本發(fā)明涉及一種電能質(zhì)量擾動(dòng)定位與識(shí)別方法，特別涉及一種基于提升小波和改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)系統(tǒng)電能質(zhì)量擾動(dòng)定位與識(shí)別方法。

背景技術(shù)：

近年來(lái)，電力電子設(shè)備的廣泛應(yīng)用使得配電網(wǎng)系統(tǒng)中電能質(zhì)量擾動(dòng)問(wèn)題日益突出。因此，如何提高電能質(zhì)量成為目前配電網(wǎng)系統(tǒng)等相關(guān)領(lǐng)域的熱點(diǎn)課題。配電網(wǎng)電能質(zhì)量擾動(dòng)的研究和治理受到了越來(lái)越多的重視，而快速、準(zhǔn)確地對(duì)配電網(wǎng)電能質(zhì)量擾動(dòng)定位與識(shí)別是其中的重要環(huán)節(jié)也是評(píng)價(jià)和改善電能質(zhì)量的重要措施。

國(guó)內(nèi)外對(duì)配電網(wǎng)系統(tǒng)電能質(zhì)量擾動(dòng)定位與識(shí)別已展開(kāi)廣泛而深入的研究和探討，產(chǎn)生了許多方法，如短時(shí)傅立葉變換，s變換，小波變換和廣義s變換等技術(shù)，但都存在各自的不足。短時(shí)傅立葉變換由于其時(shí)間窗長(zhǎng)度和形狀相對(duì)固定，不能同時(shí)體現(xiàn)高頻及低頻的特征，存在局限性；用s變換法對(duì)電能質(zhì)量擾動(dòng)進(jìn)行檢測(cè)與分類，檢測(cè)定位精度較高，分類相對(duì)準(zhǔn)確，但s變換運(yùn)算量較大，實(shí)時(shí)性難保證；小波變換能較好地定位與識(shí)別電能質(zhì)量擾動(dòng)，但采用的是傳統(tǒng)小波，運(yùn)算速度較慢，定位耗時(shí)較長(zhǎng)；用廣義s變換法來(lái)定位與識(shí)別電能質(zhì)量擾動(dòng)，定位精度和擾動(dòng)識(shí)別率較高，但定位方法復(fù)雜，計(jì)算量大。

技術(shù)實(shí)現(xiàn)要素：

為了解決配電網(wǎng)系統(tǒng)電能質(zhì)量擾動(dòng)定位與識(shí)別存在的技術(shù)問(wèn)題，本發(fā)明是提供一種速度更快、實(shí)時(shí)性更強(qiáng)且定位精度高的配電網(wǎng)系統(tǒng)電能質(zhì)量擾動(dòng)定位與識(shí)別的方法。

本發(fā)明解決上述技術(shù)問(wèn)題的技術(shù)方案是：

用euclidean分解算法得到db4小波提升方案；

對(duì)擾動(dòng)信號(hào)進(jìn)行提升小波分解；

結(jié)合模極大值對(duì)擾動(dòng)突變點(diǎn)峰值進(jìn)行定位檢測(cè)；

利用自適應(yīng)學(xué)習(xí)率和增加動(dòng)量項(xiàng)相結(jié)合的方法對(duì)bp神經(jīng)網(wǎng)絡(luò)改進(jìn)并進(jìn)行擾動(dòng)識(shí)別。

本發(fā)明的技術(shù)效果在于：本發(fā)明通過(guò)對(duì)配電網(wǎng)系統(tǒng)電能質(zhì)量擾動(dòng)信號(hào)的多分辨率db4提升小波分解，得到其高、低頻分解系數(shù)序列，然后利用模極大值來(lái)定位分析電能質(zhì)量擾動(dòng)起止時(shí)刻，提高了配電網(wǎng)系統(tǒng)電能質(zhì)量擾動(dòng)定位精度和速度，實(shí)時(shí)性更強(qiáng)，再通過(guò)自適應(yīng)學(xué)習(xí)率和增加動(dòng)量項(xiàng)相結(jié)合的方法對(duì)bp神經(jīng)網(wǎng)絡(luò)改進(jìn)，降低了陷入局部極小點(diǎn)的概率，提高了網(wǎng)絡(luò)收斂速度。

附圖說(shuō)明

圖1是本發(fā)明的流程圖

圖2是本發(fā)明中提升小波的前、逆向環(huán)節(jié)

圖3是本發(fā)明中提升小波的分解和重構(gòu)模型

圖4是本發(fā)明中使用的bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

圖5是本發(fā)明中傳統(tǒng)bp學(xué)習(xí)算法改進(jìn)流程。

具體實(shí)施方式

下面結(jié)合附圖，對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。

本發(fā)明對(duì)配電網(wǎng)系統(tǒng)電能質(zhì)量擾動(dòng)定位與識(shí)別的具體過(guò)程如圖1所示。

如圖2所示，小波的提升過(guò)程由分解、預(yù)測(cè)和更新三個(gè)步驟組成：

步驟一：分解，將原始信號(hào)x(n)(aj(n))按奇偶性分解成偶數(shù)序列xe[n]和奇數(shù)序列xo[n]兩個(gè)較小子集。

步驟二：預(yù)測(cè)，根據(jù)奇偶序列相關(guān)性，利用偶數(shù)序列xe[n]的預(yù)測(cè)值p(xe[n])來(lái)預(yù)測(cè)奇數(shù)序列xo[n]，用奇數(shù)序列的實(shí)際值與預(yù)測(cè)值做差得到小波系數(shù)dj-1[n]。

dj-1[n]＝xo[n]-p[xe(n)](1)

步驟三：更新，用步驟二中得到的小波系數(shù)dj-1[n]對(duì)偶數(shù)序列xe[n]更新，得到尺度系數(shù)aj-1[n]。

aj-1[n]＝xe[n]+u(dj-1[n])(2)

db4小波具有良好的消失矩、正則度、對(duì)稱性和緊支撐性。因此，選db4小波采用euclidean分解算法進(jìn)行提升，而實(shí)現(xiàn)小波提升的關(guān)鍵在于分解小波濾波器的多相矩陣及其逆矩陣得到提升因子s(z)、t(z)。具體euclidean分解實(shí)現(xiàn)過(guò)程如下：

記小波濾波器的多相矩陣為q(z)，即：

對(duì)ue(z)和uo(z)進(jìn)行euclidean分解可得：

式(4)中n∈2k+1，k為整數(shù)。

令m＝(n+1)/2，若1≤i≤m-1時(shí)，則ti(z)＝q2i-1(z)，si(z)＝q2i(z)；若i＝m，ti(z)＝qn(z)，si(z)＝k²s(z)。因此有：

根據(jù)上述方法對(duì)db4小波進(jìn)行提升，可得db4小波提升方案，即：

根據(jù)和qts(z)構(gòu)造出的db4提升小波分解模型及其重構(gòu)模型如圖3所示。

設(shè)θ(t)為一低通平滑函數(shù)且滿足和取θ(t)為高斯函數(shù)即設(shè)θ(t)一階可導(dǎo)，其導(dǎo)數(shù)為

則θ(t)的一階導(dǎo)數(shù)ψ′(t)滿足小波允許性條件所以ψ′(t)可以用做小波母函數(shù)。若記則θs(t)表示θ(t)在尺度因子s下的伸縮，以ψ′(t)為小波母函數(shù)，信號(hào)x(t)在尺度為s，位移為t處的小波變換為

由式(8)可知，ws′x(t)是信號(hào)x(t)在尺度s下由θ(t)平滑后再取一階導(dǎo)數(shù)。信號(hào)x(t)的小波變換ws′x(t)模的局部極大值點(diǎn)反映了信號(hào)x(t)的擾動(dòng)突變點(diǎn)，因此可以用小波變換模極大值點(diǎn)來(lái)定位擾動(dòng)信號(hào)突變點(diǎn)。

本發(fā)明的具體擾動(dòng)信號(hào)定位步驟如下：

步驟一：繪制原始信號(hào)并采樣，采樣頻率fs為10khz，即每個(gè)周期采樣200個(gè)點(diǎn)；

步驟二：小波分解，分別對(duì)擾動(dòng)信號(hào)進(jìn)行db4提升小波和db4小波4層分解，得到第一層高頻系數(shù)d1t和d1；

步驟三：判斷突變點(diǎn)，求d1t、d1模極大值點(diǎn)及其對(duì)應(yīng)位置，d1t、d1模極大值所在點(diǎn)位置即為電能質(zhì)量擾動(dòng)信號(hào)突變點(diǎn)；

步驟四：定位起止時(shí)刻，d1t、d1模極大所對(duì)應(yīng)的時(shí)刻即為電能質(zhì)量擾動(dòng)發(fā)生或結(jié)束時(shí)刻。

本發(fā)明采用研究最為成熟、應(yīng)用最為廣泛的bp神經(jīng)網(wǎng)絡(luò)來(lái)設(shè)計(jì)配電網(wǎng)系統(tǒng)電能質(zhì)量擾動(dòng)信號(hào)識(shí)別模型，其結(jié)構(gòu)如圖4所示。

bp神經(jīng)網(wǎng)絡(luò)是一種由輸入層、中間層和輸出層組成的按誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)。

輸入層：前面對(duì)擾動(dòng)信號(hào)進(jìn)行了4層db4提升小波分解，得到5層分解系數(shù)序列，共5種擾動(dòng)，分別是電壓驟升、電壓中斷、電壓驟降、脈沖瞬變和諧波擾動(dòng)，輸入變量共25個(gè)。

輸出層：由于電能質(zhì)量擾動(dòng)識(shí)別模型是對(duì)電壓驟升、電壓中斷、電壓驟降、脈沖瞬變和諧波擾動(dòng)進(jìn)行識(shí)別。因此，輸出為其對(duì)應(yīng)的識(shí)別率，共5個(gè)。

中間層：中間層神經(jīng)元的個(gè)數(shù)一般可以根據(jù)kolmogorov定理來(lái)確定。若輸入層變量個(gè)數(shù)為n，則中間層神經(jīng)元個(gè)數(shù)為2n+1，共51個(gè)。

針對(duì)傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)存在易陷入局部極小點(diǎn)、收斂速度慢等問(wèn)題，本發(fā)明將增加動(dòng)量項(xiàng)和自適應(yīng)學(xué)習(xí)率的bp學(xué)習(xí)算法相結(jié)合來(lái)改進(jìn)傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)，以降低陷入局部極小點(diǎn)的概率，提高收斂速度和識(shí)別精度。傳統(tǒng)bp學(xué)習(xí)算法具體實(shí)現(xiàn)步驟如下：

步驟一：連接權(quán)值w初始化，設(shè)定當(dāng)前迭代t；

步驟二：輸入訓(xùn)練樣本p，設(shè)定當(dāng)前輸入p，計(jì)算各層輸入誤差和反向傳播誤差；

步驟三：判斷p與p的大小。若p≥p，跳轉(zhuǎn)到步驟四；若p＜p，則p＝p+1，跳轉(zhuǎn)到步驟二；

步驟四：根據(jù)各層連接權(quán)值調(diào)整公式調(diào)整連接權(quán)值；

步驟五：根據(jù)步驟四得到的新連接權(quán)值，計(jì)算各層輸出誤差、反向傳播誤差和網(wǎng)絡(luò)總誤差e(t)；

步驟六：判斷網(wǎng)絡(luò)總誤差e(t)和系統(tǒng)允許誤差ε、當(dāng)前迭代t和最大訓(xùn)練次數(shù)t的大小，若e(t)＜ε或者t＞t，則結(jié)束訓(xùn)練；反之，則跳轉(zhuǎn)到步驟二進(jìn)行新一輪訓(xùn)練。

自適應(yīng)學(xué)習(xí)率的bp學(xué)習(xí)算法根據(jù)更新后的連接權(quán)值是否降低了網(wǎng)絡(luò)總誤差e(t)來(lái)自動(dòng)調(diào)整學(xué)習(xí)率參數(shù)，網(wǎng)絡(luò)收斂速度大幅提高。學(xué)習(xí)率η(t)的調(diào)整公式如下：

增加動(dòng)量項(xiàng)的bp學(xué)習(xí)算法是通過(guò)當(dāng)前誤差曲面的負(fù)梯度變化量和前一次迭代修正所采納的權(quán)值變化來(lái)獲取權(quán)值的改變量，如公式(10)。通過(guò)動(dòng)量項(xiàng)的作用可有效提高收斂速度，并有助于網(wǎng)絡(luò)從誤差曲面的極小值中跳出。

w(t)＝δwbp(t)+δ[w(t-1)-w(t-2)](10)

式中：w(t)為第t次迭代誤差；δwbp(t)為傳統(tǒng)bp學(xué)習(xí)算法第t次迭代的權(quán)值改變量；動(dòng)量因子δ通常取0.95。傳統(tǒng)bp學(xué)習(xí)算法改進(jìn)流程如圖5所示。

由圖5可知，與傳統(tǒng)bp學(xué)習(xí)算法相比，改進(jìn)bp學(xué)習(xí)算法對(duì)輸入層、中間層和輸出層的權(quán)值調(diào)整進(jìn)行了改進(jìn)，先根據(jù)式(9)調(diào)整動(dòng)態(tài)學(xué)習(xí)率，然后根據(jù)式(10)調(diào)整各層連接權(quán)值。

最后，利用基于改進(jìn)bp神經(jīng)網(wǎng)絡(luò)的配電網(wǎng)系統(tǒng)電能質(zhì)量擾動(dòng)識(shí)別模型就可對(duì)擾動(dòng)進(jìn)行快速精確的識(shí)別。