The invention discloses a complex power quality disturbance analysis method based on bidirectional long-term and short-term memory, in particular: collecting some voltage or current signals in the power system to be detected or using mathematical models to obtain the total samples of seven basic PQDs and the complex PQDs composed of different combinations; labeling the samples and converting them into sequential forms; and then transforming them into sequential forms. Samples are divided into training sets and test sets; a two-way long-term and short-term memory neural network model is constructed and trained; then the over-fitting judgment is made, and if the over-fitting phenomenon occurs, the over-parameters are adjusted, and then re-trained, so that no over-fitting occurs; PQD judgment is made by using the re-trained neural network model. The input data is the signal sequence data, and the output data is the power type corresponding to each data in the sequence. The invention solves the shortcomings of the prior art, such as low recognition accuracy, complex implementation process, poor real-time performance, and inability to accurately locate the start and stop time of disturbance.
【技术实现步骤摘要】
基于双向长短期记忆的复杂电能质量扰动分析方法
本专利技术属于电能质量分析与检测方法
,涉及一种基于双向长短期记忆的复杂电能质量扰动分析方法。
技术介绍
扰动类型的准确识别是复杂电能质量扰动(PowerQualityDisturbance,PQD)分析的前提和基础。电能质量扰动(PowerQualityDisturbance,PQD)可划分为基本PQD和复杂PQD。按照扰动的时间特性,基本PQD又分为稳态扰动(主要包括谐波/间谐波、波动等)和暂态扰动(主要包括暂降、暂升、中断、振荡暂态、脉冲暂态等)。复杂PQD则是由多种不同扰动类型、不同扰动强度、不同起止时刻的基本PQD复合而成,尤其是指叠加了暂态分量的扰动。目前,关于电能质量扰动类型识别问题的研究主要采用的是基于浅层学习的方法,可以归结为特征量提取和模式识别两个环节,即通过对原始信号进行变换和重构后从中提取扰动信号特征量,进而采用神经网络或支持向量机等浅层模型进行扰动类型识别,这类方法存在以下共性问题:(1)多数仅考虑到基本PQD或两种基本PQD(多数都是谐波与其他基本PQD)构成的复杂PQD,但随着复杂PQD中所包含基本PQD类型的增加,特征量间的交互耦合现象严重,导致识别准确率大幅度下降或根本无法解决复杂PQD的扰动类型识别问题;(2)对稳态扰动具有良好的效果,但对暂态扰动,单纯提取它们的幅值与频率特征已经不能很好地对它们进行反映,导致准确率低;(3)选择什么特征、如何选取特征均须深入理解信号特性或者依据本领域专家的丰富工程实践经验去尝试,导致了手工扰动特征提取和选择过程较为复杂。除此之外,禁锢 ...
【技术保护点】
1.基于双向长短期记忆的复杂电能质量扰动分析方法,其特征在于,具体按照以下步骤实施:步骤1,利用测量仪器采集待检测的电力系统中电压或电流信号若干或者采用公式(1)的数学模型,得到一系列的包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的7类基本PQD及其不同组合构成的复杂PQD的总样本;其中包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的复杂PQD信号s(t)的统一参数化解析数学模型公式(1)如下式所示:
【技术特征摘要】
1.基于双向长短期记忆的复杂电能质量扰动分析方法,其特征在于,具体按照以下步骤实施:步骤1,利用测量仪器采集待检测的电力系统中电压或电流信号若干或者采用公式(1)的数学模型,得到一系列的包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的7类基本PQD及其不同组合构成的复杂PQD的总样本;其中包含暂升、暂降、中断、振荡暂态、脉冲暂态、谐波/间谐波、波动的复杂PQD信号s(t)的统一参数化解析数学模型公式(1)如下式所示:其中,δ(t)、A、f0(t)、θ1(t)、N、an(t)、fn(t)、ψn(t)代表了与幅值有关的扰动:δ(t)为时变函数,A、f0(t)、θ1(t)分别为基波信号的幅值、频率、相位,N、an(t)、fn(t)、ψn(t)分别代表波动包络分量的个数、n次包络信号的幅值、频率、相位;H、h、bh(t)、θh(t)代表与基波频率有关的整数次谐波扰动:H、h、bh(t)、θh(t)分别代表谐波分量的个数、谐波次数、h次谐波的幅值、相位;K、ck(t)、fk(t)、代表与基波频率无关的间谐波扰动:K、ck(t)、fk(t)、分别代表了间谐波分量的个数、k次间谐波的幅值、频率、相位;M、αm、βm、dm、fm、θm(t)、τm代表了暂态扰动:M、αm、βm、dm、fm、θm(t)、τm分别代表了振荡暂态分量个数、m次振荡暂态的起始时刻、终止时刻、幅值、频率、相位、衰减因子;μ(t)为噪声分量;步骤2,样本标注将经步骤1采集到的PQD样本,按照信号中所包含的扰动类型分别进行定义并标注;步骤3,将经步骤2标注的PQD样本转化为序列形式;步骤4,将经步骤3序列化后的样本分为训练集和测试集,其中训练集占总样本70%,测试集数据占总样本的30%;步骤5,构建双向长短期记忆神经网络模型,包括由下到上依次连接的输入部分、隐含层部分以及输出层部分;步骤6,将经步骤5构建好的双向长短期记忆神经网络模型进行训练,每次训练遍历训练集中的每一个训练数据,每次遍历被称为一个世代,使神经网络模型进行多个世代训练,即经过若干个世代,得到训练好的双向长短期记忆神经网络模型;步骤7,过拟合判断使用经步骤...
【专利技术属性】
技术研发人员:邓亚平,王璐,贾颢,同向前,
申请(专利权)人:西安理工大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。