一种基于同步相量量测数据的电能质量扰动识别方法与流程

本发明涉及电能质量扰动识别、同步相量测量等，尤其涉及一种基于同步相量量测数据的电能质量扰动识别方法。

背景技术：

1、为加快实现“双碳”目标，新型电力系统建设加速推进，呈现高比例新能源、高比例电力电子设备、交直流互联等多样化的发展态势，源-网-荷-储各环节电能质量特性与分布水平发生了广泛而深刻的变革。新型电力系统逐步接入海量且具有高度非线性与随机波动性的新型负荷，如电动汽车充电桩、分布式光伏与大型功率变换器等，使其电能质量问题呈现出多点、高发与时变等新特征，给电能质量管控带来了严峻挑战。为强化电能质量管控，践行《电能质量管理办法(暂行)》，亟需开展面向新型电力系统源荷特性的电能质量分析、溯源与防治等工作。在此之中，电能质量扰动识别是开展电能质量系列工作的首要任务，对电力系统的整体电能质量管控发挥着至关重要的作用。

2、电能质量扰动识别旨在对电能质量短期高频采样数据进行快速分析并给出当前系统运行的电能质量扰动类型，从而有效指导电能质量问题定位、溯源与防治。随着电力系统的多元化发展，传统以谐波与电压幅值特性的基本电能质量扰动已逐步转化为暂稳态多扰动融合的电能质量扰动，电能质量扰动识别的复杂度迅速提升。为了更准确高效地辨识电力系统的电能质量特征，基于同步相量测量技术的馈线终端得以应用，其为电能质量扰动识别方法提供了更高质量、长周期的分析样本，也进一步拓展了电能质量扰动识别方法的适用场景。因此，研究适应新型电力系统新特征的电能质量扰动方法具有较强的应用需求与工程实际意义。

3、当前已有大量学者开展了电能质量扰动识别方面的相关研究，其识别方法主根据以下两步开展：信号预处理与扰动分类识别。在信号预处理方面，大量时-频分析方法，如快速傅里叶变换、连续小波变换与stockwell变换等，得到了广泛应用，但均具有各自的优劣。其中，快速傅里叶变换仅可获取频域信息而无法将其与时域信息相关联；连续小波变换与stockwell变换存在着参数最优选取、对信号的奇异值敏感、计算量较大等问题。相较于时-频分析方法，信号分解方法也得到了一定应用，如经验模态分解、变分模态分解、自适应噪声集合经验模态分解等。信号分解方法旨在将原信号分解为多个反映电能质量扰动特性的本征模态函数，但如何确定其分解次数以及评价本征模态函数与特定电能质量扰动类型的关系仍不明确。大量学者目前采用试错法、主观确定法或优化求解方法，但此类方法均无法给出一种完全无需人工介入的预处理框架或范式，难以有效提高电能质量扰动识别的效率。在信号预处理之后，则需进行电能质量扰动进行进一步地分类识别。传统分类识别方法常采用数学分类模型或引入决策树、支撑向量机等机器学习模型，随着电能质量扰动类型的逐渐增多与多重扰动的耦合现象加剧，传统数学分类模型以及机器学习模型的识别准确偏低并且对于复杂场景的泛化能力难以保证。为此，大量基于计算机视觉的卷积神经网络与transformer等新型分类器得到了广大学者的青睐，但目前此类方法都仅局限于对单次变换后的原信号进行识别，输入特征极为有限。从电能质量分析原理出发，电能质量扰动在时域与频域上均具有显著特征，因此兼顾时-频域特征的电能质量扰动识别方法亟待完善与改进。

技术实现思路

1、针对现有技术存在的缺陷和不足，本发明提供一种基于同步相量量测数据的电能质量扰动识别方法，其主要设计点包括：

2、1)提出了一种同步相量量测数据的频域图像化方法，为电能质量扰动识别方法引入充分的频域信息；

3、2)提出了一种兼顾时-频域特征的新型并行融合卷积神经网络，可有效利用输入的时-频域特征实现高准确率的电能质量扰动识别。

4、其具体采用以下技术方案：

5、一种基于同步相量量测数据的电能质量扰动识别方法，包括：

6、数据预处理：获取原始电能质量扰动信号并进行归一化；利用快速傅里叶变换以及信号重构方法获取包含原扰动信号频域信息的频域分量图；将原扰动信号与其对应的频域分量图进行组合作为并行融合卷积神经网络的输入特征；

7、并行融合卷积神经网络的训练过程：生成多种混合电能质量扰动信号对包括一维卷积神经网络、二维卷积神经网络以及并行融合层的并行融合卷积神经网络进行训练并调整该网络的超参数以获取训练完备的并行融合卷积神经网络；

8、电能质量扰动识别：将实际采集所得信号直接输入训练完备的并行融合卷积神经网络，完成电能质量扰动的分类识别。

9、进一步地，所述原始电能质量扰动信号为电压时序信号或电流时序信号。

10、进一步地，将包含时域信息的原始电能质量扰动信号u(t)或i(t)与对其进行处理得到的包含频域信息的频域分量图tfu(t)或tfi(t)进行组合，构建同时包含时-频特征的输入特征组用于并行融合卷积神经网络进行特征提取与分类识别。

11、其中，原始电能质量扰动信号u(t)或i(t)直接作为输入并行融合卷积神经网络的时域特征。

12、进一步地，对于原始电能质量扰动信号(u(t))，首先采用快速傅里叶变换对其进行变换，得到反映电能质量扰动信号的频域序列

13、

14、其中，wfft为快速傅里叶变换矩阵，为l×n阶范德蒙矩阵；wn＝e(-2πi)/n为快速傅里叶变换的乘子；l为频域序列的长度，n为时域序列的长度；

15、再将频域序列重构为具有时频域特性的分量矩阵，具体过程如式(2)所示；

16、

17、其中，为输出的频域分量矩阵；将一维频域序列转化为对应的l×l阶对角矩阵；为快速傅里叶变换的广义逆矩阵；

18、然后将分量矩阵进行归一化并转化为与之相对应的灰度图像以供二维卷积神经网络进行识别，如式(3)所示；

19、

20、其中，tf(m,n)为输出的二维频域分量图；round为取整函数；max与min为对频域分量矩阵求最大值与最小值的运算。

21、如果原始扰动信号为电流i(t)，也采用相同的方法完成预处理以及后续的训练。

22、进一步地，所述并行融合卷积神经网络包括：用于提取时域特征的一维卷积神经网络、用于提取频域特征的二维卷积神经网络与用于融合特征的并行融合层。

23、进一步地，所述一维卷积神经网络由两组串行连接的卷积层、池化层与批量归一化层所构成。其以原始扰动信号作为输入，依次通过一维卷积层、一维池化层以及批量归一化层完成一维时序特征的提取。

24、进一步地，所述二维卷积神经网络以二维频域分量图作为输入，输入维度取决于原信号经变换后的尺寸。其频域特征的提取依次通过二维卷积层、二维池化层以及批量归一化层完成。

25、进一步地，所述二维卷积神经网络的输出维度与一维卷积神经网络相同，可通过全连接层放缩得到。

26、进一步地，所述并行融合层将一维特征与二维特征进行横向拼接，并将拼接后的特征依次输入全连接层、双向长短时记忆网络层、全连接层以及softmax激活函数以完成电能质量扰动识别；其中，两层全连接层用于放缩信号维度并构建输入输出间的概率关系；双向长短时记忆网络层用于提取信号间的时-频域间的时序依赖关系；softmax激活函数用于将输出特征转化为多个对应电能质量扰动类型的标志。

27、以及，一种同步相量测量装置，设置有根据以上所述方法获得的训练完备的并行融合卷积神经网络，用于电能质量扰动的分类识别。即，将训练完备的并行融合卷积神经网络嵌入至同步相量测量装置中。

28、相比于现有技术，本发明及其优选方案适用于装设了具备电压、电流采样能力的同步相量测量装置的任意场景。其可根据实际场景需求获取电压波形数据或电流波形数据，并对上述数据进行信号预处理以及分类识别，得出反映当前波形质量的电能质量扰动类型，可有效指导电能质量管理人员开展电能质量问题溯源分析与预防预治等工作。该方法基于同步相量量测数据并充分利用原始信号的时-频域特征，虽计算量略有增加，但能够提供更为准确的电能质量扰动识别结果。此外，提供的算法可以实现完全无需人工介入，在训练过程完成预参数设置后即可适应实际场景中的电能质量扰动分类识别。当应用于新场景时，仅需获取少量数据即可完成自动更新，具有一定的工程应用价值，可为电网公司安全运行、运维管控、提质增效提供服务。