一种风电电能质量评估方法及装置与流程

本发明涉及电能质量分析的，尤其涉及一种风电电能质量评估方法及装置。

背景技术：

1、随着风电装机容量的不断增长，大量的非线性设备被接入电网。当这些设备运行时，它们会产生大量的电磁干扰，对电网造成严重影响，如电压波动、三相不平衡等，因此风力发电并网对电能质量的影响不容忽视。电能质量(power quality)，从普遍意义上讲是指优质供电，包括电压质量、电流质量、供电质量和用电质量。其可以定义为：导致用电设备故障或不能正常工作的电压、电流或频率的偏差，其内容包括频率偏差、电压偏差、电压波动与闪变、三相不平衡、暂时或瞬态过电压、波形畸变(谐波)、电压暂降、中断、暂升以及供电连续性等。

2、目前对风电场电能质量的评估方法主要有概率统计和矢量代数法、模糊数学法等。概率统计和矢量代数法原理通俗易懂且具有客观性，但是计算过程复杂，不容易选出基准值，会导致评估结果的准确性降低。模糊数学法把定性指标量化，解决模糊性和不确定性问题，但是对指标关联性引起的信息重复问题没有解决。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、为解决上述技术问题，本发明提供如下技术方案，包括：根据风电场的风速划分多个风速区间，通过simulink仿真平台搭建稳态模型和暂态模型，获得多个风速区间对应的电能信号；对多个风速区间对应的电能信号进行重构和聚类，获得电能特征向量；其中，所述重构包括：分别对多个风速区间对应的电能信号添加高斯白噪声，并进行压缩，将压缩后的信号转换成一维信号；利用电能特征向量迭代训练质量评估网络，并判断训练是否完成；若训练完成，则将任意的电能信号输入至质量评估网络，输出评估结果。

3、作为本发明所述的风电电能质量评估方法的一种优选方案，其中：所述聚类包括：步骤一：抽取部分一维信号作为第一数据集，从第一数据集中随机选取样本点最为第一聚类中心；步骤二：计算第一数据集中的其他样本点到第一聚类中心的欧式距离，选取最大欧式距离对应的样本点作为新的聚类中心；步骤三：抽取部分一维信号作为第二数据集，将第二数据集的样本点加入到第一聚类中心的集合中；步骤四：计算第二数据集的样本点到第一聚类中心的欧式距离，并选取最大欧式距离对应的样本点作为新的聚类中心；循环步骤三和步骤四，直至一维信号被抽取完毕或达到迭代次数后停止循环，获得n个聚类中心，根据各样本点到各聚类中心的距离划分所有样本点。

4、作为本发明所述的风电电能质量评估方法的一种优选方案，其中：所述质量评估网络包括输入层、3个卷积层、2个池化层、1个深度可分离卷积层、1个全连接层和输出层；其中，输入层的节点数为1，输出层的节点数为4；所述输入层、卷积层、池化层、深度可分离卷积层、全连接层和输出层依次连接；所述卷积层包括卷积核大小为3*3的pw卷积、卷积核大小为1*1的pw卷积和卷积核大小为3*3的dw卷积；所述池化层包括金字塔池化层和随机池化层；所述深度可分离卷积层包括深度卷积层和逐点卷积层；通过所述全连接层将深度可分离卷积层输出的特征进行henon映射，并通过relu6激活函数将映射结果输入至所述输出层。

5、作为本发明所述的风电电能质量评估方法的一种优选方案，其中：所述判断训练是否完成包括：将所述电能特征向量划分为训练集和测试集，对所述训练集进行归一化处理；初始化质量评估网络的权值w和学习率α，构建损失函数：

6、l＝(w/α)[ylgy-(1-y)lg(1-y)]

7、式中，l为损失函数值，y为质量评估网络的实际输出，y为质量评估网络的预测输出；

8、判断损失函数值是否小于5*10-7，若小于，则训练结束；否则，则通过鲸鱼算法寻找最优权值，获得最优质量评估网络；

9、所述鲸鱼算法包括：将初始的质量评估网络权值w作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数t和质量评估网络的神经元的个数；随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；当质量评估网络的损失函数值l达到最小时停止训练，获得最优权值；其中，鲸鱼个体的适应度包括：

10、fit=1/ l

11、式中，fit为鲸鱼个体的适应度。

12、作为本发明所述的风电电能质量评估方法的一种优选方案，其中：包括：所述稳态模型包括正常电压模型、简谐波模型和电压波动模型，所述暂态模型包括短时谐波模型和电压震荡模型；正常电压模型：

13、y(t)=sin(wt)；

14、式中，y(t)为正常电压信号，w为基波角频率，t为时间；

15、简谐波模型：

16、q(t)=sin(wt)+0.7sin(0.3wt)；

17、式中，q(t)为简谐波幅值信号，w为基波角频率，t为时间；

18、电压波动模型：

19、u(t)=[1+0.7sin(0.5wt)]sin(wt)；

20、式中，u(t)为电压波动幅值信号，w为基波角频率，t为时间；

21、短时谐波模型：

22、r(t)=sin(wt)+0.1sin(3wt)+0.3sin(5wt)+0.3sin(7wt)；

23、式中，r(t)为短时谐波幅值信号，w为基波角频率，t为时间；

24、电压震荡模型：

25、h(t)=sin(wt)+0.1e2sin(0.3wt)；

26、式中，h(t)为电压震荡幅值信号，w为基波角频率，t为时间。

27、作为本发明所述的风电电能质量评估装置的一种优选方案，其中：包括：信号采集单元，被配置为执行根据风电场的风速划分多个风速区间，通过simulink仿真平台搭建稳态模型和暂态模型，获得多个风速区间对应的电能信号；信号处理单元，被配置为执行对多个风速区间对应的电能信号进行重构和聚类，获得电能特征向量；其中，所述重构包括：分别对多个风速区间对应的电能信号添加高斯白噪声，并进行压缩，将压缩后的信号转换成一维信号；网络训练单元，被配置为执行利用电能特征向量迭代训练质量评估网络，并判断训练是否完成；电能质量评估单元，被配置为执行当质量评估网络训练完成时将任意的电能信号输入至质量评估网络，输出评估结果。

28、作为本发明所述的风电电能质量评估装置的一种优选方案，其中：所述信号处理单元，具体被配置为执行对一维信号进行聚类，包括：步骤一：抽取部分一维信号作为第一数据集，从第一数据集中随机选取样本点最为第一聚类中心；步骤二：计算第一数据集中的其他样本点到第一聚类中心的欧式距离，选取最大欧式距离对应的样本点作为新的聚类中心；步骤三：抽取部分一维信号作为第二数据集，将第二数据集的样本点加入到第一聚类中心的集合中；步骤四：计算第二数据集的样本点到第一聚类中心的欧式距离，并选取最大欧式距离对应的样本点作为新的聚类中心；循环步骤三和步骤四，直至一维信号被抽取完毕或达到迭代次数后停止循环，获得n个聚类中心，根据各样本点到各聚类中心的距离划分所有样本点。

29、作为本发明所述的风电电能质量评估装置的一种优选方案，其中：所述质量评估网络包括输入层、3个卷积层、2个池化层、1个深度可分离卷积层、1个全连接层和输出层；其中，输入层的节点数为1，输出层的节点数为4；所述输入层、卷积层、池化层、深度可分离卷积层、全连接层和输出层依次连接；所述卷积层包括卷积核大小为3*3的pw卷积、卷积核大小为1*1的pw卷积和卷积核大小为3*3的dw卷积；所述池化层包括金字塔池化层和随机池化层；所述深度可分离卷积层包括深度卷积层和逐点卷积层；通过所述全连接层将深度可分离卷积层输出的特征进行henon映射，并通过relu6激活函数将映射结果输入至所述输出层。

30、作为本发明所述的风电电能质量评估装置的一种优选方案，其中：所述网络训练单元，具体被配置为执行：将所述电能特征向量划分为训练集和测试集，对所述训练集进行归一化处理；初始化质量评估网络的权值w和学习率α，构建损失函数：

31、l＝(w/α)[ylgy-(1-y)lg(1-y)]

32、式中，l为损失函数值，y为质量评估网络的实际输出，y为质量评估网络的预测输出；

33、判断损失函数值是否小于5*10-7，若小于，则训练结束；否则，则通过鲸鱼算法寻找最优权值，获得最优质量评估网络；所述鲸鱼算法包括：将初始的质量评估网络权值w作为鲸鱼个体，初始化鲸鱼个体数、最大迭代次数t和质量评估网络的神经元的个数；随机生成鲸鱼个体的位置，并计算鲸鱼个体的适应度；更新鲸鱼个体的位置，计算此时鲸鱼个体的适应度，根据适应度选取最优个体；当质量评估网络的损失函数值l达到最小时停止训练，获得最优权值；

34、其中，鲸鱼个体的适应度包括：

35、fit=1/ l

36、式中，fit为鲸鱼个体的适应度。

37、作为本发明所述的风电电能质量评估装置的一种优选方案，其中：所述信号采集单元，具体被配置为执行：所述稳态模型包括正常电压模型、简谐波模型和电压波动模型，所述暂态模型包括短时谐波模型和电压震荡模型；

38、正常电压模型：

39、y(t)=sin(wt)；

40、式中，y(t)为正常电压信号，w为基波角频率，t为时间；

41、简谐波模型：

42、q(t)=sin(wt)+0.7sin(0.3wt)；

43、式中，q(t)为简谐波幅值信号，w为基波角频率，t为时间；

44、电压波动模型：

45、u(t)=[1+0.7sin(0.5wt)]sin(wt)；

46、式中，u(t)为电压波动幅值信号，w为基波角频率，t为时间；

47、短时谐波模型：

48、r(t)=sin(wt)+0.1sin(3wt)+0.3sin(5wt)+0.3sin(7wt)；

49、式中，r(t)为短时谐波幅值信号，w为基波角频率，t为时间；

50、电压震荡模型：

51、h(t)=sin(wt)+0.1e2sin(0.3wt)；

52、式中，h(t)为电压震荡幅值信号，w为基波角频率，t为时间

53、本发明的有益效果：本发明通过将采集的电能信号进行重构和聚类，使得信号能直接用于质量评估网络的检测识别中，免去了传统方法复杂的预处理，同时通过简化神经网络结构，在保证精度的同时又提高了实时性。