基于多任务学习模型的电能质量扰动分类识别系统技术方案

本发明专利技术提出了一种基于多任务学习模型的电能质量扰动分类识别系统，涉及电气工程领域。本系统构建了基于多任务学习的卷积神经网络模型来识别各种电能质量扰动类型，去除了传统方法的信号特征提取阶段，简化了PQDs识别的步骤，增加了系统的泛化能力。其中的多任务学习将复合扰动分类任务分成了四个子任务进行关联训练，并设计了相应的标签编码方案，最后输出一个10维标签向量完成复合扰动的多任务分类，使得多重扰动和单扰动的标签关联性在网络的输出模块中得到了有效体现，提高了识别的准确率。准确率。准确率。

【技术实现步骤摘要】
基于多任务学习模型的电能质量扰动分类识别系统


[0001]本专利技术涉及电气工程领域，具体而言，涉及一种基于多任务学习模型的电能质量扰动分类识别系统。

技术介绍

[0002]随着现代电力系统的发展，为了减少碳排放和促进电力系统的高效运行，多种可再生能源得到了越来越多的应用，由此伴随着电力电子设备更多地投入电网运行。在此背景下电能质量扰动(Power Quality Disturbances,PQDs)存在的风险日益增大，电能质量的监测和分析已经成为现在电力系统中的重要问题。电能质量问题通常以电流、电压或者频率的突然变化的形式出现。在实际中，很多原因可能会导致PQDs的产生，如电力电子设备的应用、雷电、非线性负载等。
[0003]为了精准识别电能质量扰动事件的类别，传统电能质量监测方法一般先运用信号处理技术来提取信号的特征量，再使用分类方法来确定扰动事件类别。目前用于电能质量扰动检测的方法主要有四种：时域分析方法、频域分析方法、基于变换的方法和其他方法，但是在多重扰动存在情况下，时域分析方法的电能质量扰动检测效果不太好，且由于时域分析法的局限性很难得到准确的数据结果；而频域分析方法的计算量极大，复杂程度高，耗时很长，难以满足电能质量扰动检测对实时性的要求。另外，目前市面上一般的三相电能质量检测系统和检测仪的售价在几万到几十万不等，价格过于昂贵，且功能复杂繁多，难以匹配中小型公司及普通用户的需求。

技术实现思路

[0004]本专利技术的目的在于提供一种基于多任务学习模型的电能质量扰动分类识别系统，其能够对电能质量扰动进行检测，特别是能够对多重复合扰动信号进行识别和分类，系统的泛化能力强、分类识别的准确率高。
[0005]本专利技术的实施例是这样实现的：
[0006]本申请实施例提供一种基于多任务学习模型的电能质量扰动分类识别系统，其包括波形发生器、DAQ数据采集卡、多任务学习模块和扰动识别编码模块；
[0007]上述波形发生器用于生成单扰动/二重扰动/三重扰动信号，以模拟各类电能质量扰动波形信号；
[0008]上述DAQ数据采集卡用于采集电能质量扰动波形信号，并将其转换为数据信号传输给上述多任务学习模块；
[0009]上述多任务学习模块用于基于预设的电能质量扰动识别模型对采集到的数据信号进行分类识别，得到信号对应的电能质量扰动类型识别结果并传输给上述扰动识别编码模块；
[0010]上述扰动识别编码模块用于对电能质量扰动类型识别结果进行编码，得到并输出预测向量，以表征最终的识别结果。
[0011]在本专利技术的一些实施例中，上述多任务学习模块包括：
[0012]任务分类子模块，用于将复合扰动分类任务转化为多个关联的子任务；
[0013]特征提取子模块，用于从各个子任务的数据信号中提取出局部区域的信号特征并降维；
[0014]特征融合子模块，用于汇集各通道学习到的降维后的信号特征并进行转换；
[0015]多任务输出子模块，用于将汇集转换后的特征分别映射到多个子任务上进行识别，并输出电能质量扰动类型识别结果。
[0016]在本专利技术的一些实施例中，上述任务分类子模块在进行任务分类时，采用多元关联方法将复合扰动分类任务转化为多个子任务，每个子任务包括多个分类标签。
[0017]在本专利技术的一些实施例中，上述多任务学习模块还包括评估子模块，用于构建多任务损失函数对多任务学习模块的分类效果进行评估。
[0018]在本专利技术的一些实施例中，上述评估子模块在构建多任务损失函数时，对于前两个子任务，激活函数采用Softmax函数，使用多分类交叉熵构建对应的损失函数；对于后两个子任务，激活函数采用Sigmoid函数，使用二分类交叉熵构建对应的损失函数；并将多个子任务对应的损失函数进行加权求和，得到最终的多任务损失函数。
[0019]在本专利技术的一些实施例中，上述多任务学习模块采用卷积神经网络模型进行多任务分类识别，上述卷积神经网络模型包括卷积层、拟归一化层、激活函数层、汇合层以及全连接层。
[0020]在本专利技术的一些实施例中，上述卷积神经网络模型采用Adam优化算法进行训练，以对模型的权重参数进行更新。
[0021]在本专利技术的一些实施例中，上述扰动识别编码模块采用One
‑
hot编码方法对电能质量扰动类型识别结果进行编码，得到并输出多维预测向量。
[0022]在本专利技术的一些实施例中，上述系统还包括对电能质量扰动波形信号进行滤波处理。
[0023]在本专利技术的一些实施例中，上述电能质量扰动包括电压暂升、电压中断、电压暂降、暂态振荡、暂态冲击、电压切口、电压闪变、谐波扰动中的一种或多种。
[0024]相对于现有技术，本专利技术的实施例至少具有如下优点或有益效果：
[0025]本申请实施例提供一种基于多任务学习模型的电能质量扰动分类识别系统，其包括波形发生器、DAQ数据采集卡、多任务学习模块和扰动识别编码模块。首先通过波形发生器生成单扰动/二重扰动/三重扰动信号，以模拟各类电能质量扰动波形信号；然后通过DAQ数据采集卡采集电能质量扰动波形信号，并将其转换为数据信号传输给多任务学习模块；之后，多任务学习模块基于预设的电能质量扰动识别模型对采集到的数据信号进行分类识别，得到信号对应的电能质量扰动类型识别结果并传输给扰动识别编码模块；最后，通过扰动识别编码模块对电能质量扰动类型识别结果进行编码，得到并输出预测向量，以表征最终的识别结果。整体而言，本系统构建了基于多任务学习的卷积神经网络模型来识别各种电能质量扰动类型，去除了传统方法的信号特征提取阶段，简化了PQDs识别的步骤，增加了系统的泛化能力。其中的多任务学习将复合扰动分类任务分成了四个子任务进行关联训练，并设计了相应的标签编码方案，最后输出一个10维标签向量完成复合扰动的多任务分类，使得多重扰动和单扰动的标签关联性在网络的输出模块中得到了有效体现，提高了识
别的准确率。
附图说明
[0026]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0027]图1为本专利技术提供的一种基于多任务学习模型的电能质量扰动分类识别系统一实施例的结构框图；
[0028]图2为本专利技术提供的一种基于多任务学习模型的电能质量扰动分类识别系统一实施例的流程示意图；
[0029]图3为卷积神经网络的结构示意图；
[0030]图4为本专利技术构建的基于多任务学习的电能质量扰动分类识别模型的结构示意图；
[0031]图5为多任务学习与单任务学习的对比示意图。
[0032]图标：1、波形发生器；2、DAQ数据采集卡；3、多任务学习模块；4、扰动识别编码模块。
具体实施方式
[0033]为使本申请实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多任务学习模型的电能质量扰动分类识别系统，其特征在于，包括波形发生器、DAQ数据采集卡、多任务学习模块和扰动识别编码模块；所述波形发生器用于生成单扰动/二重扰动/三重扰动信号，以模拟各类电能质量扰动波形信号；所述DAQ数据采集卡用于采集电能质量扰动波形信号，并将其转换为数据信号传输给所述多任务学习模块；所述多任务学习模块用于基于预设的电能质量扰动识别模型对采集到的数据信号进行分类识别，得到信号对应的电能质量扰动类型识别结果并传输给所述扰动识别编码模块；所述扰动识别编码模块用于对电能质量扰动类型识别结果进行编码，得到并输出预测向量，以表征最终的识别结果。2.如权利要求1所述的一种基于多任务学习模型的电能质量扰动分类识别系统，其特征在于，所述多任务学习模块包括：任务分类子模块，用于将复合扰动分类任务转化为多个关联的子任务；特征提取子模块，用于从各个子任务的数据信号中提取出局部区域的信号特征并降维；特征融合子模块，用于汇集各通道学习到的降维后的信号特征并进行转换；多任务输出子模块，用于将汇集转换后的特征分别映射到多个子任务上进行识别，并输出电能质量扰动类型识别结果。3.如权利要求2所述的一种基于多任务学习模型的电能质量扰动分类识别系统，其特征在于，所述任务分类子模块在进行任务分类时，采用多元关联方法将复合扰动分类任务转化为多个子任务，每个子任务包括多个分类标签。4.如权利要求2所述的一种基于多任务学习模型的电能质量扰动分类识别系统，其特征在于，还包括评估子模块，用于构建多任务损失函数对多任务学习模块的分...

【专利技术属性】
技术研发人员：王思敏，段旭敏，郑嘉明，
申请(专利权)人：广西大学，
类型：发明
国别省市：