【技术实现步骤摘要】
基于知识图谱的电能质量扰动识别模型的构建和识别方法
[0001]本专利技术涉及电力系统领域，特别地，涉及一种基于知识图谱的电能质量扰动识别模型的构建和识别方法。
技术介绍
[0002]近年来，随着各种电力电子器件的广泛使用以及非线性、冲击性、波动性负荷的不断增加，电力系统中各种电能质量扰动事件对工业生产和居民生活造成了严重影响。由于不同类型的电能质量事件对不同用户的影响程度是不相同的，精确监测电力系统波形中各种类型电能质量事件的特征参数并进行准确的类型识别显得尤为重要。同时，在未来开放的电力市场环境中，精确的电能质量信息可以为电价的确定提供依据，减少用户与电力企业之间的纠纷。
[0003]通常对电能质量扰动识别主要有两类方法，分别为经验法和计算法。前者主要是利用人工对提取的电力系统波形进行诊断以识别出相应的电能质量扰动类型。后者则是通过不同的数学方法对电力系统波形特征进行提取和识别，通常的步骤是对电能质量信号进行处理，然后提取特征值，对特征值进行分析，最终得到分类结果。具体的方法如小波变换、S变换、数学形态学、分形理...
【技术保护点】
【技术特征摘要】
1.一种基于知识图谱的电能质量扰动识别模型的构建方法，其特征在于，包括：获取已知扰动信号集合中所有已知扰动信号；对所述已知扰动信号进行处理后，得到已知扰动信号的录波图像及其对应的语义描述；根据所述已知扰动信号的语义描述，得到已知扰动信号的电能扰动知识图谱；根据所述已知扰动信号的录波图像和电能扰动知识图谱，联合训练卷积神经网络、知识表示学习模型和电能质量扰动识别网络，构建训练好的卷积神经网络、知识表示学习模型和电能质量扰动识别网络。2.根据权利要求1所述的电能质量扰动识别模型的构建方法，其特征在于，所述根据所述已知扰动信号的语义描述，得到已知扰动信号的电能扰动知识图谱进一步包括：根据所述已知扰动信号的语义描述，得到已知扰动信号的电能质量扰动类型、扰动诱因和录波图像信息；将所述已知扰动信号的电能质量扰动类型、扰动诱因和录波图像信息转换为三元组形式，构建所述已知扰动信号的电能质量扰动知识图谱；所述已知扰动信号的电能质量扰动知识图谱中电能质量扰动类型为头实体、扰动诱因为头实体和尾实体之间的关系、录波图像信息为尾实体。3.根据权利要求1所述的电能质量扰动识别模型的构建方法，其特征在于，所述卷积神经网络由两层卷积层和两层池化层组成；所述电能质量扰动识别网络由一层全连接层和一层输出层组成。4.根据权利要求3所述的电能质量扰动识别模型的构建方法，其特征在于，所述根据所述已知扰动信号的录波图像和电能扰动知识图谱，联合训练所述卷积神经网络、知识表示学习模型和电能质量扰动识别网络进一步包括：利用知识表示学习模型对所述已知扰动信号的电能扰动知识图谱进行知识表示学习，得到所述已知扰动信号的预测语义向量，其中所述预测语义向量中包括预测头实体向量、预测关系向量和预测尾实体向量；将所述已知扰动信号的录波图像输入卷积神经网络，得到已知扰动信号的预测图像特征向量；将所述预测图像特征向量中的选定图像特征向量作为预测尾实体向量，将所述预测尾实体向量输入知识表示学习模型中，得到选定扰动信号的选定语义向量，以及知识表示学习模型的损失函数值；拼接所述选定扰动信号的选定语义向量和所述选定图像特征向量，得到选定拼接向量；将所述选定拼接向量输入至电能质量扰动识别网络中，输出所述选定扰动信号对应扰动类型的预测编码结果；比较所述选定扰动信号对应扰动类型的预测编码结果和实际编码结果，得到所述卷积神经网络和所述电能质量扰动识别网络的损失函数值；根据所述知识表示学习模型的损失函数值调整所述知识表示学习模型的参数，根据所述卷积神经网络和所述电能质量扰动识别网络的损失函数值调整所述卷积神经网络和所述电能质量扰动识别网络的参数，直至两个损失函数值均达到对应设定值时结束训练。
5.根据权利要求4所述的电能质量扰动识别模型的构建方法，其特征在于，所述知识表示学习模型的损失函数值表示为：其中，EP
f
为选定已知扰动信号的选定预测图像特征向量；h为预测头实体向量；t为预测尾实体向量；r为预测关系向量；h
⊥
为h在投影矩阵M
r...
【专利技术属性】
技术研发人员：那琼澜，苏丹，任建伟，李信，肖娜，马跃，邢宁哲，庞思睿，王艺霏，杨艺西，
申请(专利权)人：国网冀北电力有限公司信息通信分公司国家电网有限公司，
类型：发明
国别省市：
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。