本發(fā)明涉及配電網(wǎng)領(lǐng)域,特別是一種基于分塊時(shí)頻譜和深度學(xué)習(xí)算法的配電網(wǎng)內(nèi)部過電壓識(shí)別方法。
背景技術(shù):
電網(wǎng)安全可靠運(yùn)行是國(guó)計(jì)民生科學(xué)發(fā)展的重要保障。隨著我國(guó)堅(jiān)持智能電網(wǎng)的迅速發(fā)展,對(duì)配電網(wǎng)供電可靠性及電能質(zhì)量的要求越來越高。運(yùn)行經(jīng)驗(yàn)表明,過電壓是影響配電網(wǎng)安全運(yùn)行的重要因素之一。配電網(wǎng)內(nèi)部過電壓持續(xù)時(shí)間較長(zhǎng),對(duì)配電網(wǎng)的安全可靠運(yùn)行具有極大的威脅。因此,及時(shí)檢測(cè)配電網(wǎng)出現(xiàn)的過電壓,準(zhǔn)確區(qū)分過電壓類型,對(duì)于配電網(wǎng)災(zāi)害預(yù)防和故障分析是十分必要的。
國(guó)內(nèi)外對(duì)于過電壓的分類識(shí)別研究的核心步驟是特征量的提取。由于過電壓類型的多樣性,往往需要尋求多個(gè)特征量方可表征過電壓信號(hào)的特征模式,達(dá)到識(shí)別的目的,且應(yīng)用于配電網(wǎng)過電壓分類識(shí)別問題的分類算法主要都是采用較為成熟的機(jī)器學(xué)習(xí)算法,這些算法不具備自我學(xué)習(xí)的能力。深度學(xué)習(xí)算法可以從大量未標(biāo)記數(shù)據(jù)中進(jìn)行自我學(xué)習(xí),防止出現(xiàn)過擬合或者陷入局部最優(yōu)解的情況。最新的研究成果顯示,深度學(xué)習(xí)算法在多個(gè)領(lǐng)域改善了分類識(shí)別的性能,其在電力系統(tǒng)分類識(shí)別問題中有良好的應(yīng)用前景。
技術(shù)實(shí)現(xiàn)要素:
有鑒于此,本發(fā)明的目的是提出一種基于分塊時(shí)頻譜和深度學(xué)習(xí)算法的配電網(wǎng)內(nèi)部過電壓識(shí)別方法,采用分塊時(shí)頻譜圖作為深度學(xué)習(xí)算法的輸入,能夠自主學(xué)習(xí)各類過電壓的特征,實(shí)現(xiàn)配電網(wǎng)內(nèi)部過電壓的分類識(shí)別。
本發(fā)明采用以下方案實(shí)現(xiàn):一種基于分塊時(shí)頻譜和深度學(xué)習(xí)算法的配電網(wǎng)內(nèi)部過電壓識(shí)別方法,具體包括以下步驟:
步驟S1:獲取過電壓信號(hào);
步驟S2:利用局部特征尺度分解方法分解步驟S1獲取的過電壓信號(hào);
步驟S3:按照設(shè)定的頻帶對(duì)步驟S2中的過電壓信號(hào)進(jìn)行帶通濾波,構(gòu)造時(shí)頻矩陣;
步驟S4:獲取分塊時(shí)頻譜圖;
步驟S5:采用深度學(xué)習(xí)算法對(duì)步驟S4獲得的分塊時(shí)頻譜圖進(jìn)行分類識(shí)別。
進(jìn)一步地,所述步驟S1具體為:截取過電壓發(fā)生前的0.5個(gè)周波至過電壓發(fā)生后的4.5個(gè)周波共5個(gè)工頻周波的三相電壓和零序電壓的仿真波形。
進(jìn)一步地,步驟S3具體為:設(shè)過電壓信號(hào)經(jīng)希爾伯特帶通濾波后分解為m個(gè)子頻帶,各個(gè)波形采樣點(diǎn)數(shù)均為n,各個(gè)子頻帶波形的數(shù)據(jù)點(diǎn)為aij(i=1,2,...,m;j=1,2,...n),構(gòu)造時(shí)頻矩陣為:
進(jìn)一步地,所述步驟S4具體包括以下步驟:
步驟S41:設(shè)過電壓信號(hào)被分解為m個(gè)頻帶,每個(gè)頻帶n個(gè)數(shù)據(jù)點(diǎn),將時(shí)頻矩陣中各個(gè)頻帶序列按時(shí)間進(jìn)行Z等分,即對(duì)每一行序列按時(shí)間進(jìn)行Z等分,得到Z個(gè)時(shí)頻區(qū)域,稱為時(shí)頻塊,每個(gè)時(shí)頻塊含有P個(gè)數(shù)據(jù)點(diǎn),其中P=n/Z,第m個(gè)頻帶中第z個(gè)時(shí)頻塊的能量的計(jì)算公式為:
其中:表示第m個(gè)頻帶第z個(gè)時(shí)頻塊中第y個(gè)數(shù)據(jù)點(diǎn)的幅值,Δt表示兩個(gè)數(shù)據(jù)點(diǎn)間的時(shí)間間隔,即采樣周期;
步驟S42:每個(gè)過電壓信號(hào)的分塊時(shí)頻譜矩陣為:
步驟S43:將4個(gè)過電壓波形對(duì)應(yīng)的分塊時(shí)頻譜按三相電壓、零序電壓的順序從上至下拼接,即可得到總的分塊時(shí)頻譜Etotal,作為過電壓識(shí)別的特征量,其總的分塊時(shí)頻譜Etotal表達(dá)形式為:
其中,分別表示A相電壓信號(hào)、B相電壓信號(hào)、C相電壓信號(hào)、零序電壓信號(hào)的分塊時(shí)頻譜矩陣。
進(jìn)一步地,所述深度學(xué)習(xí)算法采用卷積神經(jīng)網(wǎng)絡(luò)。
與現(xiàn)有技術(shù)相比,本發(fā)明有以下有益效果:
1、本發(fā)明利用局部特征尺度分解、希爾伯特帶通濾波算法分頻帶重構(gòu)的的信號(hào),再進(jìn)行分塊時(shí)頻譜圖的獲取,可完備地描述過電壓信號(hào)在各個(gè)子頻帶內(nèi)的時(shí)頻特征。
2、本發(fā)明結(jié)合深度學(xué)習(xí)算法進(jìn)行過電壓類型識(shí)別,不需要進(jìn)行多個(gè)特征量的提取,深度學(xué)習(xí)算法可以自主學(xué)習(xí)各類過電壓分塊時(shí)頻譜圖的特征,訓(xùn)練完成即可進(jìn)行過電壓識(shí)別。
3、本發(fā)明的抗噪性能良好,實(shí)測(cè)波形和仿真波形均能取得良好的效果,能夠較準(zhǔn)確地識(shí)別單相金屬性接地、間歇性弧光接地、高頻諧振、基頻諧振、分頻諧振五類配電網(wǎng)暫時(shí)過電壓類型。
附圖說明
圖1為本發(fā)明算法流程示意圖。
具體實(shí)施方式
下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說明。
如圖1所示,本實(shí)施例提供了一種基于分塊時(shí)頻譜和深度學(xué)習(xí)算法的配電網(wǎng)內(nèi)部過電壓識(shí)別方法,具體包括以下步驟:
步驟S1:獲取過電壓信號(hào):截取過電壓發(fā)生前的0.5個(gè)周波至過電壓發(fā)生后的4.5個(gè)周波共5個(gè)工頻周波的三相電壓和零序電壓的仿真波形;
步驟S2:利用局部特征尺度分解方法分解步驟S1獲取的過電壓信號(hào);
步驟S3:按照設(shè)定的頻帶對(duì)步驟S2中的過電壓信號(hào)進(jìn)行帶通濾波,構(gòu)造時(shí)頻矩陣;
步驟S4:獲取分塊時(shí)頻譜圖;
步驟S5:采用深度學(xué)習(xí)算法對(duì)步驟S4獲得的分塊時(shí)頻譜圖進(jìn)行分類識(shí)別。其中,所述深度學(xué)習(xí)算法采用卷積神經(jīng)網(wǎng)絡(luò)。
在本實(shí)施例中,首先利用仿真軟件搭建的過電壓模型獲取內(nèi)部過電壓的波形,截取預(yù)設(shè)的過電壓波形區(qū)間,為了截取完整的分頻諧振波形,截取區(qū)間設(shè)置為5個(gè)工頻周波;然后,利用局部特征尺度分解對(duì)內(nèi)部過電壓進(jìn)行分解,結(jié)合希爾伯特帶通濾波算法獲取不同頻帶的信號(hào)分量,并構(gòu)造時(shí)頻矩陣,對(duì)該矩陣進(jìn)行分塊,將同一組的過電壓分塊時(shí)頻矩陣進(jìn)行拼接,獲取分塊時(shí)頻譜圖,作為卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和測(cè)試樣本,從而實(shí)現(xiàn)對(duì)內(nèi)部過電壓過電壓的有效辨識(shí)。
在本實(shí)施例中,局部特征尺度分解方法是非線性、非平穩(wěn)信號(hào)的自適應(yīng)時(shí)頻分析方法。該方法繼承了目前廣泛應(yīng)用的經(jīng)驗(yàn)?zāi)B(tài)分解法的優(yōu)點(diǎn),并改善了經(jīng)驗(yàn)?zāi)B(tài)分解法的端點(diǎn)效應(yīng)、模態(tài)混疊和分解速度等問題,用于內(nèi)部過電壓信號(hào)的分解極具優(yōu)勢(shì)。具體為:利用局部特征尺度分解方法進(jìn)行波形分解,得到若干個(gè)內(nèi)稟尺度分量,具體步驟為:
首先,滿足以下兩個(gè)條件的單分量信號(hào)可被稱為內(nèi)稟尺度分量:
(Ⅰ)信號(hào)數(shù)據(jù)的任意兩個(gè)相鄰極值點(diǎn)符號(hào)互異;
(Ⅱ)信號(hào)數(shù)據(jù)的任意兩個(gè)相鄰極大(或小)值點(diǎn)確定的直線在二者之間的極小(或大)值點(diǎn)所對(duì)應(yīng)的橫坐標(biāo)處的函數(shù)值與該極小(或大)值點(diǎn)的比值保持不變;
根據(jù)上述兩個(gè)條件,將過電壓信號(hào)進(jìn)行局部特征尺度分解,分解成若干個(gè)內(nèi)稟尺度分量和一個(gè)殘余項(xiàng)之和,即其中,x(t)為原始信號(hào),n為內(nèi)稟尺度分量的個(gè)數(shù);isci(t)為第i個(gè)內(nèi)稟尺度分量;r(t)為剩余分量。
在本實(shí)施例中,希爾伯特帶通濾波算法本身具有良好的濾波效果,因此噪聲對(duì)于本發(fā)明實(shí)施例識(shí)別效果的影響十分微弱,本實(shí)施例具有良好的抗噪性能。具體為:
對(duì)內(nèi)稟尺度分量進(jìn)行希爾伯特變換,得到二維Hilbert能量譜圖,該圖中數(shù)據(jù)點(diǎn)的灰度值表示對(duì)應(yīng)IMF分量在時(shí)域上的瞬時(shí)能量。對(duì)各個(gè)內(nèi)稟尺度分量分量做希爾伯特變換,第i個(gè)內(nèi)稟尺度分量變換公式為:
構(gòu)造相應(yīng)的解析信號(hào)Yi(t)為:
Yi(t)=isci(t)+jH[isci(t)];
則第i個(gè)內(nèi)稟尺度分量瞬時(shí)頻率函數(shù)fi(t)為:
根據(jù)需要選取合適的頻帶寬度Δf,以此對(duì)頻譜圖中的瞬時(shí)頻率進(jìn)行等間隔區(qū)域劃分,則第i個(gè)區(qū)域的頻率范圍為[(i-1)Δf,iΔf],將所有IMF分量不在該頻率范圍內(nèi)的瞬時(shí)能量點(diǎn)灰度值都置為零,其余在該頻率范圍內(nèi)的瞬時(shí)能量點(diǎn)灰度值保持不變,即可得到所有IMF分量在該頻帶的成分。最后將經(jīng)第i個(gè)頻帶濾波后的所有IMF分量疊加,可得到原始信號(hào)在該頻帶內(nèi)的分量,同理可得到其他頻帶內(nèi)的分量,將各個(gè)頻帶按順序存儲(chǔ),即可得時(shí)頻矩陣。假設(shè)過電壓信號(hào)經(jīng)希爾伯特帶通濾波后分解為m個(gè)子頻帶,各個(gè)波形采樣點(diǎn)數(shù)均為n,各個(gè)子頻帶波形的數(shù)據(jù)點(diǎn)為aij(i=1,2,...,m;j=1,2,...n),則可得到時(shí)頻矩陣為:
在上述實(shí)施例中,分塊時(shí)頻譜圖作為卷積神經(jīng)網(wǎng)絡(luò)的輸入,可以反映不同過電壓信號(hào)的時(shí)頻特征。具體為:
設(shè)過電壓信號(hào)被分解為m個(gè)頻帶,每個(gè)頻帶n個(gè)數(shù)據(jù)點(diǎn)。將時(shí)頻矩陣中各個(gè)頻帶(每一行)序列按時(shí)間進(jìn)行Z等分,得到Z個(gè)時(shí)頻區(qū)域,稱為時(shí)頻塊,每個(gè)時(shí)頻塊含有P個(gè)數(shù)據(jù)點(diǎn)(P=n/Z),第m個(gè)頻帶中第z個(gè)時(shí)頻塊的能量計(jì)算公式為:
其中:表示第m個(gè)頻帶第z個(gè)時(shí)頻塊中第y個(gè)數(shù)據(jù)點(diǎn)的幅值,Δt表示兩個(gè)數(shù)據(jù)點(diǎn)間的時(shí)間間隔,即采樣周期。
每個(gè)過電壓信號(hào)的分塊時(shí)頻譜矩陣為:
將4個(gè)過電壓波形對(duì)應(yīng)的分塊時(shí)頻譜按三相電壓、零序電壓的順序從上至下拼接,即可得到一組過電壓信號(hào)的分塊時(shí)頻譜Etotal,其矩陣表達(dá)形式為:
在本實(shí)施例中,采用7層卷積神經(jīng)網(wǎng)絡(luò)(CNN),包含1個(gè)輸入層、2個(gè)卷積層、2個(gè)池化層、1個(gè)全連接層和1個(gè)輸出層。利用反向傳播(BP)算法對(duì)所設(shè)計(jì)的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。具體為:
(1)初始化CNN網(wǎng)絡(luò)結(jié)構(gòu),包括每個(gè)卷積層的卷積核大小、數(shù)量和輸出特征圖數(shù)量(卷積步長(zhǎng)默認(rèn)為1),每個(gè)下采樣層的采樣窗口大小、下采樣方式、下采樣步長(zhǎng)等,設(shè)置每批迭代樣本數(shù)量、迭代上限次數(shù)等;
(2)調(diào)整所有分塊時(shí)頻譜樣本的圖像大小為輸入層要求的輸入圖像大小;把所有樣本分為訓(xùn)練集、測(cè)試集;
(3)初始化參數(shù),將各層權(quán)值ω、偏置項(xiàng)b等初始化為接近0的隨機(jī)數(shù);將超參數(shù)α、λ初始化為足夠小的隨機(jī)數(shù),并設(shè)置隨著訓(xùn)練次數(shù)增加時(shí)這兩個(gè)參數(shù)的調(diào)整策略;
(4)定義各層之間的相關(guān)矩陣;
(5)開始訓(xùn)練網(wǎng)絡(luò),進(jìn)行一次前向傳播,按順序計(jì)算出每層的激活值,然后計(jì)算輸出層實(shí)際輸出值與給定類型值的誤差;
(6)將步驟(5)計(jì)算得到的誤差值進(jìn)行反向傳播,分別計(jì)算每層權(quán)值和偏置項(xiàng)的調(diào)整量,并判斷是否需要進(jìn)行超參數(shù)的更新;
(7)根據(jù)步驟6)計(jì)算得到的調(diào)整量,調(diào)整各層權(quán)值和偏置項(xiàng);
(8)重復(fù)步驟(5)~步驟(7),直到誤差滿足精度要求或達(dá)到迭代次數(shù)上限;
(9)訓(xùn)練結(jié)束,保存訓(xùn)練結(jié)束時(shí)的各項(xiàng)最新參數(shù)。
本實(shí)施例采用以上技術(shù)之后,能夠直接對(duì)內(nèi)部過電壓仿真波形進(jìn)行辨識(shí),也可直接對(duì)現(xiàn)場(chǎng)錄波裝置記錄的過電壓波形進(jìn)行辨識(shí),與工程實(shí)際緊密結(jié)合,可靠的反映電力系統(tǒng)實(shí)際運(yùn)行中過電壓的情況;在對(duì)過電壓波形進(jìn)行截取時(shí),充分考慮不同過電壓類型,恰當(dāng)選取信號(hào)截取區(qū)間,防止有效信息數(shù)據(jù)丟失;本發(fā)明的突出優(yōu)點(diǎn)是能夠自主學(xué)習(xí)各類過電壓的時(shí)頻特征,不需要進(jìn)行多個(gè)特征量的提取,打破類型識(shí)別特征量提取困難的壁壘。
特別的,本實(shí)例選取的過電壓信號(hào)來源于PSCAD/EMTDC軟件搭建10kV配電網(wǎng)模型用于獲取過電壓數(shù)據(jù)。訓(xùn)練樣本和測(cè)試樣本均為102個(gè)。
內(nèi)部過電壓的辨識(shí)步驟為:
(1)分塊時(shí)頻譜的獲取。
根據(jù)本發(fā)明公開的內(nèi)容,對(duì)五種內(nèi)部過電壓進(jìn)行局部特征尺度分解,根據(jù)瞬時(shí)頻率矩陣進(jìn)行帶通濾波,將每個(gè)ISC分量分解到6個(gè)頻帶:0~10Hz、10~20Hz、20~30Hz、30~40Hz、40~80Hz、80~600Hz,并將每個(gè)頻帶內(nèi)的所有ISC分量疊加,獲得時(shí)頻矩陣;對(duì)時(shí)頻矩陣分塊求取能量值,獲取五種內(nèi)部過電壓的分塊時(shí)頻譜。
(2)內(nèi)部過電壓類型辨識(shí)。
根據(jù)本發(fā)明公開的內(nèi)容,輸入層的輸入圖像為24×100的分塊時(shí)頻譜;卷積層1采用6個(gè)5×5的卷積核對(duì)輸入圖像進(jìn)行卷積操作,卷積移動(dòng)步長(zhǎng)為1,輸出6個(gè)20×96的特征圖;下采樣層1采用平均值下采樣方式,采樣窗口大小2×2,橫縱步長(zhǎng)均為2,輸出6個(gè)10×48的特征圖;卷積層2采用6×12=72個(gè)5×5的卷積核對(duì)6個(gè)特征圖進(jìn)行卷積操作,卷積移動(dòng)步長(zhǎng)為1,獲得12個(gè)6×44的輸出特征圖;下采樣層2采用平均值下采樣方式,采樣窗口大小2×2,橫縱步長(zhǎng)均為2,輸出12個(gè)3×22的特征圖;全連接層將下采樣層輸出的12個(gè)特征圖按列展開,并以此堆疊,形成792×1的特征向量,并與輸出層全連接;輸出層輸出一個(gè)5×1的類型判別向量,輸出結(jié)果中的每個(gè)元素值均在[0,1],取最大值元素所在的位置編號(hào)作為最終判別的故障類型編號(hào),其對(duì)應(yīng)關(guān)系為1:分頻諧振;2:?jiǎn)蜗嘟饘傩越拥兀?:間歇性弧光接地;4:高頻諧振;5:基頻諧振。設(shè)置每批迭代樣本數(shù)量為34、迭代上限次數(shù)為3000。
辨識(shí)結(jié)果:識(shí)別正確率達(dá)94.12%。
以上所述僅為本發(fā)明的較佳實(shí)施例,凡依本發(fā)明申請(qǐng)專利范圍所做的均等變化與修飾,皆應(yīng)屬本發(fā)明的涵蓋范圍。