论文部分内容阅读
随着新能源发电的广泛应用和非线性电力负荷类型的增加，各种电能质量(power quality, PQ)扰动事件日益增多。PQ复合扰动识别是PQ监测、分析和治理的基础，对保证电网安全高效稳定运行有着重要的现实意义。本文系统性研究了基于深度学习多任务分类的PQ复合扰动识别方法，对各类扰动的辨识特性、不完全S变换特征提取方法、多任务复合扰动识别建模、深度学习分类器设计展开深入研究，具体内容如下：
(1)建立了PQ单扰动和复合扰动的仿真数学模型，根据各扰动的性质将单扰动划分为四大类扰动类型；研究了S变换的基本原理，并基于S变换对各类扰动的辨识特性进行了可视化分析；提出一种只在少数重要频率点进行S变换的不完全S变换方法，能够在保留重要辨识信息同时显著降低S变换的时间复杂度，并以两种三重扰动为例验证了该方法的有效性。
(2)首次提出多任务分类这一新的复合扰动识别建模方式，并提出多任务复合扰动标签编码方案以及多任务扰动分类损失来具体实现；与多标签分类和多分类效果的对比验证了多任务分类能够更好地建模复合扰动的标签相关性，识别效果更好。
(3)提出基于不完全S变换的扰动特征提取方法；研究了深度前馈网络(deep feedforward network, DFN)的基本组成，提出了一种具体的DFN结构，并使用Dropout正则化来防止过拟合，仿真实验和实测实验验证了该方法能准确识别各种扰动，相比传统方法准确率更高。
(4)研究了卷积神经网络(convolutional neural network, CNN)的基本组成，采用批归一化、空洞卷积、残差模块等技术来人工设计更有效的网络结构；提出了一种多空洞系数复合残差模块，并具体设计了一种一维CNN扰动分类器结构，可直接以原始信号作为输入，端到端的完成复合扰动识别；仿真实验和实测实验表明该方法相比DFN和已有的一些CNN方法具有更高的识别准确率，展现出良好的应用前景。
(1)建立了PQ单扰动和复合扰动的仿真数学模型，根据各扰动的性质将单扰动划分为四大类扰动类型；研究了S变换的基本原理，并基于S变换对各类扰动的辨识特性进行了可视化分析；提出一种只在少数重要频率点进行S变换的不完全S变换方法，能够在保留重要辨识信息同时显著降低S变换的时间复杂度，并以两种三重扰动为例验证了该方法的有效性。
(2)首次提出多任务分类这一新的复合扰动识别建模方式，并提出多任务复合扰动标签编码方案以及多任务扰动分类损失来具体实现；与多标签分类和多分类效果的对比验证了多任务分类能够更好地建模复合扰动的标签相关性，识别效果更好。
(3)提出基于不完全S变换的扰动特征提取方法；研究了深度前馈网络(deep feedforward network, DFN)的基本组成，提出了一种具体的DFN结构，并使用Dropout正则化来防止过拟合，仿真实验和实测实验验证了该方法能准确识别各种扰动，相比传统方法准确率更高。
(4)研究了卷积神经网络(convolutional neural network, CNN)的基本组成，采用批归一化、空洞卷积、残差模块等技术来人工设计更有效的网络结构；提出了一种多空洞系数复合残差模块，并具体设计了一种一维CNN扰动分类器结构，可直接以原始信号作为输入，端到端的完成复合扰动识别；仿真实验和实测实验表明该方法相比DFN和已有的一些CNN方法具有更高的识别准确率，展现出良好的应用前景。