一种电能质量扰动识别方法

本发明涉及一种电能质量扰动识别方法，特别是一种基于改进s变换和cnn--dsa--xgboost的电能质量扰动识别方法。

背景技术：

1、随着智能电网的迅猛发展以及科技的日益进步，电力系统的稳定运行已成为社会经济活动中相当重要的一环。确保电网系统高效、稳定地运行有助于推动经济、环境高质量发展。然而，由于大量非线性负载的并网，新能源充电桩的普及以及光伏发电、风力发电等分布式发电技术受自然因素影响等带来的谐波、电压闪变、暂态脉冲等电能质量扰动成为了影响电力系统稳定运行的关键因素之一。因此，为保证社会经济的稳定运行和环境的友好发展，高效、准确地识别电能质量扰动成为了亟待达成的愿景。

2、准确的时频分析是对电能质量扰动进行信号处理的关键。经典的信号处理技术包括傅里叶变换、短时傅里叶变换、小波变换、hilbert-huang变换、s变换等。傅里叶变换具备正交性、完备性；但其缺乏时频局部信息，不适用于非平稳动态扰动信号的分析。由其发展而来的短时傅里叶变换可以将一维时间信息映射为二维时频信息，修复了傅里叶变换缺乏时频局部信息的缺陷，但其窗型固定，时频分辨率不足。小波变换凭借其母小波的平移和伸缩可以实现对扰动信号的多分辨率分析，但尺度因子、时移因子、采样频率以及分解层数等参数的选取对专业性要求相对较高，且小波变换受噪声影响较大，缺乏相位修正。为优化时频分析，信号处理技术不断吐故纳新，s变换的问世修复了小波变换无相位修正、短时傅里叶变换窗口不可调的缺陷，但其在高频时提供更好的时间分辨率，低频时提供更好的频率分辨率这一特性与电能质量扰动信号的处理需求相悖。

3、因此，如何解决如今电能质量扰动检测方法存在诊断精度不高、准确分离多重复合电能质量扰动信号困难、可解释性差等不足，成为了行业亟待解决的技术问题。

技术实现思路

1、本发明的目的在于，提供一种电能质量扰动识别方法。该方法提供了一种高效、准确、具有高透明度的电能质量扰动检测方法，弥补了现有方法在诊断精度不高、多重复合扰动信号分离困难以及可解释性不高等方面的不足，提高了电能质量扰动检测的准确性和效率。

2、本发明的技术方案：一种电能质量扰动识别方法，具体实施包括以下步骤：

3、s1：使用ist将一维时间信号映射到二维时频域，生成二维时频图像；

4、s2：调整二维时频图像的尺寸，将批量标准化后的数据存入单元数组并添加标签；

5、s3：利用cnn对构建的数据集进行自动特征提取；

6、s4：dsa优化xgboost模型参数选取；

7、s5：使用优化后的xgboost模型进行训练后对电能质量扰动信号进行识别分类，得到电能质量扰动分类结果。

8、前述的一种电能质量扰动识别方法中，所述s1具体为：ist将一维时域信号作为输入，并使用高斯窗作为窗口函数，它通过将原始信号分成多个重叠的窗口，并对每个窗口内的信号片段应用傅里叶变换来获得局部频谱信息，随着时间的推移，移动窗口并调整窗型，收集并组合所有局部频谱结果，最终生成完整的二维时频图像，展示出信号的时频特征变化。

9、前述的一种电能质量扰动识别方法中，所述s1具体为：

10、假设现有一维连续电能质量扰动信号为x(t)，利用卷积定理、傅里叶变换及其逆变换便可得到一维连续ist表达式，参见式(1)：

11、

12、式中：τ为时移因子；t为时间变量；f为频率变量。λ1为用于调节分辨率变化速率的参数；λ2为用于调节固定频率下频率分辨率的参数；两控制参数λ1、λ2的选取参见式(2)：

13、

14、式中：f0为基波频率；fs为采样频率；代表基波频率的频率点；

15、现将x(t)均匀采样离散化，则ist离散化表达式参见式(3)：

16、

17、式中：n为采样长度；ts为采样时间间隔；另外，τ＝mts，t＝nts，其中，m、n＝0，1，…，n-1为时间序列；k＝0，1，…，n-1，为频率序列；

18、具体来说，ist时频分析按以下步骤进行：

19、步骤s11：对待测连续信号x(t)进行采样；

20、步骤s12：针对频率将序列进行频移构造

21、步骤s13：将频移序列与窗函数频谱向量做hadamard积运算；

22、步骤s14：对步骤s13中的hadamard运算的乘积序列做傅里叶逆变换；得到频率下信号的时域信息；

23、步骤s15：剔除非敏感频率点，选择基波及谐波频率点重复执行步骤s12至s14，得出信号的二维时频矩阵

24、前述的一种电能质量扰动识别方法中，所述s2具体为：循环遍历排序后的图像文件，读取图像数据；调整图片大小为64×64，并对图片做归一化处理同时匹配标签；将批量标准化后的数据信息存入matlab(*.mat)文件中。

25、前述的一种电能质量扰动识别方法中，所述s3具体为：准备训练集和测试集；定义cnn架构；设置训练算法为adam,设置最大训练轮次，以及设置学习率、l2正则化训练参数；使用预设的训练数据和相应的标签训练神经网络，使用训练好的神经网络进行自动特征提取。

26、前述的一种电能质量扰动识别方法中，所述s3具体为：将每种扰动类型样本数量的前70％作为测试集，剩余30％作为测试集；定义一个深度学习网络结构，该网络是由输入层、卷积层、批量归一化层、激活函数层、池化层、丢弃层、全连接层以及输出层组成的层级结构；

27、其中，输入层负责处理接收到的图像文件；二维卷积层负责扫描来自输入层的图像，利用卷积学习特定的图像特征；每一个卷积核在做卷积运算时，都能够侦测到图像中的某一特定特征，并生成一个相对应的特征图；激活函数层将对特征图中的数据进行非线性映射，以增加模型的非线性表达能力；批归一化层通过对每个小批处理进行归一化，减少了内部协调的移动；池化层则可以对特征图进行降维；全连接层用于整合前面提取到的特征，将得到的特征图映射到一维，形成一维特征向量；最后，包含处理图像深层特征信息的特征向量经由输出层发送到分类器中。

28、前述的一种电能质量扰动识别方法中，所述s4具体为：初始化参数，设定优化目标函数和参数边界，使用dsa优化xgboost的迭代次数、树的深度、叶子节点最小样本权重和、学习率四个参数，根据dsa返回的最优位置更新xgboost的四个参数。

29、前述的一种电能质量扰动识别方法中，所述s4具体为：使用一种启发式的全局优化方法——鸭群算法，优化xgboost的迭代次数、树的深度、叶子节点最小样本权重和、学习率四个参数；鸭群算法的参数寻优过程分为三个阶段：

30、(1)种群初始化：在上限为lb，下限为ub的d维搜索空间中，鸭群算法随机生成的初始位置参见式(4)：

31、xi＝lb+(ub-lb)·ο (4)

32、式中，xi表示第i只鸭子((i＝1,2,3,...,npop)在鸭群中的空间位置；npop为种群数量；o是介于(0,1)之间的随机数矩阵；

33、(2)探索阶段：当鸭群因食物的丰富性提高而发生排队行为时，个体会逐渐分散，并按照式(5)开始寻找食物：

34、

35、式中，p为转换概率；cf1和cf2分别为鸭群在搜索阶段的合作系数和竞争系数；为第t次迭代中当前历史值的最佳鸭子位置；为第t次迭代中，周围按鸭群搜索食物的代理；sign(r-0.5)的作用是影响食物搜索过程，可设为-1或1；μ为全局搜索的控制参数，其计算参见式(6)：

36、μ＝(sin(2·rand)+1)·(1-t/tmax)             (6)

37、式中，rand是介于(0,1)之间的随机数；

38、(3)开发阶段：在寻觅充足食物的过程中，每只鸭子的位置适应性至关重要，其定义参见式(7)：

39、

40、式中，kf1和kf2分别为鸭群在开发阶段的合作和竞争系数；和都为第t次迭代鸭群附近鸭子位置，其中k≠j；

41、另外，cf1、cf2、kf1、kf2需为介于(0,2)之间的常数，计算参照式(8)：

42、

43、前述的一种电能质量扰动识别方法中，所述s5具体为：xgboost模型通过学习由cnn传入的带标签的电能质量扰动信号的特征数据，有效地构建并结合多个低偏差决策树，识别不同扰动类型；经优化参数训练好的分类模型，能够接收输入测试集中未知的电能质量扰动信号；xgboost模型根据训练好的模型进行自动分类；假设现有一个数据集d＝{(xi，yi)}，其中包含p个样本和q个特征；则其xgboost分类结果参见式(9)：

44、

45、式中，为第k次提升时第i个样本的预测标签；k为总决策树；xi为输入的第i个样本；yi为第i个样本的标签；用第k棵树对第i个样本进行预测所得到的值是fk(xi)；g为由分类树构成的函数空间。

46、本发明的有益效果：与现有技术相比，本发明利用改进s变换(improved s-transform,ist)将一维时间扰动信号转换为二维时频图像并添加标签；读取图像数据，并对该图像进行尺寸调节和标准化操作，将重构后的图像数据存储在单元数组中；通过卷积神经网络(convolutionneuralnetwork,cnn)对存储在单元数组中的扰动信号进行特征提取；为使得参数的选取更加合理化，利用鸭群算法(duck swarm algorithm,dsa)对极端梯度提升树(extreme gradientboosting,xgboost)的深度、学习率等参数进行寻优；最后利用dsa优化的xgboost模型对电能质量扰动信号进行分类，使得该扰动检测方法具备高效性和可解释性。

47、本发明的方法具有以下几个方面的优点：

48、(1)使用ist算法生成时频图，可以通过窗口函数和傅里叶变换的手段深度挖掘原始信号的内在属性。该步骤有助于增加信号的可读性，便于后续的特征提取和分类。

49、(2)该方法对生成的时频图进行尺寸调整、批量归一化，有助于后续构建方便、稳健的数据集。

50、(3)利用2-d cnn自动提取特征，一方面可以避免人为特征提取的主观性，同时避免由于经验各异造成提取的特征有冗余或欠缺的现象；另一方面是其通过定义明确的网络框架，采用先进的训练算法与参数可以使得模型充分从训练数据中提取有用信息，这便于在特征空间中深度挖掘数据的内在规律。

51、(4)通过设定目标函数，利用dsa寻找到的最优参数可使xgboost的训练和预测性能也将得到显著提升。降低了人为参数调节的试错成本。

52、(5)优化后的xgboost模型通过构建并结合多个低偏差决策树，增强了模型的识别能力和鲁棒性；在电能质量扰动信号识别分类上，表现优异，可以更准确地分类未知的电能质量扰动信号。