[发明专利]计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法

说明书

本发明是计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法，其特点是，包括：基于典型物联通信方式的电能质量分析系统架构的构建、计及物联带宽约束的电能质量时域特征高效边缘提取、最优特征集合和最优分类器的构建、电能质量扰动高效识别效果分析等步骤，通过对17类电能质量扰动信号进行信号采集，并通过采集的数据训练LightGBM扰动识别分类器，训练完成后通过分析电能质量扰动信号用于电能质量扰动类型的判断。LightGBM分类精度高，可并行化处理、可移植性强并且能够有效防止过拟合。具有方法科学合理，适应性强，实用价值高，扰动识别快速且准确率高等优点。

技术领域

本发明涉及电能质量扰动识别方法，具体地说，是一种计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法，应用于电能质量扰动的在线识别。

背景技术

在传统的电能质量扰动识别中，由电能质量采集设备采集扰动信号，再将原始扰动信号传输至上位系统进行扰动特征提取、识别。随着配电网内分布式电源、电力电子设备大量应用后，海量监控点高采样率电能质量数据传输使网络的通信压力变大。

物联网技术发展为含海量监测点电能质量监控系统构建提供了新的思路。通过低成本边缘设备，可有效感知配电网系统内海量节点电能质量。但受典型物联通信方式带宽限制，原始数据难以采用Lora、NB-IoT等物联网通信方式直接传输至上位系统；而底层设备受成本限制，难以直接开展复杂扰动识别。为此，应基于低成本边缘设备开展边缘(采集)侧扰动特征提取；之后，只传输有效扰动分类特征至上位系统进行分析。由此，降低系统通信数据量，有效推动物联网在电能质量监控与分析领域应用。

从特征提取角度看，常用信号处理方法包括S变换、经验模态分解、集合经验模态分解、变分模态分解等。S变换提供了大量的时频域特征。但运算量大，且易受窗宽因子等参数的影响。经验模态分解、集合经验模态分解和变分模态分解方法将干扰信号分解成多层，并从每层信号中提取特征，但易受分解层数的影响。以上方法虽然可以取得较好的效果，但是时间复杂度和空间复杂度高，当将特征提取计算工作转移至边缘侧设备时，无法满足低成本边缘计算设备低复杂度计算要求。可用于电能质量扰动识别特征众多，加大了边缘计算量及上位系统复杂度。因此，需要通过特征选择方法，降低原始特征集合特征维度。常见的特征选择方法大致有三类：嵌入式和包裹式、过滤式。嵌入式方法将特征选择过程与分类器训练过程融为一体，在分类器训练过程中自动地进行特征选择；包裹式方法直接将最终要使用的学习器的性能作为特征子集的评价标准，但寻优效率较低。过滤式方法利用统计学手段，与后续分类器无关，但需可靠分类器支持其后期最优特征子集确定环节。从分类器设计角度看，支持向量机、决策树、自适应增强、稀疏自动编码器等均广泛应用于电能质量扰动识别领域，并取得了较好的效果。但是，稀疏自动编码器是深度学习框架下的算法，可自动提取电能质量扰动的特征进行分类，为传统电能质量分析架构下的分析方法，但需要原始数据挖掘相关特征，对通信带宽要求高，不利于在以物联网通信为方式的系统架构下应用。决策树在采用相同训练与测试样本集合下，决策树准确率优于支持向量机。但分类阈值设定依赖于训练样本，泛化能力差。自适应增强抗噪性好、受过拟合问题影响小，相较于决策树具有更好的泛化能力。但训练时间长，消耗内存大。不适用于目前海量电能质量扰动大数据的分析需求。

发明内容

本发明的目的在于克服现有技术的不足，提供一种科学合理，适应性强，实用价值高，扰动识别快速且准确率高的计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法。

本发明的目的是通过以下技术手段实现的：一种计及物联带宽约束的轻量级梯度提升机电能质量扰动识别方法，其特征是，它包括以下步骤：

1)基于典型物联通信方式的电能质量分析系统架构的构建

电能质量采集装置通常安装在电动汽车充电站、光伏电站、风电场、变电站、电气化铁路、工业负荷、居民负荷侧及海量分布式电源并网点位置，以低成本电能质量边缘感知与特征提取设备采集相关特征，以LoRa与NB-IoT典型物联通信方式，在分析基于物联通信的电能质量扰动识别架构的基础上实现通信，以满足窄带物联网带宽约束；