一种基于深度学习的电能质量控制系统及控制方法与流程

[0001]
本发明属于电能质量控制技术领域，涉及一种基于深度学习的电能质量控制系统及控制方法。


背景技术：

[0002]
随着近代社会科学技术的发展不断深入，在我国现阶段各种电器设备呈几何倍速增加，这些电器设备产生大量的谐波注入电网，造成电网的传输和电能利用率低下，致使电网相关企业在这方面不得不投入大量的社会资源，而且不能灵活供电。


技术实现要素：

[0003]
为解决电气设备激增产生大量谐波注入电网而造成电网的传输和电能利用率低下，致使电网企业需要投入大量的社会资源且不能灵活供电的技术问题，本发明提供了一种基于深度学习的电能质量控制系统及控制方法。
[0004]
本发明所采用的技术方案是：
[0005]
一种基于深度学习的电能质量控制系统，其特殊之处在于：
[0006]
包括深度学习数据中心、以及多个电能质量控制单元，所述电能质量控制单元设置在电网入户侧的有源电路与用户端的无源电路之间；所述电能质量控制单元包括深度学习模块，以及均与深度学习模块相连的线路进线电流检测模块、线路出线电流检测模块、系统内部电压检测模块、谐波检测模块、补偿模块；
[0007]
线路进线电流检测模块用于检测线路进线电流i
s
并传送给深度学习模块；
[0008]
线路出线电流检测模块用于检测线路出线电流i
l
并传送给深度学习模块；
[0009]
系统内部电压检测模块用于检测电能质量控制系统内部的电压值u
dc
并传送给深度学习模块；
[0010]
谐波检测模块用于检测无源电路产生的谐波分量并传送给深度学习模块；
[0011]
深度学习模块用于对接收到的检测数据进行处理分析，将处理分析结果发送给所述深度学习数据中心；
[0012]
深度学习数据中心用于对接收到的数据进行分析综合，生成反馈数据回传给深度学习模块；
[0013]
深度学习模块将所述反馈数据与无源电路的本地数据进行对比，生成自适应控制方法，并基于该自适应控制方法控制所述补偿模块对电网进行自适应谐波和无功补偿。
[0014]
进一步地，深度学习模块对接收到的检测数据进行处理分析的具体过程为：
[0015]
步骤1：根据所采集的内部电压u
dc
、线路进线电流i
s
和线路出线电流i
l
，计算谐波电流、有功功率p、无功功率q；
[0016]
步骤2：将无功功率q计算值与用户所需无功功率参考值进行比较，若无功功率q计算值小于用户所需无功功率参考值，则通过补偿模块增大无功功率达到用户所需无功功率参考值，再进入步骤3；若无功功率q计算值大于等于用户所需无功功率参考值，则直接进入
步骤3；
[0017]
步骤3：将谐波电流计算值与谐波电流参考值进行比较，若谐波电流计算值大于谐波电流参考值，则通过补偿模块减小谐波电流输出至小于或等于谐波电流参考值，再进入步骤4；若谐波电流计算值小于等于谐波电流参考值，则直接进入步骤4；
[0018]
步骤4：根据当前的无功功率q、有功功率p生成实际负荷曲线；实际负荷曲线的横坐标为时间轴，纵坐标为无功功率q和有功功率p；
[0019]
步骤5：将步骤4中生成的实际负荷曲线与从用户端获取的用户实际所需负荷曲线或后续步骤7中深度学习数据中心生成的预测有效负荷曲线相比较，若偏差在
±
10％以内，则表示预测正确，确认该实际负荷曲线为当前有效负荷曲线，进入步骤6；否则，通过补偿模块增大无功功率或减小谐波电流输出，返回步骤4；
[0020]
步骤6：维持当前无功功率和谐波电流输出，并将当前有效负荷曲线上传至深度学习数据中心。
[0021]
进一步地，深度学习数据中心对接收到的数据进行分析综合的具体过程为：
[0022]
步骤7：深度学习数据中心接收深度学习模块上传的有效负荷曲线，对其进行数据处理，输出深度学习后的预测有效负荷曲线；
[0023]
步骤8：根据深度学习后的预测有效负荷曲线，在深度学习中心生成预测负荷曲线输出指令；
[0024]
所述预测负荷曲线输出指令包括在需要无功时的提前输出无功指令，以及在需要抑制谐波时的提前抑制谐波和减小谐波输出指令；
[0025]
步骤9：根据步骤8所生成的预测负荷曲线输出指令，控制无功和谐波的指令，控制输出无功和谐波电流；
[0026]
步骤10：返回所述步骤5，进入下一周期循环。
[0027]
本发明还提供了一种基于深度学习的电能质量控制方法，其特殊之处在于，包括以下步骤：
[0028]
步骤1：在电网入户侧的有源电路与用户端的无源电路之间，接入多个可控的补偿模块，并实时采集内部电压u
dc
、线路进线电流i
s
、线路出线电流i
l
，根据所采集的内部电压u
dc
、线路进线电流i
s
和线路出线电流i
l
，计算谐波电流、有功功率p、无功功率q；
[0029]
步骤2：将无功功率q计算值与用户所需无功功率参考值进行比较，若无功功率q计算值小于用户所需无功功率参考值，则通过补偿模块增大无功功率达到用户所需无功功率参考值，再进入步骤3；若无功功率q计算值大于等于用户所需无功功率参考值，则直接进入步骤3；
[0030]
步骤3：将谐波电流计算值与谐波电流参考值进行比较，若谐波电流计算值大于谐波电流参考值，则通过补偿模块减小谐波电流输出至小于或等于谐波电流参考值，再进入步骤4；若谐波电流计算值小于等于谐波电流参考值，则直接进入步骤4；
[0031]
步骤4：根据当前的无功功率q、有功功率p生成实际负荷曲线；实际负荷曲线的横坐标为时间轴，纵坐标为无功功率q和有功功率p；
[0032]
步骤5：将步骤4中生成的实际负荷曲线与从用户端获取的用户实际所需负荷曲线或后续步骤7中深度学习数据中心生成的预测有效负荷曲线相比较，若偏差在
±
10％以内，则表示预测正确，确认该实际负荷曲线为当前有效负荷曲线，进入步骤6；否则，通过补偿模
块增大无功功率或减小谐波电流输出，返回步骤4；
[0033]
步骤6：维持当前无功功率和谐波电流输出，并将当前有效负荷曲线上传至深度学习数据中心；
[0034]
步骤7：深度学习数据中心接收所述有效负荷曲线，对其进行数据处理，输出深度学习后的预测有效负荷曲线；
[0035]
步骤8：根据深度学习后的预测有效负荷曲线，在深度学习中心生成预测负荷曲线输出指令；
[0036]
所述预测负荷曲线输出指令包括在需要无功时的提前输出无功指令，以及在需要抑制谐波时的提前抑制谐波和减小谐波输出指令；
[0037]
步骤9：根据步骤8所生成的预测负荷曲线输出指令，控制无功和谐波的指令，控制输出无功和谐波电流；
[0038]
步骤10：返回步骤5，进入下一周期循环。
[0039]
进一步地，所述步骤7中具体数据处理过程为：
[0040]
步骤7.1：搭建以有效负荷曲线为信号的训练集；
[0041]
步骤7.2:采用s变换对步骤7.1搭建的训练集进行特征提取，得到基于电能负荷曲线混合信号的二维特征矩阵；
[0042]
步骤7.3：构建深度学习模型，利用步骤7.2得到的二维特征矩阵进行训练，得到训练后的深度学习模型；
[0043]
其中，深度学习模型包括训练模型输入层、lstm网络、池化层和多层第一感知机；
[0044]
其中，训练模型输入层为包含dense层的多层第二感知机，用于对步骤7.2的二维特征矩阵进行预处理，其中，预处理包含依次进行的降维处理、归一化处理以及特征提取；所述dense层采用20
×
20窗口进行均方根降维；所述第二感知机的层数在5层以下；
[0045]
lstm网络用于对训练模型输入层预处理后的结果进行语义分割；所述lstm网络将训练模型输入层的输出数据分为训练样本和目标样本两类，以训练样本和目标样本的最小均方根误差作为lstm网络的损失函数；
[0046]
池化层用于对lstm网络的语义分割结果进行降维；
[0047]
多层第二感知机用于对池化层的输出进行分类；最后一层第二感知机的输出为深度学习的模型输出；第二感知机的层数在10层以下；
[0048]
步骤7.4：利用训练后的深度学习模型进行深度学习，得到深度学习后的预测有效负荷曲线。
[0049]
进一步地，所述谐波电流计算值的计算方法为：将线路出线电流i
l
乘以一个频率等于基波频率的正弦信号，并对乘积积分，最后利用低通滤波器除以积分结果中所有的高次谐波，就可以得到所需的奇数倍谐波电流分量。
[0050]
进一步地，所述谐波电流计算值的具体计算方法为：
[0051]
1)将线路出线电流i
l
乘以一个频率等于基波频率的正弦信号，并对乘积积分，得到式(3)：
[0052][0053]
其中：
[0054]
线路出线电流
[0055]
式中：
[0056][0057][0058][0059]
n＝1,3,4,5,7
…
；
[0060]
i1为基波分量；
[0061]
i1为市电电流有效值；
[0062]
i
n
为谐波电流有效值；
[0063]
n
为自然数；
[0064]
为相角；
[0065]
i
h
为谐波分量；
[0066]
2)利用低通滤波器滤掉高次谐波得到式(4)：
[0067]
∫i
l
(t)sinωtdt＝∫i1sin(ωt+φ1)sinω1tdt
ꢀꢀꢀꢀ
(4)
[0068]
3)在(4)式中两边同时除以∫sinω1tdt得到一次谐波；
[0069][0070]
4)用上述步骤求解其他次谐波的电流。
[0071]
本发明的有益效果是：
[0072]
本发明结合深度学习技术，将传统电能质量控制系统原有的固定控制方法改进为基于大数据和实时数据结合的自适应控制方法，提高了电能质量控制系统的智能化水平，能大大减少用电设备的谐波，使用这些方式如增大无功补偿、投切电容等能增大供电系统的容量，使电能质量更加良好。
附图说明
[0073]
图1是本发明的原理示意图。
[0074]
图2是本发明中深度学习模块的原理示意图。
[0075]
图3是本发明的控制流程图。
[0076]
附图标记说明：
[0077]
1-有源电路，2-电能质量控制系统，3-无源电路，4-补偿模块，5-补偿子单元，6-深度学习模块，7-线路进线电流检测模块，8-系统内部电压检测模块，9-线路出线电流检测模块，10-电容器投切开关，11-谐波检测模块；12-电容器投切开关控制单元，13-线路进线电流记录单元，14-系统内部电压记录单元，15-线路出线电流记录单元，16-谐波分量记录单元，17-数据处理分析单元，18-大数据接口。
具体实施方式
[0078]
下面结合附图和具体实施方式对本发明进行详细说明。
[0079]
本发明结合深度学习技术，将现有电能质量控制系统采用的固定控制方法改进为基于深度学习和实时数据结合的自适应控制方法，直接在用户端进行无功功率补偿和传入电网的谐波抑制，分担电网运载时的负荷压力。
[0080]
如图1所示，本发明的电能质量控制系统2设置在电网入户侧的有源电路1和用户端无源电路3之间。其中电能质量控制系统2包括线路进线电流检测模块7、线路出线电流检测模块9、系统内部电压检测模块8、谐波检测模块11、补偿模块4和深度学习模块6。
[0081]
线路进线电流检测模块7和线路出线电流检测模块9串接在单项电的l线(火线)上，线路进线电流检测模块7靠近电网入户侧设置，线路出线电流检测模块9靠近用户端的无源电路3设置。线路进线电流检测模块7用于检测线路进线电流i
s
并传送给深度学习模块6；线路出线电流检测模块9用于检测线路出线电流i
l
并传送给深度学习模块6。
[0082]
系统内部电压检测模块8连接在单相电的l线(火线)与n线(零线)之间，其一端与l线连接，另一端与n线连接。系统内部电压检测模块8用于检测电能质量控制系统2内部的电压值u
dc
并传送给深度学习模块6。
[0083]
谐波检测模块11用于检测无源电路3产生的谐波分量并传送给深度学习模块6；谐波检测模块11的两个输入端分别与市电的l线(火线)和n线(零线)连接，谐波检测模块11的输出端与深度学习模块6连接。
[0084]
补偿模块4包括三组连接在单项电的l线(火线)与n线(零线)之间的补偿子单元5，每组补偿子单元5由电容器投切开关10和电容器串联构成，电容器投切开关10的一端连接到l线(火线)上，电容器投切开关10的另一端连接电容器的一端，电容器的另一端连接在n线(零线)上。
[0085]
如图2所示，深度学习模块6包括电容器投切开关控制单元12、线路进线电流记录单元13、系统内部电压记录单元14、线路出线电流记录单元15、谐波分量记录单元16、数据处理分析单元17和大数据接口18。
[0086]
线路进线电流记录单元13的输入端与线路进线电流检测模块7的输出端相连，用于记录线路进线电流检测模块7检测到的线路进线电流i
s
；
[0087]
系统内部电压记录单元14的输入端与系统内部电压检测模块8的输出端相连，用于记录系统内部电压检测模块8检测到的电能质量控制系统2内部的电压值u
dc
；
[0088]
线路出线电流记录单元15的输入端与线路出线电流检测模块9的输出端相连，用于记录线路出线电流检测模块9检测到的线路出线电流i
l
；
[0089]
谐波分量记录单元16的输入端与谐波检测模块11的输出端相连，用于记录谐波检测模块11检测到的谐波分量；
[0090]
线路进线电流记录单元13、系统内部电压记录单元14、线路出线电流记录单元15、谐波分量记录单元16的输出端均与数据处理分析单元17相连，用于将所记录的数据发送给数据处理分析单元17；
[0091]
数据处理分析单元17对其接收到的采集数据进行计算处理，其计算处理的程序流程如图3所示，将计算处理结果通过深度学习模块6接口传给深度学习数据中心；
[0092]
深度学习数据中心用于对接收到的数据进行分析综合生成反馈数据，并将反馈数
据回传给数据处理分析单元17；
[0093]
数据处理分析单元17还用于根据深度学习数据中心回传的反馈数据，(其控制的流程在图3中已经体现出来)控制无功和谐波；
[0094]
电容器投切开关控制单元12的输入端与数据处理分析单元17的输出端相连，电容器投切开关控制单元12的输出端与电容器投切开关10的控制端相连。电容器投切开关控制单元12根据数据处理分析单元17生成的自适应控制方法，控制电容器投切开关10动作，从而控制补偿模块4进行电网的自适应无功和谐波补偿。
[0095]
将由无源电路3(用户侧)产生的谐波分量引起的有源电路1(电网)的谐波和无功功率等电网质量问题，这些电能质量参数记录在深度学习模块6中(深度学习模块6的内部结构示意如图2所示)，再通过深度学习模块6中的深度学习数据接口18上传至深度学习数据中心。
[0096]
图3为本发明深度学习电能质量的控制流程图，具体步骤如下：
[0097]
步骤1：根据所采集的内部电压u
dc
、线路进线电流i
s
和线路出线电流i
l
，计算谐波电流、有功功率p、无功功率q；
[0098]
步骤2：将无功功率q计算值与用户所需无功功率参考值(该参考值根据《无功电力管理办法》确定)进行比较，若无功功率q计算值小于用户所需无功功率参考值，则通过补偿模块增大无功功率达到用户所需无功功率参考值，再进入步骤3；若无功功率q计算值大于等于用户所需无功功率参考值，则直接进入步骤3；
[0099]
步骤3：将谐波电流计算值与谐波电流参考值进行比较，若谐波电流计算值大于谐波电流参考值(该参考值根据国标gb/t14549-93确定)，则通过补偿模块减小谐波电流输出至小于或等于谐波电流参考值，再进入步骤4；若谐波电流计算值小于等于谐波电流参考值，则直接进入步骤4；
[0100]
步骤4：根据当前的无功功率q、有功功率p计算用电量，并根据计算得到的用电量生成实际负荷曲线；实际负荷曲线的横坐标为时间轴，纵坐标为无功功率q和有功功率p；
[0101]
步骤5：将步骤4中生成的实际负荷曲线与从用户端获取的用户实际所需负荷曲线或后续步骤7中深度学习数据中心生成的预测有效负荷曲线相比较，若偏差在
±
10％以内，则表示预测正确，确认该实际负荷曲线为当前有效负荷曲线，进入步骤6；否则，通过补偿模块增大无功功率或减小谐波电流输出，返回步骤4；
[0102]
步骤6：维持当前无功功率和谐波电流输出，并将当前有效负荷曲线上传至深度学习数据中心；
[0103]
步骤7：深度学习数据中心接收深度学习模块上传的有效负荷曲线，对其进行数据处理，输出深度学习后的预测有效负荷曲线，具体为：
[0104]
步骤7.1：搭建以有效负荷曲线为信号的训练集；
[0105]
步骤7.2:采用s变换对步骤7.1搭建的训练集进行特征提取，得到基于电能负荷曲线混合信号的二维特征矩阵；
[0106]
步骤7.3：构建深度学习模型，利用步骤7.2得到的二维特征矩阵进行训练，得到训练后的深度学习模型；
[0107]
其中，深度学习模型包括训练模型输入层、lstm网络、池化层和多层第一感知机；
[0108]
其中，训练模型输入层为包含dense层的多层第二感知机，用于对步骤7.2的二维
特征矩阵进行预处理，其中，预处理包含依次进行的降维处理、归一化处理以及特征提取；所述dense层采用20
×
20窗口进行均方根降维；所述第二感知机的层数在5层以下；
[0109]
lstm网络用于对训练模型输入层预处理后的结果进行语义分割；所述lstm网络将训练模型输入层的输出数据分为训练样本和目标样本两类，以训练样本和目标样本的最小均方根误差作为lstm网络的损失函数；
[0110]
池化层用于对lstm网络的语义分割结果进行降维；
[0111]
多层第二感知机用于对池化层的输出进行分类；最后一层第二感知机的输出为深度学习的模型输出；第二感知机的层数在10层以下；
[0112]
步骤7.4：利用训练后的深度学习模型进行深度学习，得到深度学习后的预测有效负荷曲线。
[0113]
步骤8：根据深度学习后的预测有效负荷曲线，在深度学习中心生成预测负荷曲线输出指令；
[0114]
所述预测负荷曲线输出指令包括在需要无功时的提前输出无功指令，以及在需要抑制谐波时的提前抑制谐波和减小谐波输出指令；
[0115]
步骤9：根据步骤8所生成的预测负荷曲线输出指令，控制无功和谐波的指令，控制输出无功和谐波电流；
[0116]
步骤10：返回所述步骤5，进入下一周期循环。本发明自适应减少用电设备产生谐波的原理：
[0117]
当用户端的无源电路3产生谐波分量时，该谐波分量可被谐波检测模块11检测出来，谐波检测模块11、线路进线电流检测模块7、系统内部电压检测模块8以及线路出线电流检测模块9检测到的数据一并被深度学习模块6保存并记录，由深度学习模块6将保存记录的检测数据与从深度学习数据中心下载的数据进行比对处理和分析(处理方式如图3)后，得到一种自适应控制方法，然后基于该自适应控制方法控制补偿模块4进行谐波补偿和无功补偿。在进行不断训练后，深度学习模块6能在不同的时间里自适应控制补偿模块4进行谐波补偿和无功补偿，因此不再需要人为干预；深度学习模块6能学习用户端无源电路3的不同时间段的用户需求，能在不同时间段学习出自适应的控制方法。
[0118]
当用户端的无源电路3在用电高峰期产生基波无功和奇数倍谐波时，谐波检测模块11检测出输入无源电路3的线路出线电流i
l
，在i
l
中的奇数倍谐波分量i
lh
和基波无功电流i
1q
可以通过下面的方法计算(采用乘正弦信号法)出来；将不同时间段的奇数倍谐波分量i
lh
和基波无功电流i
1q
保存并记录在深度学习模块6中，深度学习模块6经过一定时间段的学习后，再将学习结果与大数据和实时数据相比对后，得出一种自适应控制算法基于该自适应控制方法在用电高峰期控制补偿模块4进行电网的无功和谐波补偿。
[0119]
本发明采用乘正弦信号法，将电流信号i
l
乘以一个频率等于基波频率的正弦信号，并对乘积积分，最后利用低通滤波器除以积分结果中所有的高次谐波，就可以得到我们所需的奇数倍分量。
[0120]
电网入户侧的有源电路1的电流i
l
可以表示为：
[0121][0122]
通常认为无源电路3中含有三次及三次以上的谐波，因此可以取n＝1,3,4,5,7
…
，
[0123][0124][0125]
其中：
[0126]
i1为基波分量
[0127]
i1为市电电流有效值
[0128]
i
n
为谐波电流有效值
[0129]
n
为自然数
[0130]
为相角
[0131]
i
h
为谐波分量
[0132]
在(2)式的两边乘以sinωt然后再对i
l
(t)sinωt积分
[0133][0134]
利用低通滤波器可以滤掉高次谐波可以得到(4)式
[0135]
∫i
l
(t)sinωtdt＝∫i1sin(ωt+φ1)sinω1tdt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0136]
在(4)式中两边同时除以∫sinω1tdt就可以得到一次谐波
[0137][0138]
用类似的方法可以求解其他次谐波的电压与电流。
[0139]
本发明基于深度学习模型的电能负荷曲线信号的分析方法有如下步骤：
[0140]
步骤一、建立电能负荷曲线训练集，搭建负荷权限为基础的的训练数据集。
[0141]
步骤二、采用s变换对步骤一的训练数据进行特征提取，得到基于电能负荷曲线信号的二维特征矩阵，作为训练数据集的输入；
[0142][0143]
公式(1)的基本形式是s变换，其中t为时域信号的时间变量；τ为时间常数，表示时间变量t的延时；f为频域中的频域变量；
[0144]
步骤三、提取步骤二中的二维特征矩阵，将矩阵数据以用.mat的文件形式输出，通过python科学计算库将数据代入深度学习框架作为电能负荷曲线信号时频特征输入；
[0145]
步骤四：基于keras-theano深度学习框架，搭建rnn神经网络反馈的方法分类训练模型，有监督的训练所述训练数据集；完成整个电能负荷曲线的识别和方法分类训练模型搭建，深度学习各层次的公式有：
[0146]
多层感知机：
[0147][0148]
式(2)是多层感知机，层与层之间的传递信息过程，特征的输入层到输出层的过
程，其中x为特性向量，w为权重向量参数，b为偏置参数所有特征输入层经过线性变换后求和，再从一个单调的非线性激活函数f经过，所得的结果发送给下一层神经元；
[0149]
lstm为一种深度学习算法，作为主要模式识别，记录随时间传递的信息。在信息的传递过程中，当前的输入、前一时刻隐藏层状态、前一刻细胞状态以及门机构的增加或删除细胞状态中的信息。该处理可以增强模型对时间延迟特征的处理能力。
[0150]
lstm的重要部分为输入、输出及反馈的三个部分。
[0151]
input gate
[0152][0153]
b
it
＝f(a
lt
)
[0154]
ouputt gate
[0155][0156]
b
wt
＝f(a
wt
)
[0157]
cells:
[0158][0159][0160]
激活函数：
[0161]
f(.)＝sigmod
[0162]
g(.)＝tanh
[0163]
其中a表示汇集计算的值，b表示经过激活函数的计算的值，w是不同点之间的连接参数，带下标c的是cell层相关的，带下标h是隐藏层相关的。l是最后的loss function，f(.),g(.)是激活函数，从而进一步推出核元素的值；
[0164]
步骤五、重新生成电能负荷曲线信号，建立测试数据集，去除标签值。其中，测试数据采用传统s变换进行特征提取。