一种电压暂降类型的辨识方法、系统

本发明涉及一种电压暂降类型的辨识方法、系统，属于配电网电能质量研究。

背景技术：

1、随着经济技术的高速发展，电力电子设备、计算机系统、自动化智能控制生产线等许多敏感负荷都接入电力系统，对电网电能质量提出了更高的要求。电压暂降是电力系统中不可避免的电能质量扰动问题，其对工业过程的影响和造成的重大经济损失，受到了工业界和学术界的广泛关注。电压暂降类型是电压暂降事件的一个重要特征，识别发生电压暂降的故障类型，为电网侧故障类型识别、用户侧敏感设备耐受能力测试及电压暂降治理方案的制订等提供了有用的参考信息。因此，提出一种电压暂降类型辨识的方法已成为电能质量研究领域的重要课题。

2、使用深度学习方法来辨识电压暂降类型是一种新的方法，该方法的优点是简化了电压暂降数据的处理，并且不需要用户深入了解每种电压暂降类型的电压波形特征。通过简单的数据处理，可以将数据发送到模型中进行学习，使机器能够搜索不同电压暂降类型的电压波形特征，最终实现电压暂降类型辨识的目标。但一个完整的电压暂降事件数据是一个具有持续性的连续波形，不同类型电压暂降的特征不同，往往在扰动下降和恢复过程中发生显著变化，且特征与时序显著相关。然而，传统的深度学习方法在处理时序数据时无法学习长期依赖关系，在识别端点特征时，起点特征已经被“遗忘”，这影响了分类识别的效率和准确性。

技术实现思路

1、本发明提供了一种电压暂降类型的辨识方法、系统，建立了电压暂降类型分类辨识组合模型，该电压暂降类型分类辨识组合模型运用卷积神经网络cnn，在其卷积层中有效捕捉电压暂降事件特征向量矩阵中的局部特征数据，在其池化层中引入注意力机制，通过添加各个特征通道的重要程度权重，以此来提取关键的特征通道，减少了数据的计算量。在卷积神经网络cnn的末尾引入双向长短时记忆网络bilstm，从前端和后端两个方向进行数据处理，完整的捕捉了整体波形序列特征信息，利用大量样本迭代优化训练，选择记住电压暂降事件数据中重要的信息，遗忘不重要的信息，实现长时间依赖的记忆功能，提高了分类辨识的效率，实现了对电压暂降类型的准确辨识。

2、本发明的技术方案是：

3、根据本发明的第一方面，提供了一种电压暂降类型的辨识方法，包括：建立电压暂降仿真模型，在故障电阻范围内，通过改变故障电阻的阻抗值生成不同短路故障的电压暂降信号整段波形数据样本；计算每个数据样本的特征指标；依据电压暂降特征指标建立特征向量矩阵；采用数据归一化方法对特征向量矩阵进行数据预处理，统一特征向量矩阵中不同特征指标的量纲；依据预处理后的特征向量矩阵以及仿真模型中设置的电压暂降类型，建立电压暂降类型分类辨识组合模型；对电压暂降类型分类辨识组合模型进行性能评估测试，完成对电压暂降类型的辨识。

4、所述电压暂降仿真模型采样频率为50hz，模拟电力系统在不同故障类型条件下的运行情况，采集不同类型的电压暂降信号，构建电压暂降信号整段波形数据样本。

5、所述特征指标包括三相电压有效值和相角、三相电流有效值和相角以及电压暂降幅值；其中，所述电压暂降幅值定义为三相电压有效值中最低一相的电压值。

6、所述依据电压暂降特征指标建立特征向量矩阵，具体为：依据电压暂降特征指标和相关的样本容量建立m维n行的特征向量矩阵；其中，m的取值与特征指标数量相等。

7、所述电压暂降类型分类辨识组合模型是指在卷积神经网络cnn中引入se注意力机制并结合双向长短时记忆bilstm建立。

8、所述电压暂降类型分类辨识组合模型，具体为：输入预处理后的特征向量矩阵数据和仿真模型中设置的电压暂降类型；在组合模型中设置卷积核为[3,1]、步长为[1,1]、通道数为32的卷积层1，有效捕捉效捕捉特征向量矩阵中的局部特征数据；将卷积层1中的输出结果传递到se注意力机制，通过引入se注意力机制对卷积层1中的各通道数权重大小进行计算；将卷积层1中的输出结果首先经过relu激活1，然后在设置卷积核为[3,1]、步长为[1,1]、通道数为64的卷积层2对局部特征进行进一步的提取，在对其进行relu激活2以后的输出值中的通道数依据计算出的权重大小进行权重系数相乘；对进行权重系数相乘的输出结果引入双向长短时记忆网络bilstm，从前端和后端两个方向进行数据处理，完整的捕捉整体波形序列中特征的时序信息；将双向长短时记忆网络bilstm输出的结果传递到组合模型的全连接层中，全连接层将提取到的高维特征数据传递到softmax分类层，将输出结果映射到[0,1]区间内，以获得每个类别的概率，从而对电压暂降类型进行辨识。

9、根据本发明的第二方面，提供了一种电压暂降类型的辨识系统，包括：生成模块，用于建立电压暂降仿真模型，在故障电阻范围内，通过改变故障电阻的阻抗值生成不同短路故障的电压暂降信号整段波形数据样本；计算模块，用于计算每个数据样本的特征指标；第一建立模块，用于依据电压暂降特征指标建立特征向量矩阵；预处理模块，用于采用数据归一化方法对特征向量矩阵进行数据预处理，统一特征向量矩阵中不同特征指标的量纲；第二建立模块，用于依据预处理后的特征向量矩阵以及仿真模型中设置的电压暂降类型，建立电压暂降类型分类辨识组合模型；辨识模块，用于对电压暂降类型分类辨识组合模型进行性能评估测试，完成对电压暂降类型的辨识。

10、根据本发明的第三方面，提供了一种终端设备，包括存储器、处理器，所述存储器用于存储被所述处理器执行的指令，所述指令被所述处理器执行时，所述终端设备用于实现上述中任一项所述的电压暂降类型的辨识方法。

11、根据本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行上述中任一项所述的电压暂降类型的辨识方法。

12、本发明的有益效果是：

13、本发明考虑了六种不同故障类型条件下电压暂降类型的分类辨识，克服了传统深度学习方法容易遗忘完整电压暂降事件波形数据中某些重要特征的问题，提高了电压暂降事件类型的辨识精度。运用卷积神经网络cnn，在其卷积层中有效捕捉电压暂降事件特征向量矩阵中的局部特征数据，在其池化层中引入注意力机制，通过添加各个特征通道的重要程度权重，以此来提取关键的特征通道，减少了数据的计算量。在卷积神经网络cnn的末尾引入双向长短时记忆网络bilstm，从前端和后端两个方向进行数据处理，完整的捕捉了整体波形序列特征信息，大大的提高了模型辨识的效率和精度，适用于电压暂降监测系统或终端中，计算电压暂降类型的实时信息，具有较大的应用价值。

技术特征：

1.一种电压暂降类型的辨识方法，其特征在于，包括：

2.根据权利要求1所述的电压暂降类型的辨识方法，其特征在于，所述电压暂降仿真模型采样频率为50hz，模拟电力系统在不同故障类型条件下的运行情况，采集不同类型的电压暂降信号，构建电压暂降信号整段波形数据样本。

3.根据权利要求1所述的电压暂降类型的辨识方法，其特征在于，所述特征指标包括三相电压有效值和相角、三相电流有效值和相角以及电压暂降幅值；其中，所述电压暂降幅值定义为三相电压有效值中最低一相的电压值。

4.根据权利要求1所述的电压暂降类型的辨识方法，其特征在于，所述依据电压暂降特征指标建立特征向量矩阵，具体为：依据电压暂降特征指标和相关的样本容量建立m维n行的特征向量矩阵；其中，m的取值与特征指标数量相等。

5.根据权利要求1所述的电压暂降类型的辨识方法，其特征在于，所述电压暂降类型分类辨识组合模型是指在卷积神经网络cnn中引入se注意力机制并结合双向长短时记忆bilstm建立。

6.根据权利要求5所述的电压暂降类型的辨识方法，其特征在于，所述电压暂降类型分类辨识组合模型，具体为：

7.一种电压暂降类型的辨识系统，其特征在于，包括：

8.一种终端设备，其特征在于，包括存储器、处理器，所述存储器用于存储被所述处理器执行的指令，所述指令被所述处理器执行时，所述终端设备用于实现如权利要求1-6中任一项所述的电压暂降类型的辨识方法。

9.一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包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1-6中任一项所述的电压暂降类型的辨识方法。

技术总结
本发明公开了一种电压暂降类型的辨识方法、系统，方法包括建立电压暂降仿真模型，在故障电阻范围内，通过改变故障电阻的阻抗值生成不同短路故障的电压暂降信号整段波形数据样本；计算每个数据样本的特征指标；依据电压暂降特征指标建立特征向量矩阵；采用数据归一化方法对特征向量矩阵进行数据预处理，统一特征向量矩阵中不同特征指标的量纲；依据预处理后的特征向量矩阵以及仿真模型中设置的电压暂降类型，建立电压暂降类型分类辨识组合模型；对电压暂降类型分类辨识组合模型进行性能评估测试，完成对电压暂降类型的辨识。本发明克服了传统深度学习方法容易遗忘完整电压暂降事件波形数据中某些重要特征的问题，提高了电压暂降事件类型的辨识精度。

技术研发人员：阴艳超,苟源芳,郭成
受保护的技术使用者：昆明理工大学
技术研发日：
技术公布日：2024/3/12