核极限学习机(kernel extreme leavning madine,KELM)的复合PQD识别方法。利用S变换获得复合PQD信号的特征量,以此作为复合PQD识别模型的输入量。采用精英反向学习、自适应收敛系数和柯西变异这3种策略对灰狼优化算法进行改进,得到全局搜索性能更好的IGWO算法。采用IGWO算法对KELM的核系数和惩罚参数进行优化,建立了基于IGWO-KELM的复合PQD识别模型。仿真分析结果表明,该模型识别的准确率高达98.10%,识别效果明显优于其他方法。

基于IGWO算法优化LSSVM的电能质量扰动识别方法

为了提高电能质量扰动(power quality disturbance,PQD)识别结果的准确性,笔者提出一种基于改进灰狼优化算法(improved grey wolf optimization,IGWO)优化最小二乘支持向量机(least squares support vector machine,LSSVM)的PQD识别方法。通过采用收敛因数指数调整、自适应位移和权重动态修订等措施对灰狼优化算法进行改进,得到IGWO算法;以PQD信号的9个特征量为支持向量、7种PQD类型为输出量,利用IGWO算法寻找LSSVM的最优参数,建立基于IGWO-LSSVM的PQD识别模型并进行仿真分析,且与其他模型的识别结果进行对比。结果表明,相比算例中列出的几种对比模型,IGWO-LSSVM模型识别结果的正确率更高,验证了所提PQD识别方法的有效性和实用性。

基于PRSGMD-XGBoost的光伏直流电能质量扰动识别

光伏电网受天气因素和非线性负载等影响,直流电信号中存在的扰动成分使得电能质量评估的准确性难以保障。利用复合多尺度模糊熵可克服光伏直流电信号初始单分量相似性度量突变的问题,构建了正则化CMFE算子评估各初始单分量重构后的复杂度并约束残余量能量最小,从而实现电信号和噪声等扰动的准确分离,在此基础上,提出了基于部分重构辛几何模态分解(PRSGMD)的光伏直流电信号自适应去噪方法,结合极限梯度提升机(XGBoost)可有效挖掘特征与暂态稳定性之间关系的优势,实现了光伏直流电信号中复合扰动的分离和识别。

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。

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。

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。