本發(fā)明涉及電能質(zhì)量分析與監(jiān)測(cè)，尤其是一種基于雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法及裝置。

背景技術(shù)：

1、現(xiàn)代社會(huì)，電力系統(tǒng)是工業(yè)和居民生活的重要支柱，而電能質(zhì)量則是確保電力系統(tǒng)安全可靠運(yùn)行的關(guān)鍵。非線性負(fù)荷和分布式大規(guī)模并網(wǎng)所引起的電能質(zhì)量擾動(dòng)(powerquality?disturbance，pqd)，會(huì)嚴(yán)重影響電網(wǎng)中精密計(jì)算機(jī)和微處理器的安全穩(wěn)定運(yùn)行，在某些情況下可能造成嚴(yán)重的安全事故和經(jīng)濟(jì)損失。因此，電能質(zhì)量擾動(dòng)信號(hào)的準(zhǔn)確識(shí)別和分類對(duì)于提高供電質(zhì)量、監(jiān)測(cè)電力設(shè)備狀態(tài)、故障預(yù)測(cè)及排除具有重要意義。

2、隨著pqd的復(fù)雜性日益增加，傳統(tǒng)方法已無法滿足各種場(chǎng)景下對(duì)pqd的分類需求。深度學(xué)習(xí)方法主要利用卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?network，cnn)、遞歸神經(jīng)網(wǎng)絡(luò)(recurrent?neural?network，rnn)等模擬人腦結(jié)構(gòu)和自我訓(xùn)練能力，完成對(duì)大量pqd樣本數(shù)據(jù)的自主學(xué)習(xí)，能夠應(yīng)用于復(fù)雜pqd的識(shí)別。通過信號(hào)處理方法將一維信號(hào)轉(zhuǎn)換為二維圖像，然后結(jié)合深度學(xué)習(xí)圖像處理模型對(duì)二維圖像進(jìn)行特征提取，完成pqd分類，已經(jīng)成為目前的主流方法。

3、利用神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)頻分析得到的時(shí)頻圖進(jìn)行識(shí)別，這種方法雖然取得了一定效果，但單一的時(shí)頻特征區(qū)分度較低。錢倍奇等人首先利用馬爾可夫轉(zhuǎn)換場(chǎng)(markovtransition?field，mtf)將pqd信號(hào)的時(shí)序數(shù)據(jù)轉(zhuǎn)換為圖像數(shù)據(jù)，然后將圖像數(shù)據(jù)輸入cnn卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取，最后提取關(guān)鍵特征并進(jìn)行pqd分類，實(shí)驗(yàn)表明這種方法具有更好的分類效果和抗噪聲能力。此外，也有人提出了一種利用格拉姆角場(chǎng)(gramain?angularfields，gaf)和深度殘差網(wǎng)絡(luò)(residual?network，resnet)進(jìn)行復(fù)合擾動(dòng)識(shí)別的方法，實(shí)驗(yàn)表明這種方法對(duì)復(fù)合擾動(dòng)識(shí)別的準(zhǔn)確率較高，然而，上述兩種方法的網(wǎng)絡(luò)參數(shù)量都非常大，造成模型訓(xùn)練難度增加，并且對(duì)計(jì)算資源需求較高。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述的分析，本發(fā)明旨在提供一種基于雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法及裝置，能夠有效克服現(xiàn)有技術(shù)所存在的對(duì)電能質(zhì)量擾動(dòng)信號(hào)識(shí)別的準(zhǔn)確率較低，以及模型結(jié)構(gòu)較為復(fù)雜的缺陷。

2、本發(fā)明的目的主要是通過以下技術(shù)方案實(shí)現(xiàn)的：

3、本發(fā)明一方面公開了一種基于雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法，包括以下步驟：

4、步驟s1、采集電力系統(tǒng)中電能質(zhì)量擾動(dòng)信號(hào)；

5、步驟s2、構(gòu)建雙路特征圖像；一路為對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行s變換得到s變換矩陣圖；另一路為對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行周期重構(gòu)得到周期重構(gòu)矩陣圖；

6、步驟s3、將雙路特征圖像輸入到訓(xùn)練好的雙路特征融合網(wǎng)絡(luò)，進(jìn)行電能質(zhì)量擾動(dòng)信號(hào)識(shí)別；

7、所述雙路特征融合網(wǎng)絡(luò)，對(duì)輸入的s變換矩陣圖和周期重構(gòu)矩陣圖分別進(jìn)行特征提取、特征融合和分類后，輸出電力系統(tǒng)中擾動(dòng)事件的分類識(shí)別結(jié)果。

8、本發(fā)明另一方面還公開了一種基于雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別裝置，包括：雙路特征圖像生成模塊和雙路特征融合模塊；

9、所述雙路特征圖像生成模塊，對(duì)采集的電力系統(tǒng)中電能質(zhì)量擾動(dòng)信號(hào)分別進(jìn)行s變換和周期重構(gòu)，得到s變換矩陣圖和周期重構(gòu)矩陣圖；

10、所述雙路特征融合模塊，內(nèi)置訓(xùn)練好的雙路特征融合網(wǎng)絡(luò)，對(duì)輸入的s變換矩陣圖和周期重構(gòu)矩陣圖分別進(jìn)行特征提取后，進(jìn)行特征融合和分類，輸出對(duì)電力系統(tǒng)中擾動(dòng)事件的分類識(shí)別結(jié)果。

11、本發(fā)明有益效果如下：

12、與現(xiàn)有技術(shù)相比，本發(fā)明所提供的基于雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法及裝置，將一維電能質(zhì)量擾動(dòng)信號(hào)分別轉(zhuǎn)換為s變換矩陣圖和周期重構(gòu)矩陣圖，利用shuffternet_v2輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)對(duì)這兩種圖像分別進(jìn)行特征提取，再利用多頭注意力機(jī)制模塊進(jìn)行特征融合，最后分類層進(jìn)行特征識(shí)別，得到電能質(zhì)量擾動(dòng)信號(hào)識(shí)別結(jié)果，同時(shí)本發(fā)明通過雙路輸入特征和shuffternet_v2輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)的雙路特征融合，能夠在高噪聲環(huán)境下對(duì)單一及復(fù)合電能質(zhì)量擾動(dòng)進(jìn)行準(zhǔn)確識(shí)別，并且采用的雙路特征融合網(wǎng)絡(luò)的結(jié)構(gòu)簡單，便于進(jìn)行模型訓(xùn)練，同時(shí)對(duì)計(jì)算資源需求不高。

技術(shù)特征：

1.一種基于雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法，其特征在于：包括以下步驟：

2.根據(jù)權(quán)利要求1所述的雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法，其特征在于：

3.根據(jù)權(quán)利要求2所述的雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法，其特征在于，

4.根據(jù)權(quán)利要求1所述的雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法，其特征在于，

5.根據(jù)權(quán)利要求1-4任一項(xiàng)所述的雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法，其特征在于，

6.根據(jù)權(quán)利要求5所述的雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法，其特征在于，

7.一種基于雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別裝置，其特征在于，包括：雙路特征圖像生成模塊和雙路特征融合模塊；

8.根據(jù)權(quán)利要求7所述的雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別裝置，其特征在于，

9.根據(jù)權(quán)利要求8所述的雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別裝置，其特征在于，

10.根據(jù)權(quán)利要求9所述的雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別裝置，其特征在于，

技術(shù)總結(jié)
本發(fā)明涉及一種基于雙路特征融合網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)信號(hào)識(shí)別方法及裝置；屬于電能質(zhì)量分析與監(jiān)測(cè)技術(shù)領(lǐng)域；方法包括：采集電力系統(tǒng)中電能質(zhì)量擾動(dòng)信號(hào)；構(gòu)建雙路特征圖像；一路為對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行S變換得到S變換矩陣圖；另一路為對(duì)電能質(zhì)量擾動(dòng)信號(hào)進(jìn)行周期重構(gòu)得到周期重構(gòu)矩陣圖；將雙路特征圖像輸入到訓(xùn)練好的雙路特征融合網(wǎng)絡(luò)，進(jìn)行電能質(zhì)量擾動(dòng)信號(hào)識(shí)別；所述雙路特征融合網(wǎng)絡(luò)，對(duì)輸入的S變換矩陣圖和周期重構(gòu)矩陣圖分別進(jìn)行特征提取、特征融合和分類后，輸出電力系統(tǒng)中擾動(dòng)事件的分類識(shí)別結(jié)果。本發(fā)明能夠有效克服現(xiàn)有技術(shù)所存在的對(duì)電能質(zhì)量擾動(dòng)信號(hào)識(shí)別的準(zhǔn)確率較低，以及模型結(jié)構(gòu)較為復(fù)雜的缺陷。

技術(shù)研發(fā)人員：劉業(yè)軍,金寶,陳思源
受保護(hù)的技術(shù)使用者：安徽燦邦電氣有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19