论文部分内容阅读
随着智能电网的快速发展和新能源并网技术的日益成熟,大量电力电子器件接入电网,使得非线性、冲击性、波动性负荷越来越多,致使电网中电压、电流波形发生畸变。此外,现代工业和民用电气设备的控制主要由计算机、微处理器等装置来实现,其对电能质量更为敏感。电能质量问题变得日益严峻,需快速检测各类扰动信号,并对其进行准确识别,这对于电能质量污染的治理具有重要意义。本文在前人工作基础上,开展了基于压缩感知和深度学习电能质量扰动识别的研究。为实现以较少的数据表征庞大冗余的原始扰动数据,通过分析电能质量信号的稀疏性,构建了一种结合平稳小波变换和压缩感知的电能质量稀疏模型。该稀疏模型具有数据降维、信号降噪的作用。基于此,本文设计了三种电能质量扰动识别方法。1).基于CS-SWT算法的电能质量扰动识别方法。通过稀疏模型获得各层稀疏向量,然后求解各层稀疏向量二次特征因子,利用最大相关最小冗余法对特征集进行选择,选取7项指标作为BP神经网络的输入,最终实现扰动识别。仿真结果表明,相比基于傅立叶基压缩感知下的电能质量扰动识别方法,该方法能够较好地识别脉冲、短时振荡等非平稳信号。针对几类典型单一和双重扰动,拥有良好识别精度和抗噪性。2).基于改进DBN的稀疏化电能质量扰动识别方法。结合深度置信网络处理高维数据的优势,通过构建深度置信网络(DBN),然后将各层稀疏向量直接作为DBN的输入,利用受限玻尔兹曼机自主地获得扰动特征,进而实现扰动的识别。此外,为提升扰动识别模型的识别效果,采用交叉熵算法对DBN的超参数进行寻优。仿真结果表明,构建的扰动模型能够有效提取各类扰动特征,针对几类典型的单一和复合扰动,拥有较好的识别效果和较强的抗噪性。同时整个识别耗时相比传统方法有进一步缩减。3).基于SSDAE的稀疏化电能质量扰动识别方法。利用另外一种深度学习模型—堆叠稀疏降噪自编码器(SSDAE),在自编码器基础上,加入稀疏限制和降噪处理,构建稀疏降噪自编码器,以更好对特征自主地学习,并堆叠而成SSDAE模型。将各层稀疏向量输入SSDAE模型中实现扰动智能识别。仿真结果表明,相较于前两种方法,此方法的识别耗时进一步降低,并且识别精度和抗噪性均相应程度提升。同时,采用三类实测扰动数据对此方法进行了测试,验证了其有效性。在此基础上,搭建了电能质量扰动识别测试GUI界面,可直观展示扰动识别模型的训练和测试结果。上述研究能够为压缩感知和深度学习在电能质量扰动识别中的应用提供了一个较好的思路。