本发明属于电能质量分析与检测方法技术领域，涉及一种基于双向长短期记忆的复杂电能质量扰动分析方法。
背景技术：
扰动类型的准确识别是复杂电能质量扰动(powerqualitydisturbance，pqd)分析的前提和基础。电能质量扰动(powerqualitydisturbance，pqd)可划分为基本pqd和复杂pqd。按照扰动的时间特性，基本pqd又分为稳态扰动(主要包括谐波/间谐波、波动等)和暂态扰动(主要包括暂降、暂升、中断、振荡暂态、脉冲暂态等)。复杂pqd则是由多种不同扰动类型、不同扰动强度、不同起止时刻的基本pqd复合而成，尤其是指叠加了暂态分量的扰动。
目前，关于电能质量扰动类型识别问题的研究主要采用的是基于浅层学习的方法，可以归结为特征量提取和模式识别两个环节，即通过对原始信号进行变换和重构后从中提取扰动信号特征量，进而采用神经网络或支持向量机等浅层模型进行扰动类型识别，这类方法存在以下共性问题：
(1)多数仅考虑到基本pqd或两种基本pqd(多数都是谐波与其他基本pqd)构成的复杂pqd，但随着复杂pqd中所包含基本pqd类型的增加，特征量间的交互耦合现象严重，导致识别准确率大幅度下降或根本无法解决复杂pqd的扰动类型识别问题；
(2)对稳态扰动具有良好的效果，但对暂态扰动，单纯提取它们的幅值与频率特征已经不能很好地对它们进行反映，导致准确率低；
(3)选择什么特征、如何选取特征均须深入理解信号特性或者依据本领域专家的丰富工程实践经验去尝试，导致了手工扰动特征提取和选择过程较为复杂。除此之外，禁锢于“先特征提取后模式识别”的固有模式，割裂地看待二者之间的关系，识别准确率严重依赖于人工事先设计的扰动特征量，增加了扰动类型识别过程的复杂性和冗余性，难以保证识别过程的实时性，不适合于在线应用。
技术实现要素：
本发明的目的是提供一种基于双向长短期记忆的复杂电能质量扰动分析方法，解决了现有技术中存在的识别准确率低、实现过程复杂、实时性差，无法对扰动起止时刻进行精准确定位的缺点问题。
本发明所采用的技术方案是，基于双向长短期记忆的复杂电能质量扰动分析方法，具体按照以下步骤实施：
步骤1，利用测量仪器采集待检测的电力系统中电压或电流信号若干或者采用式(1)所示的数学模型，得到一系列的包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的7类基本pqd及其不同组合构成的复杂pqd的总样本；
其中包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的复杂pqd信号s(t)的统一参数化解析数学模型公式(1)如下式所示：
其中，δ(t)、a、f0(t)、θ1(t)、n、an(t)、fn(t)、ψn(t)代表了与幅值有关的扰动：δ(t)为时变函数，a、f0(t)、θ1(t)分别为基波信号的幅值、频率、相位，n、an(t)、fn(t)、ψn(t)分别代表波动包络分量的个数、n次包络信号的幅值、频率、相位；h、h、bh(t)、θh(t)代表与基波频率有关的整数次谐波扰动：h、h、bh(t)、θh(t)分别代表谐波分量的个数、谐波次数、h次谐波的幅值、相位；k、ck(t)、fk(t)、
步骤2，样本标注
将经步骤1采集到的pqd样本，按照信号中所包含的扰动类型分别进行定义并标注；
步骤3，将经步骤2标注的pqd样本转化为序列形式；
步骤4，将经步骤3序列化后的样本分为训练集和测试集，其中训练集占总样本70％，测试集数据占总样本的30％；
步骤5，构建双向长短期记忆神经网络模型，包括由下到上依次连接的输入部分、隐含层部分以及输出层部分；
步骤6，将经步骤5构建好的双向长短期记忆神经网络模型进行训练，每次训练遍历训练集中的每一个训练数据，每次遍历被称为一个世代，使神经网络模型进行多个世代训练，即经过若干个世代，得到训练好的双向长短期记忆神经网络模型；
步骤7，过拟合判断
使用经步骤6训练好后的双向长短期记忆神经网络模型，用测试集中的80％数据来进行测试，得到数据准确率，然后用剩余20％的测试集数据进行测试，若准确度大幅下降则出现过拟合现象，则调整双向长短期记忆神经网络模型的超参数，然后重新训练双向长短期记忆神经网络模型，训练后再次执行过拟合判断，如此循环，直至未出现过拟合，从而得到泛化性好的双向长短期记忆神经网络模型；
步骤8，使用经步骤7再次训练好的双向长短期神经网络模型进行pqd判断，输入数据为信号序列数据，输出数据为序列中每一个数据所对应的电能类型。
本发明的特点还在于，
步骤1中的复杂pqd包含两种及以上基本pqd构成的所有组合形式。
步骤1中采用公式(1)在对复杂pqd组合时，应遵循以下原则：a、同一参数不能同时发生两种不同方式的突变；b、不同参数可以同时发生突变；c、加性扰动的存在不受参数变化的限制。
步骤3中的序列包含两个部分，第一个部分为信号序列，采样间隔按照采样时间设置而定；第二部分为标签序列，标签序列标注出每一个元素所属的类型，标签序列与采样序列中的元素一一对应。
步骤5中的输入层部分仅包含输入层，隐含层部分包含多层个隐含层，隐含层中含有双向长短期记忆层、全连接层、丢弃层，输出层部分为soft-max层。
输入层输入数据格式为[samples，sequence-length，dim]，其中，samples为输入数据样本量，与序列个数相同，sequence-length为输入序列长度，dim为数据维度。
除第一层输入层外其余神经网络层均通过激活函数与前一层神经网络层连接。
本发明的有益效果是
(1)本发明可以直接从原始的底层数据中自主学习扰动的特征信息，能够从简单显式特征中提取到难以量化的复杂隐式特征，对复杂pqd信号进行更为全面的描述，最大程度上保证了复杂pqd信息的完整性，避免了传统浅层学习中的繁琐手工特征提取过程，提高了扰动类型识别的快速性和准确率、扰动起止时刻定位精度。
(2)无需事先对噪声作任何假设或处理，避免引入不必要的误差，具有更强的抗背景噪声干扰能力，除此之外，还可以实现特征提取与模式识别的有机统一，二者同时进行并同时在训练中产生，可以实现端对端的在线实时处理，有效降低算法复杂度。
(3)双向长短期记忆神经网络，其在判断的过程中不仅会参考当前元素之前的元素，还会参考当前元素之后的元素，实现双向参考，从而可以解决传统长短期记忆神经网络中的判断失真问题，获得精确的各个基本电能质量扰动起止时刻。
附图说明
图1是本发明基于双向长短期记忆的复杂电能质量扰动分析方法的一种实施例图；
图2是本发明实施例中含噪声的模拟电能质量监测终端检测到的0.4-2.6s的扰动波形数据图；
图3是本发明实施例中含噪声的模拟电能质量监测终端检测到的3.0-5.4s的扰动波形数据图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明基于双向长短期记忆的复杂电能质量扰动分析方法，具体按照以下步骤实施：
步骤1，利用测量仪器采集待检测的电力系统中电压或电流信号若干或者采用式(1)所示的数学模型，得到一系列的包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的7类基本pqd及其不同组合构成的复杂pqd的总样本，其中复杂pqd包含两种及以上基本pqd构成的所有组合形式，且在对复杂pqd组合时，应遵循以下原则：a、同一参数不能同时发生两种不同方式的突变；b、不同参数可以同时发生突变；c、加性扰动的存在不受参数变化的限制；
其中包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的复杂pqd信号s(t)的统一参数化解析数学模型公式(1)如下式所示：
其中，δ(t)、a、f0(t)、θ1(t)、n、an(t)、fn(t)、ψn(t)代表了与幅值有关的扰动：δ(t)为时变函数，a、f0(t)、θ1(t)分别为基波信号的幅值、频率、相位，n、an(t)、fn(t)、ψn(t)分别代表波动包络分量的个数、n次包络信号的幅值、频率、相位；h、h、bh(t)、θh(t)代表与基波频率有关的整数次谐波扰动：h、h、bh(t)、θh(t)分别代表谐波分量的个数、谐波次数、h次谐波的幅值、相位；k、ck(t)、fk(t)、
步骤2，样本标注
将经步骤1采集到的pqd样本，按照信号中所包含的扰动类型分别进行定义并标注；
步骤3，将经步骤2标注的pqd样本转化为序列形式，其中，序列包含两个部分，第一个部分为信号序列，采样间隔按照采样时间设置而定；第二部分为标签序列，标签序列标注出每一个元素所属的类型，标签序列与采样序列中的元素一一对应；
步骤4，将经步骤3序列化后的样本分为训练集和测试集，其中训练集占总样本70％，测试集数据占总样本的30％；
步骤5，构建双向长短期记忆神经网络模型，包括由下到上依次连接的输入部分、隐含层部分以及输出层部分，其中，输入层部分仅包含输入层，隐含层部分包含多层个隐含层，隐含层中含有双向长短期记忆层、全连接层、丢弃层，输出层部分为soft-max层；输入层输入数据格式为[samples，sequence-length，dim]，其中，samples为输入数据样本量，与序列个数相同，sequence-length为输入序列长度，dim为数据维度；除第一层输入层外其余神经网络层均通过激活函数与前一层神经网络层连接。
步骤6，将经步骤5构建好的双向长短期记忆神经网络模型进行训练，每次训练遍历训练集中的每一个训练数据，每次遍历被称为一个世代，使神经网络模型进行多个世代训练，即经过若干个世代，得到训练好的双向长短期记忆神经网络模型；
步骤7，过拟合判断
使用经步骤6训练好后的双向长短期记忆神经网络模型，用测试集中的80％数据来进行测试，得到数据准确率，然后用剩余20％的测试集数据进行测试，若准确度大幅下降则出现过拟合现象，则调整双向长短期记忆神经网络模型的超参数，然后重新训练双向长短期记忆神经网络模型，训练后再次执行过拟合判断，如此循环，直至未出现过拟合，从而得到泛化性好的双向长短期记忆神经网络模型；
步骤8，使用经步骤7再次训练好的双向长短期神经网络模型进行pqd判断，输入数据为信号序列数据，输出数据为序列中每一个数据所对应的电能类型。
实施例
基于双向长短期记忆的复杂电能质量扰动分析方法，具体按照以下步骤实施：
步骤1，利用测量仪器采集待检测的电力系统中电压或电流信号若干或者采用公式(1)所示的数学模型，得到一系列的包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的7类基本pqd及其不同组合构成的复杂pqd的总样本，其中，复杂pqd包含两种及以上基本pqd构成的所有组合形式，且步骤1中采用公式(1)在对复杂pqd组合时，应遵循以下原则：a、同一参数不能同时发生两种不同方式的突变；b、不同参数可以同时发生突变；c、加性扰动的存在不受参数变化的限制；
其中包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的复杂pqd信号s(t)的统一参数化解析数学模型公式(1)如下式所示：
其中，δ(t)、a、f0(t)、θ1(t)、n、an(t)、fn(t)、ψn(t)代表了与幅值有关的扰动：δ(t)为时变函数，a、f0(t)、θ1(t)分别为基波信号的幅值(v)、频率(hz)、相位(rad/s)，n、an(t)、fn(t)、ψn(t)分别代表波动包络分量的个数、n次包络信号的幅值(v)、频率(hz)、相位(rad/s)；h、h、bh(t)、θh(t)代表与基波频率有关的整数次谐波扰动：h、h、bh(t)、θh(t)分别代表谐波分量的个数、谐波次数、h次谐波的幅值(v)、相位(rad/s)；k、ck(t)、fk(t)、
步骤2，样本标注
将经步骤1采集到的pqd样本，按照信号中所包含的扰动类型分别进行定义并标注；
步骤3，将经步骤2标注的pqd样本转化为序列形式，其中，序列包含两个部分，第一个部分为信号序列，采样间隔按照采样时间设置而定；第二部分为标签序列，标签序列标注出每一个元素所属的类型，标签序列与采样序列中的元素一一对应；本例中，每秒pqd信号包含1000个采样点，即每个信号序列包含1000个元素；标签序列标注出每一个元素所属的类型，标签序列元素与采样序列元素一一对应。
步骤4，将经步骤3序列化后的样本分为训练集和测试集，其中训练集占总样本70％，测试集数据占总样本的30％；
步骤5，构建双向长短期记忆神经网络模型，包括由下到上依次连接的输入部分、隐含层部分以及输出层部分，其中，输入层部分仅包含输入层，隐含层部分包含多层个隐含层，隐含层中含有双向长短期记忆层、全连接层、丢弃层(dropout层)，输出层部分为soft-max层；通过训练后的双向长短期记忆神经网络通过最后一层soft-max层来输出序列的判断结果；除第一层输入层外其余神经网络层均通过激活函数与前一层神经网络层连接。例如：如图1所示，使用一层输入层，使用八层隐含层，隐含层依次为双向长短期记忆层，丢弃层，双向长短期记忆层，丢弃层，双向长短期记忆层，丢弃层，双向长短期记忆层，丢弃层，双向长短期记忆层，全连接层；之后为输出层部分，该部分为一层soft-max层；输入层输入数据格式为[samples，sequence-length，dim]，其中，samples为输入数据样本量，与序列个数相同，sequence-length为输入序列长度，dim为数据维度；本例中，samples设置为序列总数，sequence-length为1000，dim设置为1，即输入数据只有一个维度。输出序列与输入序列形式相同。输出内容为与输入信号序列相对应的类型标签。隐含层中，双向长短期记忆神经网络单元层设置为500个隐含单元，双向长短期记忆层n-steps大小为序列长度与输入数据的sequence-length大小相同，此处使用1000。丢弃层丢弃率为0.3，全连接层为1000个单元。输出层为soft-max层，该层与最后一层的全连接层相连。激活函数使用relu激活函数。每一层的输出数据使用批规范化进行规范化处理。
步骤6，将经步骤5构建好的双向长短期记忆神经网络模型进行训练，每次训练遍历训练集中的每一个训练数据，每次遍历被称为一个世代，使神经网络模型进行多个世代训练，即经过若干个世代，得到训练好的双向长短期记忆神经网络模型；本例中，使用全局随机初始化的方式来进行参数初始化，使用亚当优化器训练或momentum优化器或sgd优化器，训练5000个世代，学习率为0.01，损失函数使用交叉熵来作为损失函数或者将交叉熵损失函数使用均方差或平均差来作为损失函数。
步骤7，过拟合判断
使用经步骤6训练好后的双向长短期记忆神经网络模型，用测试集中的80％数据来进行测试，得到数据准确率，然后用剩余20％的测试集数据进行测试，若准确度大幅下降则出现过拟合现象，则调整双向长短期记忆神经网络模型的超参数，然后重新训练双向长短期记忆神经网络模型，训练后再次执行过拟合判断，如此循环，直至未出现过拟合，从而得到泛化性好的双向长短期记忆神经网络模型；出现过拟合现象则调整超参数，如修改丢弃层丢弃率，更改全连接层数量、修改学习率、更改训练世代、调整隐含层数量(如减少双向长短期记忆层)，
步骤8，使用经步骤7再次训练好的双向长短期神经网络模型进行pqd判断，输入数据为信号序列数据，输出数据为序列中每一个数据所对应的电能类型；此时输入数据的sequence-length更改为1，即逐一输入数据为信号序列数据，输出数据为序列中每一个数据所对应的电能类型。
本发明中神经网络模型中隐含层数量可以进行修改，增加或减少双向长短期记忆层、丢弃层、全连接层以及修改全连接层单元数量。
本发明中除第一层输入层外其余神经网络层均通过激活函数与前一层神经网络层连接，其中激活函数可以为relu或leakyrelu或sigmoid或tanh作为激活函数。
本发明中神经网络超参数可以根据实际情况进行调整，如训练世代的数量、序列n-steps大小、学习率、输入序列长度、输入序列维度以及双向长短期记忆层中的序列窗口大小。
以下给出仿真对比证明本发明提出方法的检测效果：
按照公式(1)所示模型，将上式中的各参数在范围内随机变化，对每一类扰动信号产生300个数据样本，其中200个用作训练样本，100个用作测试样本，并叠加信噪比为20db的高斯白噪声。
表1所示为基于双向长短时记忆神经网络的48种pqd信号分别在无噪声和叠加信噪比为20db的噪声两种工况下的扰动类型自适应识别结果；
表1无噪声和含噪声环境下的复杂pqd的扰动类型识别结果
表1共有5列数据，第一列表示的是7种基本pqd的识别准确率，第二列表示的是2种基本pqd构成的复杂pqd识别准确率，其中一种扰动来自于列1所示的基本pqd，另一种扰动来源于列2所示的基本pqd，依次类推，列3～列5分别表示的是由3～5种基本pqd构成的复杂pqd扰动类型识别准确率。如，表中第五列第一行加粗标识数据波动(98，97)可理解为：共由5种基本pqd(暂降、谐波/间谐波、振荡暂态、脉冲、波动)构成的复杂pqd在无噪声工况下的识别准确率为98％，在信噪比为20db工况下的扰动类型识别准确率为97％。
纵观表1，可得如下结论：1)基于双向长短期记忆的复杂电能质量扰动分析方法克服了传统浅层学习在特征提取与扰动类型识别中的不足，复杂pqd中所包含基本pqd类型的数目对扰动识别准确率影响很小，识别准确也得到了极大的提高，在无噪声情况下复杂pqd扰动类型识别准确率均高于99％。2)叠加信噪比为20db的背景噪声时，复杂pqd扰动类型识别准确率均高于97％，因此该扰动类型识别方法具有强抗噪能力，无需对原始信号进行噪声消除处理。
除此之外，需要特别指出的是，训练完成后的双向长短期神经网络模型还具有识别速度快的优点，可以满足实际电能质量在线监测系统的实时性要求，而这一要求在基于传统浅层学习的复杂pqd扰动类型识别方法中却往往是难以满足的。
如图2-3所示，为含噪声的模拟电能质量监测终端检测到的扰动波形数据，利用双向长短期神经网络模型对其所包含的全部基本事件的起止时刻进行定位，得到的检测结果如表2所示，可以看出该算法可以精确检测出各基本事件的扰动起止时刻，满足实际监测系统要求。
表2扰动起止时刻检测结果