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S变换和人工神经网络的电能质量扰动识别

本文提出了一种基于S变换和人工神经网络的电能质量扰动识别方法。首先通过S变换对电能质量扰动信号进行时频分析,实现了各种扰动的有效检测,然后对该检测输出信号进行特征提取,得到包含扰动时频特性的训练和测试样本集,并运用人工神经网络进行扰动训练识别,最终实现电能质量扰动信号的自动分类。测试结果表明,该方法能有效识别参数大范围内随机变化的各种电能质量扰动。

基于改进S变换的电能质量扰动分类新方法

提出一种改进的S变换(MST)方法并应用在电能质量扰动识别中。针对S变换(ST)窗函数固定、时频分辨率不能调节的问题,对S变换中的窗函数引入参数p、q进行改进,使时频分辨率的调节更加灵活。提出确定p、q的评价指标,使得p、q的求取具有一定自适应性和理论依据。用MST提取电能质量扰动的特征向量,根据电能质量扰动信号的MST分析结果,提出4种扰动特征作为特征向量,解决了特征向量冗余的问题。仿真数据和工程数据实验分析结果表明,该方法具有更好的抗强噪声性,使电能质量扰动分类精度更高。为复杂信号特征提取提供了一种有效途径,也为电能质量分类提供了一种新的方法。

一种基于邻域样本密度的SVDD样本剪辑方法及其应用

通常对于大数据的学习问题,需要选择一个训练集的子集来进行学习,以降低问题本身的时间和空间复杂性。有很多学者从样本的近邻出发来选择样本,根据样本的近邻特点寻找位于靠近分类面的样本。对于SVDD(Support Vector Data Description)算法而言,只有位于数据集边缘区域的样本对学习结果有影响。提出了通过估计样本领域样本概率的方式来判断样本在数据集里的位置,位于数据集边缘区域的样本概率要明显小于位于数据集内部样本的概率,通过删除位于数据集内部的样本可以大大降低数据集的规模,在不降低算法的性能时,降低训练模型的复杂度,提高识别速度和算法的学习速度。并在实时性要求比较高的电能扰动信号识别方面,得到了很好的应用。