电能质量扰动信号分类应用方法、装置、设备和存储介质

本发明涉及电能质量分析，尤其涉及一种电能质量扰动信号分类应用方法、装置、设备和存储介质。

背景技术：

1、传统电能质量扰动(power quality disturbances，pqds)信号的识别与分类通常分为特征提取和扰动分类这两个步骤。特征提取的方法常用的有短时傅里叶变换(shorttime fourier transform，stft)、s变换(s-transform，st)、小波变换(wavelettransform，wt)、希尔伯特-黄变换(hilbert-huang transform，hht)等。例如，zhou c、shaoz、chen f等人所著的《classification of power quality disturbance signals basedon weighting random forest》中用stft对降噪信号进行特征提取，后用加权随机森林对统计特征进行分类；徐佳雄、张明、王阳等人所著的《基于改进hilbert-huang变换的电能质量扰动定位与分类》提出了对传统的希尔伯特-黄变换运用极值滑窗均值算法去极值均值化处理，后用决策树分类，该方法适用于单一扰动和复合扰动pqds分类。

2、扰动分类一般是以特征提取为基础，结合不同的分类方法从而实现pqds信号的分类。传统的分类方法有：模糊逻辑(fuzzy logic，fl)、决策树(decision tree，dt)、支持向量机(support vector machine，svm)、神经网络等。郑炜、林瑞全、王俊等人所著的《基于gaf与卷积神经网络的电能质量扰动分类》提出了利用格拉姆角场(gramian angularfield,gaf)进行特征提取再结合神经网络的pqds分类方法，虽然分类准确率较高，抗噪声性能好，但算法训练时间较长，所需算力大。

3、在当前新能源发电技术的风力发电中，风能的不稳定性、随机性等使风电机组也出现了潜在电能质量问题；其次由于高新技术的发展，智能化和自动化设备、电力电子设备被广泛应用，导致了一系列电能质量扰动信号复合化。现有的电能质量扰动信号分类方法具有冗余特征量造成分类器训练困难、分类准确率下降的问题，分类的准确率下降会导致扰动信号的识别分类有误差，从而直接影响后续治理的效果进而影响到用户的用电体验和电力系统安全。因此对电能质量扰动信号进行有效的识别和分类是解决扰动问题的前提，是电能质量问题进行治理的前提，也是电力设备和系统安全稳定运行的前提。

技术实现思路

1、针对现有技术存在的技术问题，本发明提供了一种电能质量扰动信号分类应用方法、装置、设备和存储介质。

2、为实现上述目的，本发明提供如下技术方案：一种电能质量扰动信号分类应用方法，包括以下步骤：

3、s1、获取目标信号，所述目标信号包括需要进行分类的电能质量扰动信号；

4、s2、对所述目标信号进行预处理，得到二维图像；

5、s3、构建扰动信号分类模型，所述扰动信号分类模型为alexnet模型；

6、s4、将二维图像输入扰动信号分类模型，得到电能质量扰动信号的分类结果。

7、优选的，s2步骤中，利用mtf方法对所述目标信号进行编码转换为二维图像。

8、优选的，二维图像通过颜色的深浅程度不同体现各个部分之间迁移概率的大小。

9、优选的，s2步骤具体为：

10、定义一个时间序列x＝{x1,x2,…,xn}，将时间序列x根据取值区域大小划分为q个部分qj(j∈[1,q])，使每一个数值xi都能根据自身的特点映射到各自的部分qj上；

11、计算每一个qj之间的迁移概率，将时间序列x进行建模为马尔可夫链，转换生成一个q×q的马尔可夫变迁矩阵w，

12、

13、其中，wij(i,j∈{1,2,…,q})为每部分qj中的元素被qi中元素跟随的概率，即wij＝p(xt∈qi|xt-1∈qj)；

14、将qm中的一个点频率归一化处理，再加上qn中的一个值，其中m和n为时间步长，沿时间依次排列来扩展马尔可夫变迁矩阵w，生成马尔可夫变迁场矩阵m，

15、

16、式中，mij(i,j∈{1,2,…,n}为时间序列信号xi中的对应部分qi转移到xj对应部分的qj的迁移概率，即mij＝p(qi→qj)。

17、优选的，s3步骤中，alexnet模型的网络结构包括一层输入层、五层卷积层和三层全连接层，采用softmax分类器对训练样本进行分类，输入层用于输入高度、宽度和深度分别为227×227×3的图像并将其转换成alexnet网络可以输入的格式，卷积层用于进行卷积和池化处理，每个卷积层都包含激活函数relu和局部区域归一化lrn层进行特征提取处理，连接层作为分类层，最后一个全连接层连接1000个连接层。

18、一种电能质量扰动信号分类装置，所述装置包括：

19、获取模块，用于获取目标信号，所述目标信号包括需要进行分类的电能质量扰动信号；编码模块，用于利用mtf方法将电能质量扰动信号进行编码转换为二维图像；

20、分类模块，用于将二维图像输入alexnet模型并利用alexnet模型进行自动特征提取后对电能质量扰动信号的特征向量进行分类。

21、一种电子设备，包括：

22、存储器，用于存储计算机程序；

23、处理器，用于执行所述计算机程序时以实现以上任一项所述方法的步骤。

24、一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现以上任一项所述方法的步骤。

25、本发明公开了一种基于mtf(markov transition field，马尔可夫变迁场)与alexnet模型的pqds分类新方法，利用mtf方法将电能质量扰动信号进行编码转换为二维图像，再利用卷积神经网络alexnet进行自动特征提取后对七种单一扰动和六种复合扰动的特征向量进行分类，能提高对pqds信号的分类准确率，进而保证风力电力设备和系统实现安全稳定运行。

26、本发明具有特征量简单明确、计算量小、分类准确率高等优点，能实现电能质量扰动信号地准确分类，从而提升风电机组性能，进而提升用电质量和电力系统安全性。

技术特征：

1.一种电能质量扰动信号分类应用方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种电能质量扰动信号分类应用方法，其特征在于，s2步骤中，利用mtf方法对所述目标信号进行编码转换为二维图像。

3.根据权利要求2所述的一种电能质量扰动信号分类应用方法，其特征在于，二维图像通过颜色的深浅程度不同体现各个部分之间迁移概率的大小。

4.根据权利要求2所述的一种电能质量扰动信号分类应用方法，其特征在于，s2步骤具体为：

5.根据权利要求1所述的一种电能质量扰动信号分类应用方法，其特征在于，s3步骤中，alexnet模型的网络结构包括一层输入层、五层卷积层和三层全连接层，采用softmax分类器对训练样本进行分类，输入层用于输入高度、宽度和深度分别为227×227×3的图像并将其转换成alexnet网络可以输入的格式，卷积层用于进行卷积和池化处理，每个卷积层都包含激活函数relu和局部区域归一化lrn层进行特征提取处理，连接层作为分类层，最后一个全连接层连接1000个连接层。

6.一种电能质量扰动信号分类装置，其特征在于，所述装置包括：

7.一种电子设备，其特征在于，包括：

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～5任一项所述方法的步骤。

技术总结
本发明涉及电能质量分析技术领域，公开了一种电能质量扰动信号分类应用方法、装置、设备和存储介质，电能质量扰动信号分类应用方法包括以下步骤：S1、获取目标信号，所述目标信号包括需要进行分类的电能质量扰动信号；S2、对所述目标信号进行预处理，得到二维图像；S3、构建扰动信号分类模型，所述扰动信号分类模型为AlexNet模型；S4、将二维图像输入扰动信号分类模型，得到电能质量扰动信号的分类结果。本发明公开了一种基于MTF与AlexNet模型的PQDs分类新方法，能提高对PQDs信号的分类准确率。

技术研发人员：张占强,韩子萌,孟克其劳,汪卉
受保护的技术使用者：内蒙古工业大学
技术研发日：
技术公布日：2024/1/15