电网电能质量扰动分类方法、装置、电子设备和存储介质与流程

本发明涉及电网电能质量扰动分类，尤其涉及一种电网电能质量扰动分类方法、装置、电子设备和存储介质。

背景技术：

1、近年来，大量新能源和电动汽车充电装置等非线性负载接入电网，可能会引起电压不稳定、频率波动、谐波扰动等问题，从而影响电网的正常运行和供电质量。这不仅直接影响居民的用电体验，还可能危及电网的稳定性。因此，准确识别电能质量扰动是改善电能质量的关键一步，已成为国内外学者们共同关注的研究方向。

2、目前针对电能质量扰动分类的研究主要分为两个方向：一种是通过信号处理算法提取电信号特征，再利用分类器进行分类的传统方法；另一种是基于数据驱动，运用深度学习的人工智能方法。在传统方法中，常用的信号分析方法包括傅里叶变换、小波变换、s变换和经验模态分解等，在获取时频特征后转到分类器学习序列和标签之间的映射，常用的分类器有决策树，支持向量机和神经网络等。

3、传统方法针对单一扰动识别时较为成熟，但是针对复合扰动问题时，因为存在复杂的特征量重叠，很难有较高的识别率。此外，信号处理方法本身也有局限性，例如小波变换对基波选择非常敏感，s变化计算复杂，经验模态分解在信号中的振荡模式与噪声频率接近时容易产生误分，使得现有的电能质量扰动分类方法自适应能力和鲁棒性较差。

技术实现思路

1、本发明提供了一种电网电能质量扰动分类方法，以解决现有技术针对复合扰动问题很难有较高的识别率的问题以及现有的电能质量扰动分类方法自适应能力和鲁棒性较差的问题。

2、第一方面，本发明提供了一种电网电能质量扰动分类方法，包括：

3、获取由历史的电力信号数据生成的历史曲线，电力信号包括时间和电压；

4、对所述历史曲线标注电能质量扰动类型、波峰、波谷以及波峰和波谷对应的时间戳，得到训练数据；

5、将所述训练数据导入到初始的扰动分类模型中进行训练，得到训练好的所述扰动分类模型，所述扰动分类模型为基于tcn-bigru的模型；

6、获取由实时检测的电力信号数据生成的检测曲线；

7、将所述检测曲线输入训练好的所述扰动分类模型中进行预测，得到所述检测曲线对应的电能质量扰动类型。

8、第二方面，本发明提供了一种电网电能质量扰动分类装置，包括：

9、历史曲线获取模块，用于获取由历史的电力信号数据生成的历史曲线，电力信号数据包括时间和电压；

10、训练数据确定模块，用于对所述历史曲线标注电能质量扰动类型、波峰、波谷以及波峰和波谷对应的时间戳，得到训练数据；

11、模型训练模块，用于将所述训练数据导入到初始的扰动分类模型中进行训练，得到训练好的所述扰动分类模型，所述扰动分类模型为基于tcn-bigru的模型；

12、检测曲线生成模块，用于获取由实时检测的电力信号数据生成的检测曲线；

13、扰动分类模块，用于将所述检测曲线输入训练好的所述扰动分类模型中进行预测，得到所述检测曲线对应的电能质量扰动类型。

14、第三方面，本发明提供了一种电子设备，所述电子设备包括：

15、至少一个处理器；以及

16、与所述至少一个处理器通信连接的存储器；其中，

17、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明第一方面所述的电网电能质量扰动分类方法。

18、第四方面，本发明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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明第一方面所述的电网电能质量扰动分类方法。

19、本发明实施例提供了一种电网电能质量扰动分类方法，获取由历史的电力信号数据生成的历史曲线，电力信号数据包括时间和电压；对历史曲线标注电能质量扰动类型、波峰、波谷以及波峰和波谷对应的时间戳，得到训练数据；将训练数据导入到初始的扰动分类模型中进行训练，得到训练好的扰动分类模型，扰动分类模型为基于tcn-bigru的模型；获取由实时检测的电力信号数据生成的检测曲线；将检测曲线输入训练好的扰动分类模型中进行预测，得到检测曲线对应的电能质量扰动类型。一方面，由于训练数据是标注有电能质量扰动类型、波峰、波谷以及波峰和波谷对应的时间戳，则扰动分类模型可以学习电能质量扰动类型与曲线的波峰、波谷以及波峰和波谷对应的时间戳之间的规律和联系，在实时检测到电力信号数据并生成检测曲线时，可以更加准确地获得检测曲线对应的电能质量扰动类型。另一方面，扰动分类模型为基于tcn-bigru的模型，tcn-bigru为深度学习模型，结合了tcn和bigru两者的优点，相较于现有技术，该模型在电能质量扰动分类任务时，能够显著提升分类准确率，且具有较好的抗噪能力，在复杂环境下依然保持高效准确的分类能力，具有较强的鲁棒性和自适应能力。

20、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种电网电能质量扰动分类方法，其特征在于，包括：

2.如权利要求1所述的电网电能质量扰动分类方法，其特征在于，所述获取由历史的电力信号数据生成的历史曲线，包括：

3.如权利要求1所述的电网电能质量扰动分类方法，其特征在于，所述对所述历史曲线标注电能质量扰动类型、波峰、波谷以及波峰和波谷对应的时间戳，得到训练数据，包括：

4.如权利要求1-3任一项所述的电网电能质量扰动分类方法，其特征在于，所述扰动分类模型包括输入层、tcn层、bigru层和输出层。

5.如权利要求4所述的电网电能质量扰动分类方法，其特征在于，所述tcn层包含多个残差网络，所述残差网络包括因果膨胀卷积层、归一化层、激活函数层和正则化层。

6.如权利要求5所述的电网电能质量扰动分类方法，其特征在于，所述bigru层包括接受正向输入和反向输入的gru层；所述输出层的输出通过以下表达式确定：

7.如权利要求6所述的电网电能质量扰动分类方法，其特征在于，所述gru层由更新门和重置门组成，所述gru层在时刻t的更新过程的公式包括：

8.一种电网电能质量扰动分类装置，其特征在于，包括：

9.一种电子设备，其特征在于，所述电子设备包括：

10.一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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的电网电能质量扰动分类方法。

技术总结
本发明公开了一种电网电能质量扰动分类方法、装置、电子设备和存储介质，获取由历史的电力信号数据的历史曲线，电力信号包括时间和电压；对历史曲线标注电能质量扰动类型、波峰、波谷以及波峰和波谷对应的时间戳，得到训练数据；将训练数据导入到初始的扰动分类模型中进行训练，得到训练好的扰动分类模型，扰动分类模型为基于TCN‑BIGRU的模型；获取由实时检测的电力信号数据生成的检测曲线；将检测曲线输入训练好的扰动分类模型中进行预测，得到检测曲线对应的电能质量扰动类型。扰动分类模型能学习电能质量扰动类型与曲线的波峰、波谷以及对应的时间戳之间的规律和联系，具有较好的抗噪能力，在复杂环境下依然保持高效准确的分类能力。

技术研发人员：王义国,林峰,姚勇,李琦,吴志超,高志东
受保护的技术使用者：广东能源集团科学技术研究院有限公司
技术研发日：
技术公布日：2024/5/10