基于改进一维深度残差收缩网络的电能质量扰动识别方法

本发明涉及电能质量扰动识别，尤其涉及一种基于改进一维深度残差收缩网络的电能质量扰动识别方法。

背景技术：

1、近年来，随着大量非线性负载和分布式电源的广泛接入，电能质量扰动事件发生得更加频繁，不同扰动之间的交叉耦合也使得扰动类型越来越复杂。严重的电能质量问题不仅会影响用户的用电体验，还会对电力系统的安全经济运行构成严重威胁。电能质量扰动的识别与分类是电能质量问题的主要研究内容，准确、快速地对电能质量扰动信号(powerqualitydisturbances,pqds)进行分类，是保障电网稳定、安全、高效运行的基本前提，具有重要的研究意义。

2、至今，国内外学者对pqds的分类研究主要包括两种方法，一种是基于信号处理技术与分类算法相结合的传统方法，即通过信号处理技术提取信号特征，并选择分类器实现扰动信号分类；另一种是基于人工智能的深度学习方法，即将大量样本数据作为网络输入，网络进行学习和自我训练，自动提取特征并实现分类。

3、传统的pqds信号特征提取是通过信号处理技术，如傅里叶变换(fft)、小波变换(wt)、s变换(st)等分析扰动信号并提取特征，再结合神经网络、支持向量机、决策树等作为分类器实现pqds分类识别。传统方法能够实现pqds高精度分类，但特征提取是传统的基于机器学习的方法的关键部分，人工提取通常受到先验专业知识的限制，并且能够区分的扰动种类有限。随着pqds不断复杂化，如新能源并网引起的各种复合扰动的普遍出现，传统方法难以满足各种环境下pqds的分类需求。

4、近年来，随着深度学习技术的兴起和广泛应用，深度学习模型在时间序列特征的自动提取方面显示出了良好的效果，并对扰动信号进行分类识别提供了新的途径。目前，学术界已经提出了各种各样的神经网络模型，如卷积神经网络(cnn)、长短期记忆神经网络(lstm)、深度置信网络(dbn)。但是上述方法都是在噪声化境下进行信号特征提取的，没有对噪声或冗余信息进行处理。

技术实现思路

1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种基于改进一维深度残差收缩网络的电能质量扰动识别方法，通过将门控循环单元引入到一维深度残差收缩网络，搭建电能质量扰动分类模型，该模型可以自动提取扰动信号特征，具有更好的抗噪性能和更高的识别准确率。

2、根据本发明提出的一种基于改进一维深度残差收缩网络的电能质量扰动识别方法，所述方法步骤如下：

3、s1：向仿真信号中加入高斯白噪声模拟噪声环境，在该环境下采集电能质量扰动信号数据构建数据集，并将数据集划分为训练集和测试集；

4、s2：采用卷积神经网络提取电能质量扰动信号的初级特征；

5、s3：通过改进一维深度残差收缩网络，实现自动软阈值化，降低噪声的干扰；

6、s4：将门控循环单元层引入到一维深度残差收缩网络中，进一步提取扰动信号中蕴含的时序特征；

7、s5：设置网络的超参数，并通过引入adadelta算法来更新训练参数不断优化模型，使得模型达到收敛；

8、s6：将待测的测试集数据输入到训练好的模型中实现扰动信号的分类。

9、优选地，步骤s1中训练集和测试集的划分比例为4：1。

10、优选地，步骤s3中改进一维深度残差收缩网络包括第一卷积层conv1、第一池化层maxpool1、第二卷积层conv2和第二池化层maxpool2、改进残差收缩单元irsbu1、改进残差收缩单元irsbu2、门控循环单元gru、第三池化层maxpool3、第一概率层dropout1、全连接层fc、第二概率层dropout2、softmax激活函数。

11、优选地，步骤s3中改进一维深度残差收缩网络的方法步骤如下：

12、s31：将原始的二维的深度残差收缩网络修改为适用于处理一维电能质量扰动信号的一维卷积；

13、s32：舍弃bn层操作，并通过引入dropout层来防止模型出现过拟合问题；

14、s33：利用irsbu将原始残差模式下的senet中的“重新加权”子网络替换成为“软阈值化”，通过注意力机制自动设置软阈值化所需要的阈值，irsbu的每个通道都有独立的阈值，阈值被定义为：

15、τc＝σc·average|xi,j,c|i,j

16、其中τc是特征图第c通道阈值；i,j,c分别是特征图的宽度、高度和通道。

17、优选地，在步骤s5中：

18、模型训练采用小批量随机训练方式，批尺寸batch size设为128；采用dropout方法，按大小0.5的丢弃率将神经元暂时从网络中丢弃，缓解模型过拟合问题；设置迭代次数epoch最大值为30，当准确率在5个回合没有上升时，结束训练并保存最优模型；采用交叉熵损失函数来观察分类结果与实际数据的差距程度；

19、采用的adadelta优化算法，经过近似牛顿迭代后的公式为：

20、e|g2|t＝ρ*e|g2|t-1+(1-ρ)*gt2

21、

22、e表示期望，gt表示当前迭代的梯度值，ρ表示衰减系数，△xt为状态变量，ε是为了维持数值稳定性而添加的常数。

23、优选地，步骤s2中采用卷积神经网络提取电能质量扰动信号的初级特征的方法步骤如下：

24、卷积层，用于对输入的电能质量扰动信号数据进行卷积运算，利用卷积操作将数据中的有效特征提取出来，其中卷积运算的公式为：

25、

26、其中，*表示卷积运算，xj-1表示第j-1层卷积层的输出，表示第j层卷积层的第i个卷积核，表示对应的偏置。

27、本发明中的有益效果是：

28、(一)针对强噪声环境下，pqds识别过程中存在的信号特征提取复杂、噪声鲁棒性弱等问题，提出了一种端到端的电能质量扰动智能分类方法idrsn-gru；

29、(二)在残差单元基础上，通过引入通道注意力机制和软阈值函数，加强了网络从含噪声信号中提取有用特征的能力。在低信噪比的情况下仍具有较高的识别准确率，提高了模型的抗噪性能；通过引入门控循环单元，提取电能质量扰动信号中的时序特征，克服了残差收缩网络缺乏时间依赖性的缺点。将遗忘门和输入门组合成更新门，模型参数更少，提高了模型训练速度。

30、(三)使用通过引入dropout层，在前向传播时，让某个神经元的激活值以一定的概率停止工作，使模型的泛化型更强，防止模型训练出现过拟合。

31、(4)引入了adadelta优化器来更新训练参数，优化模型。在训练初期中期具有很好的加速效果，迭代第3次时候，测试集的分类准确率可以达到90％。

32、(5)所提的电能质量扰动识别方法能够具有较强的抗噪声干扰能力，能够自动、准确地对电能质量扰动进行分类，具有一定的普适性。

技术特征：

1.一种基于改进一维深度残差收缩网络的电能质量扰动识别方法，其特征在于，所述方法步骤如下：

2.根据权利要求1所述的一种基于改进一维深度残差收缩网络的电能质量扰动识别方法，其特征在于：步骤s1中训练集和测试集的划分比例为4：1。

3.根据权利要求1所述的一种基于改进一维深度残差收缩网络的电能质量扰动识别方法，其特征在于：步骤s3中改进一维深度残差收缩网络包括第一卷积层conv1、第一池化层maxpool1、第二卷积层conv2和第二池化层maxpool2、改进残差收缩单元irsbu1、改进残差收缩单元irsbu2、门控循环单元gru、第三池化层max pool3、第一概率层dropout1、全连接层fc、第二概率层dropout2、softmax激活函数。

4.根据权利要求3所述的一种基于改进一维深度残差收缩网络的电能质量扰动识别方法，其特征在于：步骤s3中改进一维深度残差收缩网络的方法步骤如下：

5.根据权利要求1所述的一种基于改进一维深度残差收缩网络的电能质量扰动识别方法，其特征在于，在步骤s5中：

技术总结
本发明公开了一种基于改进一维深度残差收缩网络的电能质量扰动识别方法，S1：向仿真信号中加入高斯白噪声模拟噪声环境，在该环境下采集电能质量扰动信号数据构建数据集，并将数据集划分为训练集和测试集；S2：采用卷积神经网络提取电能质量扰动信号的初级特征；S3：通过改进一维深度残差收缩网络，实现自动软阈值化；S4：将门控循环单元层引入到一维深度残差收缩网络中，提取扰动信号中的时序特征；S5：设置网络的超参数，并通过引入Adadelta算法来更新训练参数不断优化模型，使得模型达到收敛；S6：将待测的测试集数据输入到训练好的模型中实现扰动信号的分类。本发明有较强的抗噪声干扰能力，能够自动、准确地对电能质量扰动进行分类。

技术研发人员：尹柏强,程怡,王若宇,曾亚洪,李兵,佐磊,袁莉芬
受保护的技术使用者：合肥工业大学
技术研发日：
技术公布日：2024/1/16