基于HWST时频分析和DNN的电能质量监测框架

随着电网的快速发展,电气设备的使用大量增加,电能质量干扰监测对于电网的可靠和平稳运行变得十分重要。为此,提出一种基于堆叠自编码器(stackedautoencoder,SAE)的深度神经网络(deep neural network,DNN)模型,用于提取单一和组合电能质量干扰的时频谱特征。首先,通过采用随机搜索优化技术调整超参数,利用超曲线s变换(hyperbolic window stockwell transform,HWST)分析电能质量信号的时频特征。然后将HWST时频矩阵输入到3层SAE网络,自动学习50维深度特征。最后,将提取的深度特征输入到多种机器学习分类器进行识别。实验结果表明,采用XGBoost分类器可以以99.86%的准确率识别18种单一和组合电能质量事件。该框架在噪声环境和频率变化条件下也表现出良好的鲁棒性,并成功应用于实际电网数据。