基于深度学习的配电网电能质量扰动识别方法及系统与流程

本发明涉及电能质量扰动识别，尤其涉及一种基于深度学习的配电网电能质量扰动识别方法及系统。

背景技术：

1、随着光伏、风力发电等可再生能源的飞速发展，具有非线性特性的电力电子器件与设备不断接入配电网，各种电能质量扰动事件频发。目前非线性负载在电网中急剧增加，电能质量问题也日益严重，冲击性负载会导致供配电网络中电压发生各种电能质量扰动现象，严重时会造成电压敏感的电力设备运行故障甚至永久性损毁，以至于造成巨大的经济损失和不良影响。因此对电网中出现的各种电能质量扰动事件进行准确识别与分类，具有重要意义，分析识别电能质量扰动现象是开展针对性治理和提高电能质量的前提。

2、传统的电能质量扰动识别方法通常基于一维时间序列分析，但是这一方式容易受到噪声和伪影的干扰，导致识别精度不高；随着图像处理和深度学习技术的不断发展，将一维时间序列转化为二维图像，基于图像的电能质量扰动识别可有效地提高识别的准确性和可靠性，但其仍存在一定的问题，即将一维时间序列转换为二维图像时，存在某些数据特征无法被充分地表示或捕捉的情况，这将导致某些信息的丢失，从而影响到分类的准确性。

技术实现思路

1、为解决上述现有技术的不足，本发明提供了一种基于深度学习的配电网电能质量扰动识别方法及系统，采用多种图像转换方式将一维时序电压信号转换为二维图像，并将转换后的二维图像融合为综合二维图像，以避免图像转换造成的数据特征丢失的问题；同时提取一维时序电压信号和综合二维图像的特征，基于所提取的特征进行综合识别与分类，能够有效保证数据特征提取的全面性与准确性，保证最终识别分类的准确性和可靠性。

2、第一方面，本发明提供了一种基于深度学习的配电网电能质量扰动识别方法。

3、一种基于深度学习的配电网电能质量扰动识别方法，包括：

4、获取配电网设定时间段内设定采样频率下的一维时序电压信号；

5、分别采用连续小波变换和格拉米角场，将一维时序电压信号转换为二维图像，并通过卷积特征自适应图像融合模型，将多种二维图像融合得到综合二维图像；

6、将一维时序电压信号和综合二维图像输入至基于并行两特征提取分支的电能质量扰动识别模型中，一维时序电压信号经过第一特征提取分支，依次通过bilstm层、自注意力层和输出层后输出一维特征；综合二维图像经过第二特征提取分支，输出二维特征；基于一维特征和二维特征，通过全连接层和sortmax层分类，输出最终的电能质量扰动识别结果。

7、第二方面，本发明提供了一种基于深度学习的配电网电能质量扰动识别系统。

8、一种基于深度学习的配电网电能质量扰动识别系统，包括：

9、数据获取模块，用于获取配电网设定时间段内设定采样频率下的一维时序电压信号；

10、数据处理模块，用于分别采用连续小波变换和格拉米角场，将一维时序电压信号转换为二维图像，并通过卷积特征自适应图像融合模型，将多种二维图像融合得到综合二维图像；

11、电能质量扰动识别模块，用于将一维时序电压信号和综合二维图像输入至基于并行两特征提取分支的电能质量扰动识别模型中，一维时序电压信号经过第一特征提取分支，依次通过bilstm层、自注意力层和输出层后输出一维特征；综合二维图像经过第二特征提取分支，输出二维特征；基于一维特征和二维特征，通过全连接层和sortmax层分类，输出最终的电能质量扰动识别结果。

12、第三方面，本发明还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。

13、第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。

14、以上一个或多个技术方案存在以下有益效果：

15、1、本发明提供了一种基于深度学习的配电网电能质量扰动识别方法及系统，采用多种图像转换方式将一维时序电压信号转换为二维图像，并将转换后的二维图像融合为综合二维图像，以避免图像转换造成的数据特征丢失的问题；同时提取一维时序电压信号和综合二维图像的特征，基于所提取的特征进行综合识别与分类，能够有效保证数据特征提取的全面性与准确性，保证最终识别分类的准确性和可靠性。

16、2、本发明中，搭建了卷积特征自适应图像融合模型，通过该模型将转换后的多种二维图像融合为一张综合图像，该模型中，通过对输入图像进行不同尺寸卷积核的特征提取，然后将提取特征拼接后再通过转置卷积上采样至源图像尺寸大小，能够有效地将不同特征的图像融合在一起，提高了扰动识别的准确性。相较于单一模态图像直接分类，多模态图像融合可以获得更多的信息，提高了识别的准确性和鲁棒性。

技术特征：

1.一种基于深度学习的配电网电能质量扰动识别方法，其特征是，包括：

2.如权利要求1所述的基于深度学习的配电网电能质量扰动识别方法，其特征是，采用连续小波变换对一维时序电压信号进行时频域转换，获取小波二维时频域图像，包括：

3.如权利要求1所述的基于深度学习的配电网电能质量扰动识别方法，其特征是，采用格拉米角场，将一维时序电压信号转换为gaf二维图像，包括：

4.如权利要求1所述的基于深度学习的配电网电能质量扰动识别方法，其特征是，利用马尔可夫转换场mtf，将一维时间序列信号转换为二维图像，将转换后的二维图像与基于连续小波变换和格拉米角场转换后的二维图像，分别输入至卷积特征自适应图像融合模型，将多种二维图像融合得到综合二维图像。

5.如权利要求1所述的基于深度学习的配电网电能质量扰动识别方法，其特征是，所述卷积特征自适应图像融合模型包括具有不同尺寸卷积核的多特征提取层、融合层和转置卷积层；

6.如权利要求1所述的基于深度学习的配电网电能质量扰动识别方法，其特征是，电能质量扰动类型包括9种单一扰动、9种双重扰动以及8种三重扰动；

7.如权利要求1所述的基于深度学习的配电网电能质量扰动识别方法，其特征是，基于一维特征和二维特征，通过全连接层和sortmax层分类，输出最终的电能质量扰动识别结果，包括：

8.一种基于深度学习的配电网电能质量扰动识别系统，其特征是，包括：

9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7中任一项所述的一种基于深度学习的配电网电能质量扰动识别方法的步骤。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-7中任一项所述的一种基于深度学习的配电网电能质量扰动识别方法的步骤。

技术总结本发明公开一种基于深度学习的配电网电能质量扰动识别方法及系统，涉及电能质量扰动识别技术领域，包括：获取配电网的一维时序电压信号；分别采用连续小波变换和格拉米角场，将一维时序电压信号转换为二维图像，通过卷积特征自适应图像融合模型，将多种二维图像融合得到综合二维图像；将一维时序电压信号和综合二维图像输入至基于并行两特征提取分支的电能质量扰动识别模型中，一维时序电压信号经过第一特征提取分支，依次通过BiLSTM层、自注意力层和输出层后输出一维特征；综合二维图像经过第二特征提取分支，输出二维特征；再通过全连接层和Sortmax层分类，输出最终的电能质量扰动识别结果，有效提高识别分类的准确性和可靠性。技术研发人员：刘波,魏传祺,邵慧燕,张红梅,尹鹏,高冰洁,孔祥龙,王振,朱瑞,焦健受保护的技术使用者：国网山东省电力公司曲阜市供电公司技术研发日：技术公布日：2024/8/1