[发明专利]一种双模态特征融合的配电网电能质量扰动分析方法

说明书

本发明提出的是一种双模态特征融合的配电网电能质量扰动分析方法，该方法包括：1、利用马尔可夫转换场对现场采集处理的配电网电能质量时序信号进行模态变换得到动态转移概率的聚合图像；2、采用卷积神经网络对动态转移概率的聚合图像进行特征提取得到第一特征向量；3、采用门控循环单元对现场采集处理的配电网电能质量时序信号进行特征提取得到第二特征向量；4、采用基于深度学习特征融合的方法对第一特征向量和第二特征向量进行特征融合得到融合后的配电网电能质量扰动特征；5、通过配电网电能质量扰动分类器对配电网电能质量扰动特征进行分类。

技术领域

本发明涉及一种双模态特征融合的配电网电能质量扰动分析方法，属于电力系统电能质量扰动识别领域。

背景技术

新能源电力接入电网的比例越来越高，电网规模不断扩大，电力系统的结构形态和运行方式发生改变，在电力系统稳定运行时引入了更多随机性和非线性特征；电能质量扰动是电力系统中存在的主要问题之一；扰动或干扰通常是由许多因素引起的，如非线性或波动性负荷、电力电子设备、系统故障等，在一些极端情况下，这些因素都能够导致波形的畸变；如果不采取识别和控制行动来适当地预防和减轻这些干扰，就可能产生输电网和配电网的整体中断事件，造成重大的社会影响和巨大的经济损失。

实际的电能质量扰动分为单一扰动和复合扰动，但在含光伏发电的配电网中，简单的单一种类的扰动发生较少，复合扰动尤其是双重扰动发生较多，实际的电能质量扰动存在特征混叠现象，复合扰动和单一扰动之间的模式相似性导致准确识别的难度显著增加；传统的电能质量扰动识别方法计算复杂或需要一定的人工介入提取特征量；在目前波形变化复杂的情况下，无法准确识别或做到实时计算；随着大数据与人工智能的发展，采用相关的方法使得实时准确辨识成为了可能。

目前，深度学习迅猛发展并广泛应用，它解决问题所具有的泛化性可以很好地应用于电能质量扰动识别领域，且在一定噪声下仍能保持较好的自适应能力；但面对复杂电能质量识别问题，单一的深度学习模型的识别准确率仍需提升。

发明内容

本发明提出的是一种双模态特征融合的配电网电能质量扰动分析方法，其目的旨在提供一种能够对配电网电能质量扰动进行识别分类的方法。

本发明的技术解决方案：一种双模态特征融合的配电网电能质量扰动分析方法，该方法包括：

1、利用马尔可夫转换场对现场采集处理的配电网电能质量时序信号进行模态变换得到动态转移概率的聚合图像；

2、采用卷积神经网络对动态转移概率的聚合图像进行特征提取得到第一特征向量；

3、采用门控循环单元对现场采集处理的配电网电能质量时序信号进行特征提取得到第二特征向量；

4、采用基于深度学习特征融合的方法对第一特征向量和第二特征向量进行特征融合得到融合后的配电网电能质量扰动特征；

5、通过配电网电能质量扰动分类器对配电网电能质量扰动特征进行分类。

进一步地，所述利用马尔可夫转换场对现场采集处理的配电网电能质量时序信号进行模态变换得到动态转移概率的聚合图像，具体包括以下步骤：

1-1、时序信号离散化；

1-2、建立马尔可夫概率转移矩阵与计算过渡概率；

1-3、计算马尔可夫转换场并聚合成二维图像。

进一步地，所述时序信号离散化，具体包括：将现场采集处理的配电网电能质量时序信号传输至配电网后台分析系统，然后将配电网电能质量时序信号离散化为实际配电网后台分析所需的个分位数单元。

进一步地，所述建立马尔可夫概率转移矩阵与计算过渡概率，具体包括：

首先，统计配电网电能质量时序信号中从该采样时刻到下一采样时刻对应从第个分位数单元转换至第个分位数单元的元素个数；

然后，记录每种跨分位数单元的统计数至马尔可夫概率转移矩阵中；